اگر برای مدیریت فضای کاری سازمانی خود به قابلیت عدم ذخیره‌سازی داده‌ها (Zero Data Retention یا ZDR) اعتماد کرده‌اید، خبر بدی داریم. این قابلیت — شبیه تخته‌سیاهی که بلافاصله بعد از نوشتن هر جمله پاک می‌شود تا ردی باقی نماند — دیگر برای قدرتمندترین مدل‌های بازار در دسترس نیست.
به نقل از به‌روزرسانی‌های پشتیبانی انتروپیک (Anthropic)، این شرکت برای مدل‌های تراز اول خود، بازبینی و ذخیره‌سازی محدود داده‌ها را اجباری کرده است. طبق این دستورالعمل، داده‌ها برای شناسایی رفتارهای مخرب ذخیره می‌شوند.
این چرخش در حالی رخ می‌دهد که آزمایشگاه‌های AI در تکاپوی تعادل هستند. آن‌ها باید میان حریم خصوصی کاربر و جلوگیری از جاسوسی‌های دولتی یا دور زدن محدودیت‌ها (Jailbreaking) تصمیم بگیرند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بنیادی اشاره کردیم، شناسایی این حملات نیازمند تحلیل خوشه‌ای درخواست‌ها در طول زمان است. در واقع هر پرامپت نباید به‌صورت یک اتفاق مجزا دیده شود.
بر اساس مستندات این شرکت، سیاست جدید از ۹ ژوئن ۲۰۲۶ اجرایی می‌شود. این تغییر به‌طور خاص مدل‌های کلاس Mythos، از جمله Claude Mythos 5 و Claude Fable 5 را هدف قرار می‌دهد. پلتفرم‌های تحت تأثیر عبارت‌اند از:
- فضاهای کاری Claude Console با ZDR
- کاربران سازمانی Claude Enterprise در محیط Claude Code
- دسترسی از طریق AWS Bedrock، گوگل‌کلاود و مایکروسافت فاندری
طرح‌های مصرف‌کننده (رایگان، Pro و Max) تغییری نمی‌کنند چون پیش از این تحت قوانین ذخیره‌سازی استاندارد بودند. برای محافظت از داده‌ها، انتروپیک از گزارش‌های تغییرناپذیر استفاده می‌کند. دسترسی به بازبینی را فقط به گروه محدودی از کارکنان تاییدشده می‌دهد. داده‌ها پس از ۳۰ روز به‌طور خودکار حذف می‌شوند، مگر در موارد قانونی یا تحقیقات امنیتی فعال.
این یک عقب‌نشینی استراتژیک از وعده‌ی «حریم خصوصی مطلق» است. انتروپیک با این تصمیم پذیرفت که هوش مصنوعی در سطوح بسیار بالا، بدون یک شبکه امنیتی نظارتی، بیش از حد خطرناک است. برای مدیران کسب‌وکار، این یعنی استفاده از قابلیت‌های Mythos اکنون با یک هزینه اجباری همراه است: نظارت بر داده‌ها.
گام بعدی شما
- کلیدهای رمزگذاری مدیریت‌شده توسط مشتری و گزارش‌های ممیزی را در Trust Center بررسی کنید.
- استراتژی مدیریت داده‌های حساس خود را برای مدل‌های Mythos بازنگری کنید.
- منتظر واکنش سایر آزمایشگاه‌ها در مواجهه با آستانه‌های خطرناک توانمندی مدل‌ها باشید.
اما تأثیر این نظارت بر سرعت استنتاج (Inference) مدل‌ها هنوز مبهم است — در گزارش بعدی ما درباره‌ی بهینه‌سازی‌های سخت‌افزاری برای مدل‌های استدلالی، این موضوع را بررسی می‌کنیم.
گفتگو