Anthropicが推論フック発表、Claudeへの入力を事前検査

Anthropicは2026年8月5日、Claude Enterprise向けの新機能Inference hooks（推論フック）をベータ公開しました。従業員が送るプロンプトを、モデルに届く前に組織自身のセキュリティサーバーへ経由させ、許可か拒否かの判定を受けてから応答を生成する仕組みです。企業のセキュリティ・コンプライアンス部門が使い慣れたDLP（Data Loss Prevention、情報漏えい防止）製品を、そのまま接続できる設計になっています。対応ベンダーの発表も、すでに相次いでいます。

背景と文脈
技術/ビジネス面
これからどうなるか
まとめ
参考リンク

背景と文脈

企業が生成AIの導入で最も気にするのは、機密情報や個人情報が意図せずモデルに渡ってしまうリスクです。Anthropicはこれまで、会話記録を事後的に取得・監査できるCompliance APIを提供してきました。ただしこの仕組みは、あくまで「モデルが処理した後」に何が起きたかを確認する手段にとどまります。プロンプトが一度Claudeに渡れば、そこに含まれる機密データはすでにモデルの処理対象になっている点が課題でした。

実際、DLPベンダーのProofpointは2026年5月にCompliance API連携を発表していました。ただし当時は、機密データが送信・処理された後でしか対応できない点を自ら課題として挙げていました。今回のInference hooksは、この「事後対応」から「事前遮断」への転換を狙った機能です。処理の前段に検査ポイントを置くことで、規制対象データやソースコード、認証情報などが最初からモデルに渡らないようにできます。

対象は現時点でClaude Enterprise契約企業のみです。Pro・Max・API単体プランへの提供は発表されておらず、大企業のガバナンス強化がまず優先されている形です。金融・医療・公共分野など、情報管理の規制が厳しい業種ほど導入の動機が強いと見られます。

技術/ビジネス面

man and woman standing near laser light — Photo by Matthieu Joannon on Unsplash

仕組みは次の通りです。ユーザーがChatやClaude Code、Claude Coworkなど管理下のサーフェスでプロンプトを送ります。Anthropicはまず、その会話のトランスクリプトを取得します。テキストやツール呼び出しの結果、添付ファイルから抽出したテキストも対象です。Anthropicはこれを、組織が設定したAIセキュリティサーバーへ署名付きのHTTPS POSTリクエストとして送信します。署名はStandard Webhooksという公開仕様に沿っており、受信側はリクエストが確かにAnthropicから来たものかを検証できる仕組みです。

セキュリティサーバーは組織が定めたポリシーに沿って内容を評価します。標準では5秒のタイムアウト以内に、「allow（許可）」か「deny（拒否）」の判定をJSON形式で返す仕組みです。拒否の場合、Claudeは応答を生成せず、ユーザーにはポリシー違反を知らせるメッセージが表示されます。サーバーが応答しない場合の扱いは組織側の設定次第で、リクエストをブロックするか検査なしで通すかのどちらかです。なお画像や添付ファイルの生データ、システムプロンプトはサーバーに送られません。

特筆すべきはプロトコルがオープンなwebhookベースで、公開スキーマに沿っている点です。Netskope、Palo Alto Networks、Proofpoint、Zscalerなど既存のセキュリティベンダーの製品にそのまま接続できます。自社構築のAIセキュリティサーバーも同様です。Palo Alto NetworksはPrisma AIRSでの対応を発表済みです。Proofpointも、既存のDLPポリシーをClaudeの会話にリアルタイムで適用できる連携を公表しました。導入時は「シャドーモード（常に許可し判定結果だけ記録）」や、一部リクエストのみ検査する段階的ロールアウトを選べます。特定ロールの除外設定もあり、いきなり全社ブロックする必要はありません。

これからどうなるか

Inference hooksは今のところ「allow/deny」の二択です。プロンプトの書き換えや自動的な機密情報のマスキングには対応していません。今後は応答側、つまりモデルが生成した後の内容を検査するイベントの追加も見込まれており、入力だけでなく出力まで含めた制御が視野に入ります。Amazon BedrockやGoogle Cloud経由の利用は、現時点で対象外である点にも注意が必要です。

社内でLLMを使ったツールやエージェントを開発する立場からも参考になります。「モデルに届く前に危険な入力を止める検査レイヤーをどこに置くか」という設計判断の、具体的な一例だからです。MCP（Model Context Protocol、AIモデルと外部ツールを繋ぐ標準プロトコル）経由のツール呼び出しでも論点は同じです。外部データを取り込む前にバリデーションを挟むかどうかという判断になります。Inference hooksの設計には「署名検証付きwebhook」「タイムアウト設定」「失敗時の許可/拒否の選択」という要素があります。自作の検査層を作る際にも、そのまま応用できるでしょう。