Inference hooks: prevención de pérdida de datos en línea para Claude Enterprise

Anthropic anunció el 5 de agosto de 2026 inference hooks, una capa de inspección que permite a los equipos de seguridad de una empresa revisar y bloquear cada prompt antes de que llegue al modelo. La función está disponible en beta para clientes de Claude Enterprise y se activa una sola vez a nivel de organización.

Hasta ahora, la única forma de aplicar control en línea de manera nativa era mediante los hooks del lado del cliente de Claude Code. Inference hooks cierra esa brecha con una sola capa que cubre todas las superficies de Claude Enterprise sin integraciones separadas por producto.

¿Cómo funciona inference hooks?

Cuando una organización activa la función, cada solicitud de inferencia se enruta a través de una conexión WebSocket firmada hacia el servidor de seguridad de la empresa. Antes de que el modelo empiece a generar, Claude envía el prompt y su contexto a ese servidor. El servidor devuelve un veredicto, permitir o denegar, y Claude solo continúa una vez que lo recibe.

La misma revisión corre sobre las llamadas a herramientas. Cuando Claude invoca una herramienta, incluidas las conectadas vía MCP, skills y plugins, la respuesta de esa herramienta se verifica antes de volver al modelo. Esto cubre el punto ciego más común en despliegues de agentes: el dato sensible no entra solo por el prompt del usuario, también entra por lo que el agente va a buscar.

¿Con qué herramientas de seguridad se integra?

Inference hooks usa un protocolo abierto basado en webhooks con un esquema publicado. Según Anthropic, eso permite apuntarlo al mismo servidor al que ya reportan las demás herramientas de la empresa, incluidas Netskope, Palo Alto Networks, Proofpoint y Zscaler, o a un servidor de seguridad de IA construido internamente.

Para el despliegue, la función incluye modo sombra (permitir siempre, solo registrar), exclusiones por rol y despliegue por porcentaje de usuarios. También se pueden ajustar los tiempos de espera y la política de tolerancia ante fallas del servidor de seguridad.

¿Qué significa esto para las empresas en Chile y Latinoamérica?

En Chile y el resto de Latinoamérica, el freno más citado para llevar la IA generativa del piloto a producción no es el costo del modelo: es que el área legal o de seguridad no puede responder qué información salió de la organización. Con inference hooks, esa respuesta deja de ser una política escrita y pasa a ser un control técnico verificable.

Para empresas sujetas a la Ley 21.719 de protección de datos personales en Chile, o a marcos equivalentes en México, Colombia y Brasil, la diferencia práctica es que el punto de inspección queda dentro del perímetro de la empresa y no del proveedor. El veredicto lo emite un servidor propio.

¿Qué límites tiene la función hoy?

El veredicto es binario: el servidor puede permitir o denegar un prompt, pero no reescribirlo ni redactar partes de él. Eso implica que la experiencia de un usuario que pega por error un listado de clientes será un bloqueo, no una versión censurada del texto. También significa que la calidad del control depende íntegramente de las reglas que la empresa ya tenga configuradas en su servidor DLP.

La función está en beta y disponible desde hoy para clientes de Claude Enterprise, según el anuncio oficial de Anthropic.

Análisis de Revenue Hub

El patrón acá es más importante que el feature. Durante dos años, la conversación de IA en las empresas latinoamericanas se estancó en el mismo punto: comercial quiere desplegar, seguridad no firma. La respuesta habitual fue prohibir las herramientas públicas y esperar. Inference hooks mueve la discusión de «confiamos o no en el proveedor» a «qué reglas configuramos nosotros», que es una conversación que un comité de seguridad sí puede cerrar.

Para un líder comercial que está evaluando desplegar agentes de IA sobre datos de CRM, propuestas o conversaciones con clientes, la decisión concreta que esto habilita es distinta a la que parece. No se trata de comprar Claude Enterprise. Se trata de que ahora el caso de negocio puede incluir una respuesta técnica a la objeción de compliance, y eso normalmente acorta el ciclo interno de aprobación en semanas. Si tu proyecto de IA lleva meses trabado en revisión legal, este es el tipo de control que desbloquea la firma.

El riesgo a vigilar es el opuesto: un control binario mal calibrado genera falsos positivos y los usuarios se van a las herramientas personales, que es exactamente el escenario que se quería evitar. La recomendación es partir en modo sombra durante al menos un mes, medir cuántos bloqueos habrían ocurrido y con qué reglas, y recién ahí activar el bloqueo real. Revisar también qué pasa con los agentes: la inspección de respuestas de herramientas es donde está el volumen de datos, no en el chat. Puedes seguir la cobertura de gobernanza de datos y agentes en nuestra sección de IA y ventas y en el blog de Revenue Hub.