L'essentiel en 30 secondes
- Anthropic a lancé le 5 août 2026 les inference hooks, en beta pour les clients Claude Enterprise : chaque prompt est soumis au serveur de sécurité de l'entreprise, qui répond « autoriser » ou « bloquer » avant l'inférence.
- Une seule configuration couvre le chat, Cowork, l'outil de développement et les appels d'outils via connecteurs MCP (Model Context Protocol), sur le web, l'application de bureau et la ligne de commande.
- Le protocole repose sur des webhooks signés et se branche sur les serveurs DLP existants (Netskope, Palo Alto Networks, Proofpoint, Zscaler), avec un délai de réponse de 5 secondes par défaut.
- Selon une enquête commandée par le cabinet Kolmogorov Law en juillet 2026, 38 % des 500 salariés américains interrogés ont déjà saisi des informations de leur entreprise dans un compte d'IA personnel.
Ce qu'Anthropic a annoncé le 5 août
Le 5 août 2026, Anthropic a présenté les inference hooks, une fonction en beta réservée aux clients Claude Enterprise. Le principe tient en une phrase : avant que le modèle ne lise un prompt, le contenu est transmis au serveur de sécurité de l'entreprise, qui rend un verdict binaire, autoriser ou bloquer. Un contenu bloqué n'atteint jamais les serveurs d'Anthropic.
Le même contrôle s'applique aux réponses des outils que l'assistant appelle en cours de tâche. Quand un agent interroge un CRM ou une base documentaire via un connecteur MCP, le résultat est inspecté avant de revenir au modèle. Une seule configuration, posée au niveau de l'organisation, couvre le chat, Cowork et Claude Code, sur le web, l'application de bureau et la ligne de commande, détaille l'analyse technique d'Unite.AI.
Côté intégration, Anthropic a choisi un protocole ouvert fondé sur des webhooks signés, avec un schéma publié. Une entreprise peut le brancher sur le serveur DLP (Data Loss Prevention, la prévention des fuites de données) qu'elle utilise déjà, comme Netskope, Palo Alto Networks, Proofpoint ou Zscaler, ou sur un serveur développé en interne. Le délai de réponse est de 5 secondes par défaut, configurable, et le déploiement peut se faire progressivement : mode observation sans blocage, exclusions par rôle, montée en charge par pourcentage d'utilisateurs.
« This lets us safely move faster on AI without giving up control », résume Andrew Grimmett, responsable de la sécurité de l'information de l'opérateur américain Bandwidth, cité dans l'annonce d'Anthropic : avancer plus vite sur l'IA, sans abandonner le contrôle.
Pourquoi ce point de contrôle change la donne ?
Parce qu'il déplace la gouvernance des données du réseau vers le prompt. Les équipes de sécurité inspectent depuis des années les emails, la navigation web et les partages de fichiers ; les conversations avec une IA restaient un angle mort, mal couvertes par des outils réseau conçus avant l'arrivée des assistants, et aveugles dès que l'usage passe par une application de bureau ou un terminal. Comme le relève The Next Web, il n'existait jusqu'ici aucun point d'application central couvrant toutes les surfaces d'un assistant d'entreprise.
La nouveauté n'est donc pas le DLP, une technologie ancienne. La nouveauté, c'est que le fournisseur du modèle ouvre lui-même un point de contrôle standardisé à l'intérieur de son produit, et laisse le client décider en temps réel de ce que le modèle a le droit de lire. Le rapport de force s'inverse : l'entreprise cliente n'a plus à faire confiance sur parole, elle tient le robinet.
L'enjeu dépasse largement les grands comptes. Selon l'éditeur de sécurité Cyberhaven, qui analyse les flux de données de ses clients, près de 40 % des usages de l'IA en entreprise impliquent des données sensibles. Quand un canal concentre une telle proportion d'informations critiques, il finit toujours par attirer les outils de contrôle ; c'est exactement ce qui est en train de se produire.
Qu'est-ce que ça change pour une PME française ?
Une PME de 10 à 100 salariés n'a en général ni abonnement Claude Enterprise ni serveur DLP. L'annonce la concerne pourtant, pour trois raisons.
La première : le canal de fuite est réel, et il passe d'abord par les comptes personnels. Selon l'enquête commandée par Kolmogorov Law en juillet 2026 auprès de 500 salariés américains, 38 % ont déjà saisi des informations de leur entreprise dans un compte d'IA personnel que l'employeur ne contrôle pas, et 23 % y ont collé des emails ou des documents internes. Quand ces informations contiennent des données clients, le sujet n'est plus seulement la confidentialité : c'est le RGPD.
La deuxième : l'interdiction pure ne fonctionne pas. La même enquête montre que 64,4 % des salariés ignorent que saisir des informations de leur entreprise dans une IA personnelle peut, dans certains cas, être illégal. Un salarié à qui l'on interdit l'outil sans lui donner d'alternative bascule sur son téléphone personnel, où l'entreprise ne voit rien. Fournir un compte professionnel administré, avec les bons réglages de rétention et de confidentialité, protège mieux qu'une note de service.
La troisième : les garde-fous s'empilent, et tous n'ont pas le même coût. Le tableau ci-dessous résume les quatre niveaux, du moins cher au plus lourd.
| Garde-fou | Coût de mise en place | Ce qu'il couvre | Sa limite |
|---|---|---|---|
| Charte d'usage et formation | Quelques heures | Les réflexes : quoi coller, quoi ne jamais coller dans un prompt | Repose sur la discipline individuelle |
| Comptes professionnels administrés | De l'ordre de quelques dizaines d'euros par salarié et par mois | Rétention, confidentialité, visibilité sur les usages | Ne couvre pas les comptes personnels |
| Blocage réseau des outils non approuvés | Pare-feu ou proxy existant | L'accès depuis le réseau de l'entreprise | Contourné par le téléphone personnel |
| Contrôle au prompt (inference hooks) | Serveur DLP et offre entreprise | Chaque prompt et chaque appel d'outil, avant le modèle | Réservé aux grandes offres, verdict tout-ou-rien |
Pour la plupart des PME, les deux premières lignes règlent l'essentiel du risque, pour un coût presque nul. Un contrôle technique au niveau du prompt ne se justifie que lorsque les données manipulées sont réglementées : santé, finance, données de mineurs. Dans les autres cas, le budget est mieux investi dans la formation des équipes que dans un outillage de sécurité surdimensionné.
Bloquer ou laisser passer : les limites du tout-ou-rien
Le dispositif d'Anthropic a des limites documentées. Le serveur de sécurité ne peut pas réécrire ni caviarder un prompt : il le laisse passer entier ou le bloque entier. Les images ne sont inspectées qu'à travers leurs métadonnées et le texte qui en est extrait. Le contrôle ne couvre ni l'API, ni les déploiements via Amazon Bedrock ou Google Cloud. La vérification des réponses du modèle, elle, est annoncée pour plus tard.
Le paramètre le plus révélateur est la politique d'échec : si le serveur de sécurité ne répond pas dans les temps, faut-il laisser passer ou tout bloquer ? Chaque entreprise doit trancher entre disponibilité et étanchéité ; il n'y a pas de bonne réponse universelle. Le mode observation, qui autorise tout mais journalise tout, est à mes yeux la meilleure idée de l'annonce : mesurer ce que les équipes envoient réellement avant de décider quoi bloquer. Un garde-fou mal calibré pousse au contournement, et le contournement ramène au compte personnel, c'est-à-dire au point de départ.
Dans les systèmes que je construis, cette question, « que voit le modèle ? », se règle au cahier des charges plutôt qu'après coup. Sur le CRM Emma du dispositif 3018, le numéro national contre le cyberharcèlement, que j'ai co-construit pour e-Enfance, l'IA intégrée est souveraine et hébergée en France, précisément parce que les conversations concernent des mineurs. Pour un agent IA de PME, la logique est la même à plus petite échelle : décider dès la conception quelles données l'agent peut lire, et lesquelles ne quittent jamais votre système. C'est moins spectaculaire qu'un serveur DLP, et souvent plus efficace.
La vraie question n'est plus de savoir si vos équipes utilisent l'IA : elles l'utilisent déjà, parfois depuis un compte que vous ne voyez pas. La question est de savoir ce que le modèle a le droit de lire, et qui en décide. Le 5 août, Anthropic a donné sa réponse : le client. Chaque entreprise, même sans budget sécurité, gagne à se donner la sienne.
Questions fréquentes
Qu'est-ce qu'un « inference hook » ?
Un inference hook est un point de contrôle lancé par Anthropic le 5 août 2026 pour Claude Enterprise : avant que le modèle ne lise un prompt ou une réponse d'outil, le contenu est soumis au serveur de sécurité de l'entreprise, qui l'autorise ou le bloque. Un contenu bloqué n'atteint jamais les serveurs d'Anthropic.
Une PME peut-elle activer les inference hooks ?
Pas directement : la fonction est en beta, réservée aux clients Claude Enterprise, et elle suppose un serveur de sécurité capable de rendre un verdict en quelques secondes. Une PME obtient l'essentiel de la protection avec des comptes professionnels administrés, une charte d'usage claire et une formation courte des équipes.
Comment limiter les fuites de données vers les outils d'IA sans budget sécurité ?
Trois gestes suffisent pour commencer : recenser qui utilise quel outil d'IA et pour quoi, fournir des comptes professionnels plutôt que de laisser prospérer les comptes personnels, et lister noir sur blanc ce qui ne doit jamais être collé dans un prompt. Selon une enquête Kolmogorov Law de juillet 2026, 38 % des salariés américains interrogés ont déjà saisi des données de leur entreprise dans un compte d'IA personnel.