La rétention des données d’Anthropic Fable pousse Nvidia et Palantir à restreindre l’utilisation du modèle

Les règles de rétention des données d’Anthropic Fable auraient poussé Nvidia, Palantir et d’autres entreprises à restreindre le modèle malgré ses capacités avancées. Le différend a commencé après qu’Anthropic a imposé une rétention de 30 jours pour certaines activités Fable, invoquant la nécessité de détecter des usages abusifs sophistiqués.

Ces restrictions ne prouvent pas qu’Anthropic entraîne ses modèles sur des secrets d’entreprise. Anthropic affirme ne pas utiliser les données conservées pour entraîner de nouveaux modèles Claude ni à des fins sans rapport avec la sécurité. Toutefois, certains clients professionnels restent mal à l’aise avec toute conservation externe de code propriétaire, de travaux de recherche ou d’informations opérationnelles.

Cette distinction est devenue le cœur d’un différend autour de l’IA d’entreprise. Les fournisseurs de modèles veulent une visibilité suffisante pour enquêter sur des attaques se déroulant sur plusieurs interactions. Les clients veulent un contrôle contraignant des informations qui constituent leur avantage concurrentiel.

Selon les restrictions des clients, certaines entreprises réservent désormais Fable aux travaux ne traitant pas de données sensibles. D’autres souhaiteraient des garanties plus solides de zéro rétention des données avant de rendre le modèle disponible dans leurs produits.

Anthropic a déjà proposé une réponse technique appelée Enterprise Frontier Safeguards. Elle transfère l’activité conservée vers une infrastructure contrôlée par le client. Cette réponse compte, mais les restrictions rapportées montrent que l’architecture de confidentialité fait désormais partie des performances d’un modèle.

Ce que le rapport indique que les entreprises ont restreint

Le changement immédiat n’est pas une interdiction universelle de Claude dans les entreprises. Il s’agit d’un resserrement des contextes dans lesquels les nouveaux modèles Fable peuvent être jugés fiables.

The Information rapporte que Nvidia n’utilise Fable que pour des tâches n’exposant pas d’informations sensibles. Pour les travaux plus confidentiels, Nvidia se tournerait vers un système d’IA interne. Nvidia n’a pas répondu à Tom’s Hardware avant que cette publication ne publie son récit.

Palantir a adopté une position différente, car l’entreprise fournit des modèles à ses clients via son Artificial Intelligence Platform. L’entreprise ne rendrait pas Fable disponible par l’intermédiaire de ce logiciel tant qu’Anthropic n’aura pas fourni des garanties de zéro rétention des données qui ne pourront pas être retirées ultérieurement.

Les clients peuvent toujours conclure un contrat directement avec Anthropic, selon le rapport. La restriction de Palantir concerne ce qu’elle est prête à proposer et à prendre en charge au sein de sa propre plateforme.

Cette distinction est importante. Palantir intègre plusieurs fournisseurs de modèles dans des environnements où les organisations analysent des données opérationnelles sensibles. Les conditions de rétention d’un modèle peuvent donc influer sur les obligations de Palantir envers ses propres clients.

Le directeur de la technologie de Palantir, Bill Vass, aurait déclaré que l’entreprise évite Anthropic dans un petit nombre de cas impliquant de la propriété intellectuelle. Sa préoccupation ne constituait pas une preuve d’entraînement inapproprié. Il s’agissait de la possibilité qu’un code sensible soit exposé à un processus que le client ne peut pas contrôler pleinement.

Booz Allen Hamilton figurait également parmi les entreprises citées comme réduisant ou limitant l’utilisation des modèles les plus avancés d’Anthropic. Les détails publics concernant ses restrictions exactes restent limités. Cette incertitude impose une formulation prudente, car toutes les décisions sous-jacentes n’ont pas été documentées de manière indépendante.

D’autres exemples rapportés montrent comment les entreprises répartissent le travail d’IA selon la sensibilité des données. Novo Nordisk autoriserait Claude pour les documents publics et la rédaction générique, mais interdirait au modèle les informations propriétaires.

C Spire dispose de protections contractuelles empêchant OpenAI et Anthropic de s’entraîner sur ses données d’entreprise, indique le rapport. Pourtant, l’entreprise de télécommunications demeure préoccupée par les informations techniques d’utilisation que les contrats autorisent les fournisseurs à collecter.

Un grand opérateur de services publics aux États-Unis aurait annulé un test Fable prévu impliquant des infrastructures électriques essentielles. L’entreprise souhaitait un engagement irrévocable de zéro rétention des données, qu’Anthropic n’a pas fourni dans le cadre de la politique Fable initiale du modèle.

Ces cas représentent différents mécanismes de contrôle, et non un boycott coordonné. Une entreprise oriente les tâches sensibles vers des modèles internes. Une autre bloque les données propriétaires en entrée. Un fournisseur de plateforme retient le modèle pour ses clients en attendant des conditions contractuelles plus solides.

Le schéma rapporté reste néanmoins significatif. Les acheteurs professionnels traitent le choix d’un modèle comme une décision de gouvernance des données plutôt que comme une simple compétition de scores de benchmarks.

Cette approche est particulièrement pertinente lorsque les employés connectent un système d’IA à des dépôts de code source, des documents internes, des dossiers de laboratoire ou des bases de données clients. Le modèle peut recevoir des informations bien plus précieuses qu’une application professionnelle classique.

Les entreprises qui construisent déjà des systèmes interrogeables à partir de documents techniques locaux font face à une question de périmètre comparable. Elles doivent savoir quelles informations quittent leur environnement contrôlé, où elles sont envoyées et combien de temps elles restent accessibles.

Une restriction peut donc être limitée tout en ayant des conséquences commerciales substantielles. Un modèle avancé perd une grande partie de sa valeur pour l’entreprise si les employés ne peuvent pas l’appliquer aux travaux les plus importants de l’organisation.

Pourquoi la rétention des données d’Anthropic Fable a changé en juin

Anthropic a introduit la règle des 30 jours comme mesure de sécurité pour un modèle plus capable, et non comme autorisation de s’entraîner sur les prompts d’entreprise.

Anthropic a lancé Fable 5 en juin 2026 avec des protections renforcées contre les risques liés à la cybersécurité et à la biologie. L’entreprise a conclu que certaines attaques ne pouvaient pas être détectées de manière fiable en examinant une seule requête de façon isolée.

Un utilisateur malveillant pourrait répartir un projet nuisible sur de nombreux échanges. Les prompts individuels pourraient paraître ordinaires alors que leur séquence combinée révèle une tentative de contourner les garde-fous.

Anthropic a donc imposé une conservation glissante sur 30 jours des activités Fable concernées. Sa politique de lancement du modèle indiquait que ces informations serviraient à la surveillance de la sécurité et à la recherche sur les jailbreaks.

L’entreprise a également déclaré qu’elle n’utiliserait pas ces données pour entraîner de nouveaux modèles Claude ni à des fins sans rapport avec la sécurité. Anthropic a décrit des protections incluant la journalisation des accès humains et la suppression des données après 30 jours dans presque tous les cas.

C’est ici que deux concepts distincts se sont entremêlés. La rétention des données consiste à conserver des informations pendant une période définie. L’entraînement de modèle consiste à utiliser des informations pour ajuster les paramètres ou le comportement futur d’un modèle.

Un fournisseur peut conserver des prompts à des fins d’analyse de sécurité sans les utiliser pour l’entraînement. Une entreprise peut tout de même rejeter cet arrangement, car la conservation elle-même crée une exposition, des contraintes de conformité et une incertitude contractuelle.

Les pratiques de rétention publiées par Anthropic ont appliqué ce changement à des organisations utilisant déjà des configurations de zéro rétention des données pour plusieurs services concernés. Elles incluaient des espaces de travail Claude Console éligibles et certains déploiements cloud.

La zéro rétention des données, généralement abrégée ZDR, signifie qu’un fournisseur ne conserve ni les prompts ni les réponses après l’exécution de la requête. Les exclusions précises et les métadonnées techniques varient selon le service et le contrat.

Pour les acheteurs, le changement de juin a remis en question une hypothèse fondamentale. De nombreuses entreprises avaient conçu leurs contrôles d’IA en partant du principe que le trafic de modèles approuvé ne persisterait pas sur les systèmes d’un fournisseur.

La nouvelle règle est arrivée parce que Fable présentait un potentiel d’utilisation abusive plus élevé. Pourtant, sa justification sécuritaire n’a pas supprimé la charge opérationnelle imposée aux clients.

Une équipe de sécurité devait toujours identifier quels dépôts les employés pouvaient exposer. Les équipes juridiques devaient interpréter si les accords existants couvraient la nouvelle politique. Les équipes de protection de la vie privée devaient évaluer la localisation, la suppression, l’accès aux données et les scénarios de violation.

Les entreprises réglementées faisaient face à des questions supplémentaires. La rétention pouvait interagir avec des règles encadrant les dossiers de santé, les données financières, les informations de télécommunications, le secret professionnel ou la protection européenne des données.

La préoccupation ne se limitait pas aux téléversements délibérés. Les systèmes d’IA agentique peuvent récupérer des fichiers, appeler des outils, interroger des bases de données et conserver un contexte de travail pendant l’exécution d’une tâche.

Un employé pourrait demander à un agent de déboguer une application sans réaliser que le flux de travail envoie du code source, des journaux, des identifiants ou des dossiers clients. L’interface du modèle masque une grande partie de ces mouvements.

À mesure que le modèle devient plus utile, sa surface de données s’étend. Cela crée le renversement central de cette histoire : les capacités qui rendent Fable attrayant augmentent également la sensibilité de ses entrées.

La politique d’Anthropic visait à gérer les abus liés au modèle. Les clients professionnels ont interprété le même mécanisme comme une nouvelle source de risque informationnel.

Le conflit porte sur le contrôle, pas seulement sur l’entraînement des modèles

Les clients professionnels demandent qui contrôle le parcours des données lorsque la surveillance de sécurité et le travail confidentiel coexistent dans le même système.

La crainte rapportée qu’un modèle puisse « apprendre » à partir de la propriété intellectuelle d’une entreprise peut sembler imprécise. Elle peut désigner plusieurs résultats techniquement différents.

Le fournisseur pourrait entraîner un futur modèle sur le contenu du client. Il pourrait permettre à ses employés d’examiner les prompts conservés lors d’une enquête de sécurité. Il pourrait dériver des tendances d’utilisation agrégées à partir de métadonnées techniques.

Un modèle pourrait également reproduire du contenu dans une conversation stockée sans l’incorporer à l’entraînement. Chaque scénario présente des probabilités, des garanties et des conséquences juridiques différentes.

Anthropic affirme que les données d’entreprise couvertes par la règle de rétention Fable ne sont pas utilisées pour l’entraînement. OpenAI indique de même que les entrées et sorties professionnelles sont exclues de l’entraînement par défaut, sauf si les clients choisissent d’y participer.

Ces engagements répondent à une question. Ils ne répondent pas entièrement à la question de savoir où vont les métadonnées opérationnelles, qui peut accéder au contenu conservé ou si les conditions contractuelles peuvent changer.

Les données techniques d’utilisation peuvent inclure des informations sur l’activité du service sans reproduire les prompts complets. Selon leur périmètre, elles pourraient révéler quelles applications se connectent à un modèle, à quelle fréquence les équipes l’utilisent ou quelles fonctionnalités elles invoquent.

Les fournisseurs ont besoin de certaines métadonnées pour exploiter des services fiables. Les clients souhaitent néanmoins des définitions précises, car les schémas d’activité peuvent exposer des priorités commerciales.

Une hausse soudaine des appels au modèle provenant d’une division de recherche pourrait signaler une initiative non divulguée. Une nouvelle connexion à un dépôt de code source pourrait révéler l’évolution de l’allocation des ressources de développement.

Cela ne signifie pas qu’Anthropic ou OpenAI utilise les métadonnées pour concurrencer ses clients. Aucun élément vérifié présenté dans les rapports n’établit une telle conduite.

La question est de savoir si les promesses contractuelles, la conception du système et les preuves d’audit réduisent suffisamment cette possibilité pour satisfaire le seuil de risque d’un client.

L’exigence rapportée de Palantir concernant une garantie irrévocable reflète cette préoccupation. Une règle de rétention susceptible de changer ultérieurement est difficile à intégrer dans une architecture de sécurité permanente.

Le client peut passer des mois à approuver un modèle, classifier les données autorisées et intégrer le service. Une révision ultérieure de la politique peut l’obliger à recommencer ce travail ou à désactiver l’intégration.

La restriction affecte également la responsabilité. Si un incident de données se produit, une entreprise doit expliquer où les informations ont circulé et quelle partie les contrôlait.

Une déclaration générale sur l’anonymisation peut ne pas suffire à satisfaire cette obligation. Les équipes de sécurité et de conformité ont généralement besoin de connaître les durées de conservation, les modalités de chiffrement, les journaux d’accès, les mécanismes de suppression et les procédures en cas d’incident.

Cela explique pourquoi la confidentialité des modèles ne peut pas se réduire à une seule case « utilisé pour l’entraînement ». L’exclusion de l’entraînement est essentielle, mais elle ne constitue qu’une couche de la gouvernance des données en entreprise.

Les clients doivent aussi comprendre le rôle des sous-traitants, les régions cloud, la surveillance des abus, la revue humaine et le traitement des contenus signalés par les systèmes automatisés.

Une autre raison appelle à la prudence. Les restrictions rapportées reposent en grande partie sur des sources anonymes et des négociations privées avec des clients.

Nvidia n’a pas détaillé publiquement ses règles internes de routage. Booz Allen n’a pas décrit publiquement toutes les limitations qui lui sont attribuées. L’entreprise de services publics qui a annulé son essai n’a pas été identifiée.

Les lecteurs doivent donc distinguer les politiques confirmées des fournisseurs des actions rapportées de clients. La règle des 30 jours d’Anthropic est documentée. L’étendue précise des restrictions de chaque entreprise ne l’est pas.

Cette lacune de vérification ne rend pas la tendance dénuée de sens. Elle signifie que la conclusion la plus solide concerne le comportement de négociation des entreprises, et non une faute avérée d’un fournisseur d’IA.

OpenAI a fait de l’architecture de confidentialité une réponse concurrentielle

La réponse d’OpenAI a transformé la conservation nulle des données en facteur de différenciation produit plutôt qu’en terme juridique d’arrière-plan.

Anthropic n’est pas le seul à soutenir que les modèles avancés nécessitent une meilleure surveillance. OpenAI a déclaré que des risques sérieux peuvent émerger au fil d’une série d’interactions, plutôt qu’au sein d’un seul prompt.

OpenAI a toutefois proposé une architecture différente. Son système Private Safety Processing est conçu pour analyser des activités liées sans donner au personnel d’OpenAI accès au contenu sous-jacent des clients.

Dans les déploiements à conservation nulle, le contenu reste sur une infrastructure contrôlée par le client. Des systèmes automatisés peuvent l’analyser et envoyer à OpenAI un signal de sécurité limité lorsqu’ils identifient un risque.

Le système de sécurité privé d’OpenAI décrit également une alternative reposant sur un stockage du fournisseur chiffré avec des clés contrôlées par le client. Le personnel d’OpenAI ne détiendrait pas ces clés.

L’entreprise affirme que les clients API éligibles bénéficient d’un engagement clair : les prompts et les réponses ne sont pas conservés après traitement. Elle précise également que les données d’entreprise ne sont pas utilisées pour l’entraînement, sauf si le client y consent.

OpenAI identifie toujours une exception pour les images qui semblent contenir du matériel d’abus sexuels sur mineurs. Ces images peuvent nécessiter une conservation, une revue manuelle et un signalement légalement obligatoire.

Cette architecture plus large a donné aux acheteurs en entreprise un point de référence. Elle a suggéré que la surveillance de sécurité intersessions et les données contrôlées par le client ne doivent pas nécessairement s’exclure mutuellement.

Anthropic a désormais évolué dans une direction similaire avec Enterprise Frontier Safeguards, ou EFS. Le système stocke les activités pertinentes au sein d’une infrastructure cloud contrôlée par le client.

Anthropic affirme que la surveillance automatisée identifie les comportements suspects et envoie des alertes au client. Le personnel du client effectue l’examen, sauf lorsqu’un usage abusif vérifié justifie un processus différent.

L’entreprise a développé EFS avec plus de 100 clients dans des secteurs comprenant la santé, la finance, l’industrie manufacturière, le droit, les télécommunications, le commerce de détail et les administrations publiques.

Ses protections pour les entreprises doivent faire l’objet d’un déploiement progressif à partir de l’automne 2026. Anthropic indique que les clients éligibles peuvent obtenir un accès ZDR provisoire à Fable 5 et Fable 5.1.

Cette annonce complique le récit des titres. Anthropic n’insiste pas simplement pour que l’ensemble du trafic sensible de Fable demeure sur ses systèmes.

L’entreprise a reconnu le problème du contrôle par le client et proposé une architecture destinée à le résoudre. La véritable question est de savoir si le déploiement arrivera suffisamment vite et s’accompagnera de garanties suffisamment durables.

La position rapportée de Palantir suggère que la seule capacité technique ne suffira pas à conclure toutes les négociations. Les grands clients souhaitent également des clauses contractuelles empêchant le fournisseur de retirer ultérieurement ces protections.

L’approche d’OpenAI accentue la pression concurrentielle, car les clients peuvent comparer les conditions de confidentialité avec la précision, la latence, le coût et les capacités des modèles.

Palantir et certains autres clients auraient obtenu un accès ZDR au GPT-6 Astra d’OpenAI. Palantir est donc disposé à proposer ce modèle tout en retenant Fable sur sa plateforme, selon The Information.

Cette comparaison ne prouve pas que le système d’OpenAI soit plus sûr à tous égards. Private Safety Processing était encore testé auprès de premiers clients lors de son annonce.

Son efficacité dépend de la capacité de la surveillance automatisée à identifier des abus complexes sans exposer le contenu. OpenAI n’avait pas encore publié le livre blanc technique promis lorsque l’annonce initiale est parue.

Le système d’Anthropic fait face à une épreuve similaire. EFS doit fonctionner dans des environnements cloud contrôlés par les clients tout en préservant des protections utiles et des exigences de déploiement gérables.

Les deux fournisseurs tentent de résoudre le même conflit par l’isolement technique. Leur concurrence dépendra des détails de mise en œuvre, de la validation indépendante et de la solidité des engagements contractuels.

Le dossier de sécurité d’Anthropic mérite toujours un examen attentif

Les clients ne doivent pas supposer qu’une conservation de 30 jours ou une conservation nulle produit automatiquement un déploiement sécurisé.

L’argument de sécurité d’Anthropic repose sur une base technique claire. Les attaques coordonnées peuvent être difficiles à identifier lorsque chaque prompt est évalué séparément.

Un utilisateur qui sonde les protections de cybersécurité pourrait répartir ses demandes entre plusieurs sessions ou comptes. Un classificateur automatisé a besoin d’un contexte plus large pour reconnaître ce schéma.

La conservation peut aussi appuyer les enquêtes lorsqu’un nouveau jailbreak apparaît. Les chercheurs peuvent examiner les interactions antérieures et déterminer comment un attaquant a progressé dans le système.

Ces avantages nécessitent néanmoins des preuves. Anthropic a décrit la logique de sa politique, mais les observateurs externes ne disposent pas d’informations complètes sur la mesure dans laquelle les contenus conservés améliorent réellement la détection.

La fréquence à laquelle des réviseurs humains doivent examiner les prompts complets des clients n’est pas non plus claire. Un signal automatisé limité crée une exposition différente d’un accès régulier aux contenus bruts.

Anthropic affirme que ses contrôles consignent les accès humains et limitent les données conservées aux finalités de sécurité. Les entreprises chercheront probablement des preuves d’audit étayant ces affirmations.

EFS modifie la conception en confiant la responsabilité de l’examen aux clients. Cela protège la confidentialité, mais peut aussi transférer une charge opérationnelle aux équipes de sécurité qui gèrent déjà de nombreuses alertes.

Les organisations devront décider qui examine les activités signalées, à quelle vitesse elles réagissent et dans quelles circonstances elles partagent des éléments avec Anthropic. Des contrôles insuffisamment dotés peuvent exister sur le papier sans fonctionner efficacement.

Les faux positifs posent un autre défi. Les chercheurs légitimes en sécurité discutent régulièrement de malwares, de vulnérabilités, de techniques d’exploitation et de tests défensifs.

Un système automatisé peut confondre une recherche autorisée avec une activité malveillante. Des protections trop agressives pourraient bloquer des travaux utiles ou déclencher des enquêtes internes inutiles.

Les faux négatifs présentent le risque inverse. Un attaquant sophistiqué pourrait répartir une activité nuisible entre des identités, des fournisseurs ou des systèmes auto-hébergés, sans qu’aucun outil de surveillance ne dispose d’un contexte suffisant.

Le lieu de stockage ne résout pas ce problème à lui seul. Les protections doivent identifier les relations entre les événements sans créer un système de surveillance plus vaste.

Les clauses contractuelles exigent également un examen attentif. Une promesse réservée aux seuls clients éligibles laisse les petites organisations dans l’incertitude quant à l’équivalence de leur protection.

Une exception provisoire peut réduire le risque immédiat tout en étant moins fiable qu’une clause contractuelle permanente. Les clients doivent savoir si l’accès peut être révoqué et dans quelles conditions.

Les restrictions attribuées à Nvidia et Palantir peuvent donc refléter une position rationnelle en matière d’achats, plutôt que de la « paranoïa ». Les organisations sensibles limitent souvent un service jusqu’à ce que ses contrôles passent l’examen technique et juridique.

Toutefois, les entreprises peuvent aussi exagérer le danger. La conservation ne démontre pas qu’un fournisseur vole de la propriété intellectuelle ou entraîne secrètement ses modèles sur des informations clients.

Anthropic a explicitement nié utiliser les données d’entreprise conservées par Fable pour entraîner de nouveaux modèles Claude. Aucun élément crédible dans les informations disponibles ne contredit cette affirmation.

La conclusion responsable se situe entre ces deux extrêmes. Les clients ne doivent pas considérer l’exclusion de l’entraînement proposée par un fournisseur comme une garantie complète de confidentialité. Ils ne doivent pas non plus présenter la conservation comme une preuve d’entraînement non autorisé.

La réponse pratique est la séparation des charges de travail. La recherche publique, la rédaction générique et les analyses de faible sensibilité peuvent emprunter une voie.

Le code source, la recherche clinique, les dossiers clients, les plans stratégiques et les infrastructures critiques peuvent exiger le ZDR, un stockage contrôlé par le client, un modèle privé ou l’absence totale de modèle externe.

C’est déjà ainsi que fonctionnent plusieurs clients mentionnés dans les informations publiées. La décision de politique suit les données, pas le nom de la marque.

Ce que les acheteurs d’IA en entreprise doivent surveiller ensuite

La prochaine phase se mesurera à travers les conditions de déploiement et le comportement des clients, non par une nouvelle série de promesses sur la confidentialité.

Le premier signal sera le déploiement d’EFS par Anthropic. Les clients doivent observer si le système devient largement disponible à l’automne 2026 et comment l’éligibilité est définie.

Un déploiement réussi renforcerait l’affirmation d’Anthropic selon laquelle la surveillance des abus avancés peut coexister avec un stockage contrôlé par le client. Des retards ou un accès restreint renforceraient les préoccupations rapportées.

Les acheteurs doivent examiner où l’activité est stockée, qui détient les clés de chiffrement et quels signaux automatisés quittent l’environnement du client. Ils ont également besoin de procédures documentées de suppression et de réponse aux incidents.

Le deuxième signal est la pérennité des engagements de conservation nulle des données. Palantir souhaiterait, selon certaines informations, l’assurance qu’Anthropic ne pourra pas les révoquer ultérieurement.

Si Anthropic propose des conditions ZDR durables pour les déploiements Fable, Palantir pourrait reconsidérer sa restriction. Un désaccord persistant montrerait que l’obstacle est contractuel, et pas seulement technique.

Le troisième signal est l’adoption concurrentielle. Private Safety Processing d’OpenAI doit démontrer qu’il peut détecter les abus sur plusieurs interactions tout en maintenant le contenu client inaccessible au personnel du fournisseur.

Une publication technique solide, une évaluation indépendante ou un déploiement majeur dans un secteur réglementé renforceraient la position d’OpenAI. De faibles résultats de détection appuieraient l’argument initial d’Anthropic en faveur d’une conservation côté fournisseur.

Les entreprises doivent également surveiller si le routage des modèles devient la norme. Les organisations pourraient choisir de plus en plus différents modèles selon la classification des données, plutôt que de déclarer un seul fournisseur approuvé pour chaque tâche.

Cette organisation favorise les plateformes capables de basculer entre des modèles hébergés, contrôlés par le client et exploités en interne. Elle réduit également la dépendance aux conditions changeantes d’un fournisseur.

Le différend a déjà modifié les achats d’IA en entreprise. La suprématie aux benchmarks ne suffit plus lorsque le meilleur modèle ne peut pas recevoir les données nécessaires à la mission à plus forte valeur.

La conservation des données de Fable par Anthropic a mis en lumière un difficile compromis entre confidentialité et surveillance de la sécurité. Anthropic affirme que la conservation aide à se défendre contre de nouvelles attaques. Les clients disent que leurs informations les plus précieuses doivent rester sous leur contrôle.

EFS et Private Safety Processing offrent désormais des réponses concurrentes. Tous deux promettent une analyse de sécurité sans accès habituel du fournisseur au contenu des clients. Aucun ne devrait être accepté sans preuves de déploiement ni conditions applicables.

Pour les acheteurs en entreprise, la mesure immédiate est simple. Cartographiez chaque flux de travail d’IA en fonction des données qu’il peut exposer, puis vérifiez séparément le stockage, l’accès, l’entraînement, les métadonnées et la suppression.

Demandez-vous si chaque promesse résiste à une mise à jour des politiques. Si la réponse reste floue, limitez la charge de travail jusqu’à ce que le contrat et l’architecture établissent une frontière fiable.