La question que soulève le plus souvent l’intelligence artificielle est aussi celle qui nous touche le plus directement : que va-t-elle faire de mon métier ? Deux visions s’opposent généralement. D’un côté, ceux qui prédisent que l’IA remplacera massivement les travailleurs. De l’autre, ceux qui la considèrent comme un simple outil de productivité supplémentaire. Deux visions tout aussi réductrices.

Certes, l’IA fera disparaître certaines tâches et certains métiers. Mais lorsque la technologie permet d’accomplir un travail à forte valeur ajoutée plus rapidement et à moindre coût, la demande tend souvent à se déplacer et à s’élargir autour de lui. La révolution industrielle ne s’est pas limitée à remplacer la force humaine par des machines. Elle a démultiplié la production et fait émerger de nouveaux besoins en ingénierie, en transport ferroviaire et en logistique, tout en donnant naissance à des métiers entièrement nouveaux. L’IA commence à produire des effets similaires, bien au-delà de ses applications immédiates.

La question n’est donc pas tant de savoir quels emplois l’IA va supprimer, mais plutôt quelles activités elle va alléger, lesquelles elle va développer et comment les organisations doivent s’adapter à cette nouvelle donne.

Cet enjeu est particulièrement important en cybersécurité, où l’IA est souvent présentée comme une solution pour automatiser certaines tâches et soulager des équipes déjà surchargées. Pourtant, la sécurité opérationnelle ne se limite pas à un ensemble de tâches qu’il suffirait d’exécuter plus efficacement. Elle s’inscrit dans une confrontation permanente avec des adversaires qui adaptent sans cesse leurs stratégies.

Chaque nouveau moyen d’action peut ainsi mettre en lumière de nouveaux risques, multiplier les décisions à prendre et renforcer le besoin d’expertise et de discernement humains. Pour les responsables de la sécurité, le véritable défi n’est donc pas tant de déterminer combien de tâches l’IA peut automatiser, mais de repenser l’organisation de la fonction sécurité autour du travail qui augmente à mesure que l’automatisation progresse.

Distinguer les tâches automatisables par IA… et celles qu’elle démultiplie

Certaines tâches peuvent être automatisées grâce à l’IA, qui permet de réduire l’intervention humaine, voire de la supprimer totalement. C’est notamment le cas de la saisie de données, de la production de rapports récurrents, des analyses simples ou de certaines tâches administratives. Lorsque le volume de travail reste constant, les gains d’efficacité sont colossaux sur ce type de tâche.

À l’inverse, certaines tâches sont rendues plus lourdes avec l’avènement de l’IA.
C’est ce que Geoffrey Hinton décrit à travers le concept d’« élasticité de l’IA » : loin de réduire systématiquement le besoin d’activité humaine, l’intelligence artificielle peut au contraire accroître le volume de travail autour de la tâche automatisée.

La radiologie en est une bonne illustration, comme l’expliquait le média spécialisé Cancerworld. Initialement, on pensait que l’IA rendrait l’analyse des images médicales si efficace qu’elle réduirait le nombre de radiologues nécessaires.

Mais c’est l’inverse qui s’est produit : en rendant les examens plus rapides et moins coûteux, elle a contribué à en augmenter le nombre. Cette hausse s’est accompagnée de davantage de résultats à interpréter, d’examens complémentaires, de contrôles qualité et d’échanges avec les médecins et les patients. Le travail a changé, mais il n’a pas disparu.

La supervision humaine, le respect des normes et la responsabilité des professionnels restent indispensables à une utilisation sûre de l’IA. Celle-ci permet ainsi de réduire les délais et d’améliorer la productivité, tout en renforçant le rôle du jugement médical et de la gouvernance.

Cette distinction s’applique à l’ensemble des métiers de l’entreprise. Dans les fonctions commerciales, l’IA peut alléger le suivi des indicateurs, les recherches et les tâches administratives, tout en renforçant la valeur des échanges personnalisés avec les clients. Dans les ressources humaines, elle peut automatiser la présentation des avantages sociaux et la production de rapports, tout en accentuant le besoin d’accompagnement des salariés face aux transformations de leur environnement professionnel. Il est donc essentiel de raisonner en termes de tâches plutôt que de métiers.

En cybersécurité, le travail ne devient pas seulement plus “élastique” : il change d’échelle

En cybersécurité, le volume de travail est pratiquement illimité dans le contexte actuel. Plus les entreprises gagnent en visibilité sur des volumes de données toujours plus importants, plus elles détectent de signaux nécessitant une analyse. Cette multiplication des alertes entraîne davantage d’investigations, de décisions à prendre, d’actions correctives et de coordination avec les équipes métiers. Ainsi, même si l’IA permet d’analyser chaque alerte plus rapidement, elle peut paradoxalement accroître le volume global de travail à forte valeur ajoutée.

À la différence de la médecine, où la maladie ne s’adapte pas aux traitements grâce à l’IA, la cybersécurité affronte des adversaires qui exploitent cette technologie pour automatiser leurs attaques, personnaliser leurs techniques d’ingénierie sociale et ajuster leurs tactiques en fonction des défenses rencontrées. L’IA accélère ainsi les attaques et les rend plus sophistiquées, tout en renforçant les moyens de défense. Elle contribue donc à multiplier à la fois les signaux pertinents et les informations parasites, compliquant le travail des équipes de sécurité.

C’est pourquoi, face à des adversaires qui évoluent constamment, les besoins en cybersécurité ne cessent de croître. Si l’IA permet d’automatiser le traitement des alertes les plus courantes, elle accroît parallèlement le besoin d’investigations approfondies, de chasse aux menaces, d’ingénierie, d’évaluation des risques et de coordination avec les équipes métiers. Les erreurs peuvent avoir de lourdes conséquences, tout comme les menaces qui passent inaperçues. Et la responsabilité des décisions ne peut être confiée à un modèle d’IA.

L’objectif n’est donc pas de remplacer les analystes, mais de leur permettre de se concentrer sur les missions où leur jugement compte le plus.

Transformer le SOC en organisation d’ingénierie

Cette évolution implique également de repenser en profondeur les organisations SecOps, à l’image de la transformation qu’a connue l’informatique avec l’émergence du DevOps. En remplaçant les processus traditionnels, souvent lents et rigides, par des cycles de développement plus courts, des équipes agiles et une logique d’amélioration continue, le DevOps a profondément changé les pratiques. Les équipes SecOps doivent aujourd’hui engager une transformation comparable.

Les assistants IA prendront progressivement en charge une part croissante des tâches de corrélation des données, d’enrichissement des alertes et d’analyse de premier niveau. Le rôle des analystes ne se limitera donc plus au traitement des alertes, qu’elles soient de niveau 1, 2 ou 3. Ils évolueront vers des fonctions d’ingénieurs SecOps, chargés de mener desinvestigations, d’orchestrer les opérations de sécurité, de tester, de superviser et d’améliorer en continu les systèmes.

Cette transformation fera également évoluer les parcours professionnels. Plutôt que de passer des années à se former en traitant des alertes répétitives, les futurs experts pourront développer leurs compétences grâce à l’apprentissage sur le terrain, au mentorat et à leur intégration dans des équipes associant expertise humaine et intelligence artificielle.

Un changement d’autant plus urgent que les échanges entre attaquants et défenseurs s’accélèrent, sous l’effet de systèmes toujours plus autonomes. Si les humains continuent de définir les objectifs, les contraintes et les mécanismes de contrôle, les attaques et les réponses peuvent désormais se dérouler directement de machine à machine, à une vitesse qui dépasse celle de l’intervention humaine. Cela ne signifie pas que l’humain perd sa place, mais que sa responsabilité se déplace en amont. Il lui revient désormais de concevoir des architectures résilientes, vérifier les résultats produits par l’IA, définir des garde-fous et déterminer les actions que les systèmes sont autorisés à entreprendre.

Les dirigeants doivent donc commencer par distinguer trois catégories d’activités : celles que l’IA permet d’automatiser, celles dont elle augmente le volume et celles dont elle démultiplie la complexité et le volume, notamment en cybersécurité. L’enjeu est d’automatiser les premières, de renforcer les ressources consacrées aux deuxièmes et de faire des troisièmes une véritable priorité stratégique.

Cette évolution implique également de repenser les métiers, les parcours de formation et les responsabilités, dans un environnement où l’IA génère toujours plus de résultats et de décisions, avec des conséquences de plus en plus rapides.

L’avenir du travail ne se résumera pas à une opposition entre l’humain et la machine. Il dépendra de la capacité des organisations à automatiser les tâches qui peuvent l’être, tout en préservant les ressources et les compétences nécessaires aux activités créatrices de valeur. En cybersécurité, cette transformation est déjà engagée.

Les organisations qui sauront en tirer le meilleur parti ne seront pas celles qui utiliseront l’IA pour réduire les effectifs de leur SOC, mais celles qui en feront un levier pour renforcer l’efficacité, l’expertise et la responsabilité de leurs équipes de sécurité.

*Sam Curry, Senior est Vice President et RSSI de Zscaler

The post SecOps : l’IA exigera plus d’expertise humaine, pas moins appeared first on Silicon.fr.

En observant les annonces des dix-huit derniers mois, un constat s’impose. Éditeurs de cybersécurité, spécialistes de l’API Management, plateformes de données, fournisseurs cloud et acteurs nés avec l’IA développent des fonctions qui répondent aux mêmes problématiques. Leur objectif : contrôler les appels aux modèles de langage, appliquer des politiques de sécurité, maîtriser les coûts et gouverner les agents, tout en traçant leurs interactions et en limitant la dépendance à un fournisseur unique.

Tous cherchent, avec des approches différentes, à devenir le point de contrôle entre le système d’information et l’IA.

Dans l’histoire des infrastructures IT, ce type de convergence a souvent annoncé l’émergence d’une nouvelle catégorie de logiciels. Mais elle peut aussi annoncer autre chose : une course où chaque acteur tente d’imposer son propre control plane, au risque de recréer, autour de l’IA, la fragmentation que les AI Gateways sont précisément censés résoudre.

Les éditeurs cyber veulent protéger les agents

Les plateformes de cybersécurité ont été conçues pour protéger des utilisateurs, des postes de travail, des serveurs ou des applications. L’essor des agents IA introduit une nouvelle catégorie d’entités numériques : elles disposent de droits d’accès, utilisent des identités techniques, consultent des données et exécutent des actions de façon autonome. Elles deviennent donc elles-mêmes une nouvelle surface d’attaque.

Le cas de Palo Alto Networks illustre bien cette bascule, avec un calendrier resserré. En mars 2026, l’éditeur lance Prisma AIRS 3.0, avec un module « AI Agent Gateway » alors en accès limité. Fin avril, il annonce son intention de racheter Portkey, l’un des éditeurs d’AI Gateway les plus établis ; l’acquisition est finalisée le 29 mai. Six semaines plus tard, le 22 juillet, il annonce la disponibilité générale de Prisma AIRS AI Gateway, qui intègre directement la technologie de Portkey.

Dans sa communication, Palo Alto Networks avance un chiffre destiné à illustrer l’accélération du phénomène. Selon les données observées par l’éditeur, la part du trafic réseau d’entreprise liée au protocole MCP serait passée de 11 % fin 2025 à plus de 41 % à la mi-2026. Un chiffre fourni par l’éditeur, à considérer comme un indicateur de tendance plutôt que comme une mesure indépendante du marché.

CrowdStrike suit une trajectoire différente, centrée sur l’identité des agents. En juin dernier, l’éditeur lance « Continuous Identity for AI Agents », une fonctionnalité de Falcon issue de la technologie de SGNL, rachetée pour 740 millions $. Le principe est de réévaluer en permanence les droits d’un agent, action après action, plutôt que de lui accorder un accès permanent. CrowdStrike ne cherche toutefois pas à devenir lui-même une AI Gateway. L’éditeur mise sur une stratégie d’écosystème, avec des intégrations à plusieurs gateways, dont Kong, LiteLLM, Databricks, Microsoft Azure, TrueFoundry et Google Cloud

Cisco avance sur un terrain proche avec Duo, qui traite désormais l’agent comme un objet d’identité à part entière, avec ses propres règles d’authentification et son propre cycle de vie. Zscaler, enfin, a présenté en juin 2026 ce qu’il revendique comme la première plateforme Zero Trust complète pour l’IA agentique, avec un « AI Broker » pour l’accès aux agents et un « AI Access Graph » pour cartographier les liens entre identités, applications et données. Une extension directe de sa logique réseau historique aux flux agent-à-agent et aux appels MCP, plus difficiles à intercepter que du trafic utilisateur classique.

Ces trajectoires différentes traduisent une même logique : chaque cyberéditeur cherche à prolonger son point de contrôle historique jusqu’aux agents. L’AI Gateway devient ainsi l’une des nouvelles interfaces de la logique Zero Trust où l’on vérifie non seulement qui est autorisé à agir mais aussi ce que l’agent peut faire et dans quel contexte.

Les spécialistes des API veulent éviter d’être contournés

Pour les acteurs de l’API Management, la problématique est différente. Depuis quinze ans, les API Gateway occupent une place stratégique dans les systèmes d’information : une part importante des échanges applicatifs y transite, et les équipes d’architecture y définissent l’authentification, la limitation de débit, la supervision et le routage.

L’IA pourrait remettre en cause cette position. Si les développeurs appellent directement les modèles de langage sans passer par l’infrastructure existante, une partie croissante des échanges risque d’échapper aux plateformes de gouvernance déjà en place. Les spécialistes des API cherchent donc à étendre leur périmètre plutôt qu’à laisser une infrastructure parallèle émerger.

L’exemple de Kong est représentatif : l’éditeur présente son AI Gateway comme une extension de plugins sur sa plateforme Kong Konnect existante. Les flux applicatifs continuent de transiter par la même infrastructure, mais sont désormais aussi dirigés vers des modèles de langage, avec les mêmes mécanismes d’authentification et de quotas déjà en place pour les API classiques.

Google fait évoluer Apigee dans une direction similaire, en l’articulant à la nouvelle plateforme d’agents que le groupe a lancée en avril 2026 en rebaptisant Vertex AI en Gemini Enterprise Agent Platform. Un changement qui va au-delà du nom, puisqu’il absorbe aussi Agentspace et repositionne l’ensemble autour de la construction, du déploiement et de la gouvernance d’agents plutôt que du seul entraînement de modèles.

D’autres éditeurs d’API Management plus spécialisés, comme Gravitee, Tyk ou WSO2, suivent une trajectoire comparable en ajoutant des fonctions de routage LLM, de gouvernance MCP et de suivi des coûts d’inférence à leurs plateformes existantes.

Le principe reste le même dans tous les cas : réutiliser les mécanismes déjà déployés pour les API ( authentification, quotas, journalisation, observabilité ) plutôt que de les faire reconstruire par chaque équipe projet pour l’IA. L’IA ne crée pas une infrastructure parallèle ; elle prolonge l’architecture existante.

Les plateformes de données veulent rapprocher les agents des données

Une troisième famille avance avec une approche différente : les plateformes de données. La conviction est que la valeur de l’IA ne réside pas uniquement dans le modèle, mais surtout dans les données auxquelles il accède.

Snowflake en fournit une première illustration. Fin mai 2026, l’éditeur annonce l’acquisition de Natoma, spécialiste de la gouvernance du protocole MCP. Deux mois plus tard, il lance Cortex AI Gateway pour contrôler les interactions des agents avec les modèles, les outils, les serveurs MCP et les données de l’entreprise.

La solution s’adresse aussi bien aux agents natifs de Snowflake qu’à ceux développés sur des plateformes tierces comme Claude Code ou Cursor, et s’intègre notamment avec Okta, SailPoint et 1Password pour la gestion des identités.

Databricks suit une trajectoire comparable avec Unity AI Gateway. Construit sur Unity Catalog, le service transpose aux modèles et aux agents les mécanismes de gouvernance déjà appliqués aux données : permissions, traçabilité et audit. Il ajoute des fonctions spécifiques à l’IA, comme le contrôle des dépenses, le routage entre fournisseurs et la prévention des fuites de données personnelles.

Databricks revendique déjà plusieurs milliers de clients utilisant Unity AI Gateway, dont Rivian, Asana et Edmunds. Selon l’éditeur, plus d’un quadrillion de tokens ont transité par la gateway au cours des douze derniers mois.

L’éditeur a par ailleurs choisi une approche ouverte en intégrant à Unity AI Gateway des spécialistes de la sécurité, dont CrowdStrike, Palo Alto Networks et Zscaler. L’objectif est de permettre aux entreprises de conserver leurs outils de sécurité existants tout en les appliquant aux interactions avec les modèles, les agents et les outils. Une logique d’écosystème qui contraste avec les plateformes cherchant à intégrer l’ensemble des fonctions de sécurité en interne.

Les annonces successives de Snowflake et Databricks montrent que la gouvernance des agents est en train de devenir un nouveau terrain de concurrence pour les plateformes Data & IA. Leur avantage est de pouvoir prolonger vers les modèles et les agents les politiques de contrôle déjà appliquées aux données, sans nécessairement ajouter une couche de gouvernance indépendante.

Les hyperscalers avancent en ordre dispersé

Une quatrième famille d’acteurs, les hyperscalers, aborde le problème sous un angle différent : intégrer les fonctions de gouvernance de l’IA à leur propre environnement plutôt que de les vendre comme un produit autonome.

AWS a lancé Amazon Bedrock AgentCore Gateway, qui fournit un point d’accès unique aux agents pour accéder à des outils, des serveurs MCP et d’autres agents via A2A. La plateforme peut également router les requêtes vers différents fournisseurs de modèles et connecter des services comme Salesforce, Slack, Jira ou Asana.

Microsoft combine deux briques complémentaires. Azure API Management fournit les fonctions d’AI Gateway, tandis qu’Entra Agent ID, disponible généralement depuis mai 2026, attribue une identité propre aux agents et permet d’en contrôler les accès, y compris lorsqu’ils sont construits sur des plateformes tierces.

Google a choisi une approche plus intégrée. Avec le lancement de Gemini Enterprise Agent Platform, qui succède à Vertex AI, l’éditeur regroupe dans une même plateforme la construction, le déploiement et la gouvernance des agents, plutôt que de présenter l’AI Gateway comme une brique autonome.

L’avantage de cette approche est net pour une DSI déjà engagée sur un cloud donné : l’identité, la facturation et une partie de l’observabilité restent dans le même environnement, sans couche supplémentaire à opérer. La contrepartie l’est tout autant : dans un contexte multicloud, ces trois approches ne se substituent pas les unes aux autres, et une entreprise utilisant AWS, Azure et Google Cloud simultanément peut se retrouver avec trois mécanismes de gouvernance de l’IA distincts plutôt qu’une couche transverse unique.

Les acteurs AI-native : les pionniers de la gateway IA

Une dernière catégorie est née directement avec les applications d’IA. Des acteurs comme LiteLLM, Helicone, OpenRouter ou Portkey ont construit leurs offres autour de besoins apparus avec les LLM : router les requêtes entre plusieurs modèles et fournisseurs, suivre la consommation, gérer les clés et les coûts ou observer les interactions des agents.

Portkey illustre toutefois la difficulté pour ces spécialistes de conserver leur indépendance lorsque le marché se structure. Racheté par Palo Alto Networks en mai 2026, l’éditeur montre comment les fonctions développées par les acteurs AI-native peuvent être progressivement intégrées à des plateformes plus larges de cybersécurité, d’API Management, de données ou de cloud.

Ce que révèle cette convergence

Le rapprochement de ces cinq familles d’acteurs montre que l’AI Gateway devient une couche stratégique de contrôle de l’IA. Mais cette convergence ne conduira pas forcément à une gateway unique : le marché pourrait plutôt voir coexister plusieurs briques capables de coopérer.

Pour les DSI, la question sera donc de savoir où placer le point de contrôle principal et comment faire interagir les autres briques avec lui. Faute de coordination, la multiplication des offres pourrait paradoxalement recréer une nouvelle fragmentation de la gouvernance de l’IA.

The post AI Gateway : la bataille pour le contrôle de l’IA appeared first on Silicon.fr.

Zscaler rachète Symmetry Systems, une société spécialisée dans la cartographie des identités et des accès aux données. La transaction doit se finaliser dans les prochains jours.

Les agents IA se multiplient dans les entreprises. Leur gouvernance ne peut plus reposer sur les mêmes mécanismes que ceux prévus pour les utilisateurs humains. Ces agents opèrent de façon autonome, utilisent des identités éphémères et héritent de permissions. Ils créent ainsi des angles morts difficiles à gérer pour les équipes de sécurité.

Zscaler parie que le contrôle des flux entre identités et données constituera le nouveau périmètre de sécurité. Les approches traditionnelles centrées sur les endpoints ou le réseau montrent leurs limites.

Symmetry Systems a développé une technologie appelée « access graph ». Elle ingère les journaux d’accès provenant d’applications SaaS, de services cloud, de bases de données et de systèmes IA. Elle produit ensuite une cartographie des relations entre identités ( humaines ou non) et les ressources qu’elles consultent.

Zscaler va intégrer cette cartographie à sa plateforme Zero Trust Exchange. Les équipes de sécurité pourront alors identifier quel agent a accédé à quoi, pourquoi, et pour le compte de qui. En cas de comportement suspect, la plateforme applique des politiques pour limiter l’exposition.

Parmi les cas d’usage concrets évoqués : définir des permissions minimales par agent, tracer une donnée à travers une chaîne de sous-agents, évaluer l’étendue d’une compromission en quelques secondes, ou déclencher une réponse automatique face à une anomalie.

The post Zscaler rachète Symmetry Systems pour sécuriser les agents IA appeared first on Silicon.fr.

Dix ans après avoir entamé sa transition vers une architecture Zero Trust, Alstom annonce l’extension de son partenariat avec Zscaler. L’occasion pour le groupe, spécialisé dans la mobilité ferroviaire, de revenir sur un chantier technologique de fond et d’en détailler les prochaines étapes.

D’une infrastructure héritée à un modèle distribué

Au départ, le constat est classique pour un groupe de cette taille : une infrastructure de sécurité périmétrique reposant sur des VPN, des pare-feu et des environnements VDI, difficile à faire évoluer au rythme des opérations internationales.

« La transformation de notre sécurité a commencé avec un objectif clair : offrir à tous nos collaborateurs, où qu’ils soient, un accès sécurisé aux applications d’entreprise », résume Yann Barera, Global Head of Network chez Alstom.

La complexité s’est encore accentuée au fil des fusions-acquisitions et cessions qui ont rythmé la vie du groupe ces dernières années, rendant la gestion d’une infrastructure centralisée d’autant plus difficile à tenir. Le passage à une architecture ZTNA (Zero Trust Network Access) a permis à Alstom de remplacer progressivement ces mécanismes d’accès hérités et de standardiser les connexions aux applications métier, quel que soit le lieu de travail des collaborateurs.

Des besoins qui s’élargissent : sites industriels, terrain, IA

Au-delà de la sécurisation des postes de travail, Alstom étend aujourd’hui son usage à d’autres périmètres. Les agences et usines font l’objet d’un déploiement spécifique pour connecter et sécuriser les équipements IoT et OT dans le cadre des politiques de sécurité du groupe.

Côté terrain, le développement de l’activité de maintenance impose de nouvelles contraintes. Les techniciens intervenant dans des environnements sans Wi-Fi stable doivent pouvoir accéder aux systèmes d’information via le réseau mobile. Alstom a pour cela déployé une solution de connectivité cellulaire sécurisée (Z-SIM).

L’essor des outils d’intelligence artificielle en entreprise ouvre un nouveau front. « Avec la montée en puissance de l’IA, il nous fallait des fonctionnalités supplémentaires pour encadrer les nouveaux usages », indique Yann Barera. Alstom a ainsi adopté un module de prévention des fuites de données spécifiquement orienté vers les usages GenAI, dans l’objectif de maintenir une visibilité sur les flux et de protéger la propriété intellectuelle.

Monitoring de l’expérience réseau en temps réel

Pour réduire les délais de résolution lors d’incidents réseau, les équipes IT d’Alstom s’appuient sur un outil de supervision qui agrège des indicateurs en temps réel sur l’état du réseau et des terminaux. « Nous nous appuyons également sur les fonctions de monitoring pour améliorer en continu la qualité de notre réseau », précise Yann Barera.

L’ensemble de ces déploiements témoigne d’une évolution progressive mais cohérente : partir d’une problématique d’accès sécurisé pour les collaborateurs, puis étendre le modèle aux sites, aux équipements industriels et désormais aux usages IA. Le tout sans reconstruire l’infrastructure à chaque fois.

Photo : © DR

The post Alstom : dix ans de migration vers le Zero Trust appeared first on Silicon.fr.

Chaque grande rupture technologique suit un schéma bien connu : la promesse est séduisante, l’adoption s’accélère, la pression concurrentielle s’intensifie, et la sécurité arrive toujours en dernier.

Ce fut déjà le cas avec le cloud public. Concept vaste et mal défini, ayant une signification différente selon les organisations, l’adoption du cloud a créé à la fois des opportunités et des inquiétudes. Les entreprises établies ont souvent été prises de court, soit exposées par des concurrents plus agiles, soit surprises par des initiatives de shadow IT opérant en dehors du contrôle centralisé. Le résultat mêle alors peur, ambiguïté et posture de sécurité incertaine.

C’est aujourd’hui le même schéma avec l’intelligence artificielle. Mais cette fois, les choses vont encore plus vite, sont gérées à une plus grande échelle et avec des enjeux bien plus élevés. L’IA n’est pas une technologie unique. Il s’agit d’une évolution par vagues, et la mauvaise compréhension de ces vagues constitue actuellement l’un des plus grands risques pour les entreprises.

Les trois vagues de l’IA : pourquoi elles comptent pour la sécurité

La première vague de l’IA s’est concentrée sur l’analytique prédictive : data lakes, reconnaissance de motifs à grande échelle et machine learning opérant principalement en arrière-plan. Pour de nombreuses organisations, cette adoption s’est faite discrètement, sans véritable supervision au niveau des conseils d’administration. Du point de vue de la sécurité, ces systèmes représentaient essentiellement un problème de protection des données : il s’agissait de s’assurer que les informations sensibles ne soient ni divulguées ni utilisées de manière abusive.

La deuxième vague, l’IA générative, a tout changé. Lorsque des outils capables de produire du texte, du code et des images de type humain sont entrés dans le domaine public, l’IA est devenue du jour au lendemain un sujet central de discussion. Cependant, cette visibilité a eu un coût. L’IA générative a été regroupée dans un concept unique et trop large d’« IA », masquant des différences critiques dans les profils de risque et les contrôles de sécurité. Les équipes de sécurité ont réagi de manière prévisible en se concentrant sur ce qui était le plus visible.

Mais c’est la troisième vague, l’IA agentique, qui modifie fondamentalement le paysage des menaces.

IA agentique : lorsque les systèmes agissent, et ne se contentent plus d’assister

Les systèmes d’IA agentique ne se contentent pas d’analyser ou de générer du contenu : ils agissent. Ils se connectent directement aux systèmes métier, prennent des décisions et déclenchent des workflows. De plus en plus, ils le font de manière semi-autonome, avec une supervision humaine limitée. Il ne s’agit pas d’un futur théorique.

L’IA prédictive et l’IA générative sont fondamentalement des problèmes d’échange de données. L’IA agentique est un problème d’intégrité comportementale et d’intégrité des systèmes. Dès que des agents d’IA sont autorisés à interagir avec des plateformes ERP, des systèmes financiers, des workflows logistiques ou des environnements clients, le périmètre d’impact d’une compromission s’étend considérablement.

Les parallèles avec les premières évolutions d’Internet sont frappants. Les sites web statiques ont laissé place à des applications dynamiques pilotées par des bases de données. Soudainement, les injections SQL sont devenues une menace dominante. L’automatisation a exposé de nouveaux vecteurs d’attaque. Chaque évolution architecturale a introduit des risques que les équipes de sécurité n’étaient pas encore équipées pour gérer. L’IA agentique représente un point d’inflexion similaire.

L’angle mort : contrôle interne vs réalité externe

On note alors non pas un manque d’investissement, mais un excès de confiance mal placé.

En d’autres termes, les organisations pensent être sécurisées parce qu’elles contrôlent ce qui se passe à l’intérieur de leurs propres infrastructures, tout en négligeant l’écosystème en expansion constitué de partenaires, de plateformes et de chaînes d’approvisionnement pilotées par l’IA au-delà de leurs frontières.

Cet angle mort devient particulièrement dangereux lorsque l’IA agentique commence à opérer au-delà des frontières organisationnelles. L’IA « interne » d’aujourd’hui devient rapidement l’automatisation interconnectée des chaînes d’approvisionnement de demain. Les secteurs du commerce de détail, de la logistique et de l’industrie manufacturière devraient probablement mener cette transformation, les entreprises poursuivant des objectifs de durabilité, de production en flux tendu et d’optimisation des opérations par l’IA.

Au moment où les systèmes agentiques commencent à transférer du travail d’une organisation à une autre, la surface d’attaque se multiplie. Les défaillances de sécurité ne seront plus des incidents isolés. Elles se propageront en cascade.

Se défendre contre l’évolution des menaces liées à l’IA : un changement d’état d’esprit

Se défendre contre les menaces pilotées par l’IA ne nécessite pas d’abandonner les principes de sécurité existants, mais exige leur évolution. Bon nombre des garde-fous nécessaires pour sécuriser l’IA agentique sont dérivés de contrôles efficaces utilisés pour gérer les utilisateurs humains. La principale différence réside dans la vitesse, l’échelle et la nature continue des opérations.

Malgré cela, les agents d’IA doivent toujours être traités comme des utilisateurs humains du point de vue de la sécurité, avec des contrôles basés sur le modèle Zero Trust. Cela signifie attribuer des identités, définir des accès selon le principe du moindre privilège, établir des références comportementales et surveiller en continu les anomalies. Si un agent commence soudainement à interagir avec des systèmes en dehors de son périmètre défini, cet écart doit être aussi visible et exploitable qu’un comportement humain suspect.

La segmentation devient essentielle, non pas comme un idéal architectural abstrait, mais comme un moyen concret de limiter l’ampleur des impacts en cas de compromission. Sans cela, des agents compromis peuvent se déplacer latéralement à la vitesse des machines.

Et peut-être plus important encore, les organisations doivent cesser de considérer la sécurité de l’IA comme un simple ajout. Si les organisations peinent déjà à faire face aux menaces actuelles, comment pourraient-elles gérer les menaces émergentes telles que l’IA agentique et l’informatique quantique ?

D’une cybersécurité réactive à une cybersécurité « resilient by design »

La principale leçon tirée à la fois de l’adoption du cloud et de l’évolution de l’IA est la suivante : la sécurité réactive ne passe pas à l’échelle.

Le rythme de l’innovation dépasse désormais systématiquement celui de la gouvernance, de la législation et des cycles d’approvisionnement. Attendre que les cadres réglementaires arrivent à maturité ou que des incidents forcent l’action n’est plus viable. La résilience doit être conçue dès le départ, et non ajoutée après coup une fois la perturbation survenue.

Cela implique de déplacer l’attention des solutions ponctuelles vers l’agilité architecturale. Les organisations doivent construire des modèles de sécurité capables de s’adapter à mesure que les capacités de l’IA évoluent, plutôt que de se briser à chaque évolution.

L’IA ne ralentira pas. Les systèmes agentiques ne feront que devenir plus capables, plus connectés et plus autonomes. Les organisations qui continuent de considérer la sécurité de l’IA comme un problème marginal ou futur répéteront les erreurs de l’ère du cloud.

Cette fois, cependant, les conséquences se propageront plus rapidement et plus loin.

La question n’est plus de savoir si l’IA va remodeler le paysage des menaces. Elle l’a déjà fait. La véritable question est de savoir si les entreprises sont prêtes à s’en défendre avant que les effets en cascade ne les atteignent.

*Martyn Ditchburn est CTO in Residence chez Zscaler

Photo : © DR

The post { Tribune Expert } – De l’ère du cloud à l’IA agentique : pourquoi la cybersécurité doit rattraper l’innovation appeared first on Silicon.fr.