Les systèmes d'IA agentique, une forme d'intelligence artificielle capable de planifier, d'utiliser des outils et d'exécuter certaines étapes d'un flux de travail avec une supervision humaine limitée, passent du stade expérimental à celui de l'utilisation en production au sein des entreprises, alors même que les pratiques de gouvernance peinent à suivre le rythme.
L'écart entre ce que les agents sont capables de faire et ce que prennent en compte les contrôles d'entreprise ne cesse de se creuser. Les agents qui, auparavant, soumettaient des recommandations à l'examen d'un humain, lancent désormais des workflows, modifient des configurations et transmettent le contexte à d'autres agents sans attendre de validation. Les équipes informatiques se retrouvent de plus en plus souvent dotées de ces fonctionnalités, qui sont intégrées par défaut à la plateforme, souvent avant même que les politiques de gouvernance n'aient été mises en place.
Ce guide présente les évolutions spécifiques en matière de capacités, les changements apportés aux cadres de référence et les étapes réglementaires clés que les professionnels de l'informatique et de la sécurité peuvent prendre en compte pour évaluer leur situation actuelle en matière de gouvernance.
Pourquoi l'IA agentique évolue plus rapidement que ne le permet la gouvernance d'entreprise
L'IA agentique désigne les systèmes d'IA capables de planifier, de prendre des décisions et d'agir de manière autonome afin d'atteindre des objectifs avec une intervention humaine minimale. Contrairement à l'IA traditionnelle qui réagit à des instructions, les systèmes agents décomposent les objectifs complexes, utilisent des outils externes et adaptent leur approche en fonction des résultats.
Aujourd'hui, la plupart des déploiements en production s'appuient sur un grand modèle linguistique (LLM) qui en constitue le cœur de raisonnement, avec des couches supplémentaires chargées de la gestion des outils, de la mémoire et de l'orchestration.
Il est important de bien comprendre cette architecture pour la gouvernance : la couche de raisonnement, la couche d'outils et la couche d'orchestration présentent chacune des profils de risque distincts.
Un facteur moins souvent évoqué mais essentiel dans la gouvernance des agents est la qualité et l'actualité des données sur lesquelles ceux-ci s'appuient lors de leur exécution.
À mesure que l'autonomie s'accroît, les décisions ne sont plus vérifiées étape par étape par des humains, ce qui signifie que des données inexactes ou obsolètes peuvent se traduire directement par des actions erronées. Ces cadres portent généralement sur les autorisations et la traçabilité, mais l'actualité et l'exhaustivité des données constituent des contrôles tout aussi importants.
L'écart entre les capacités des systèmes agentiques et ce que prennent en compte la plupart des cadres de gouvernance d'entreprise ne cesse de se creuser rapidement. L'adoption de l'IA en entreprise s'accélère à un rythme plus rapide que ne le permettent de nombreux programmes de gouvernance de l' mis en place pour y faire face.
L'enquête « novembre 2025 » menée par McKinsey a révélé que 62 % des personnes interrogées ont déclaré que leur entreprise testait au moins des agents d'IA, et que 23 % ont indiqué qu'elles déployaient déjà à grande échelle un système d'IA agentique au sein de leur entreprise. Cette même enquête a révélé que la plupart des organisations en sont encore à la phase pilote, près des deux tiers d'entre elles n'ayant pas encore déployé l'IA à l'échelle de l'entreprise, ce qui explique en partie pourquoi les programmes de gouvernance sont systématiquement à la traîne par rapport aux capacités existantes, plutôt que de les devancer. Cela ne signifie pas pour autant que l'utilisation d'agents soit généralisée, mais cela signifie que les équipes de surveillance ne peuvent plus considérer l'IA agentique comme un enjeu purement futuriste.
Lorsque les agents peuvent lancer des processus d'approvisionnement, modifier des configurations ou transmettre des demandes d'accès sans autorisation humaine, la question de la gouvernance prend une autre dimension. Il ne s'agit plus seulement de savoir qui peut accéder à quelles données. Il s'agit de déterminer quels processus autonomes peuvent déclencher quelles actions métier, et dans quelles conditions.
Il s'agit là d'une évolution significative par rapport aux générations précédentes d'assistants IA, et même par rapport aux chatbots et aux interfaces conversationnelles qui les ont précédés, lesquels étaient conçus pour proposer des recommandations et attendre les instructions d'un utilisateur. La génération actuelle agit, et les cadres de gouvernance doivent tenir compte de cette distinction.
Les sections suivantes traitent des évolutions spécifiques des capacités, des mises à jour des cadres de référence et des étapes réglementaires importantes que les équipes informatiques et de sécurité peuvent évaluer au regard de leurs structures de gouvernance actuelles. Le point commun entre tous ces exemples : les agents n'opèrent plus en marge des processus métier. Elles sont intégrées aux processus clés qui régissent les achats, la gestion de la chaîne d'approvisionnement, les opérations de sécurité et la gestion des infrastructures.
Mises à jour des capacités des modèles et implications de l'autonomie accrue en matière de risques informatiques
Plusieurs mises à jour de la plateforme au cours de l'année écoulée ont élargi l'éventail des tâches que les agents peuvent effectuer sans intervention humaine. Les modèles d'IA sous-jacents qui pilotent ces agents ont également gagné en capacité en matière de raisonnement en plusieurs étapes, ce qui signifie que les mêmes limites de gouvernance qui étaient suffisantes il y a douze mois ne permettent peut-être plus de restreindre l'éventail des actions qu'un agent est désormais capable d'entreprendre. Les présentations de modèles par Anthropic, OpenAI et diverses autres start-ups ont notamment mis en avant, parmi leurs objectifs de conception, l’utilisation étendue d’outils et les capacités de planification en plusieurs étapes, des capacités qui se traduisent directement par une autonomie d’action accrue dans les déploiements en entreprise.
Du côté des plateformes, les principaux fournisseurs réduisent les obstacles au déploiement en production. Microsoft présente Copilot Studio comme une plateforme permettant de créer et de gérer des agents, notamment des agents capables de gérer des tâches ou des processus métier de manière autonome et de participer à une orchestration multi-agents. SAP décrit les « Joule Agents » comme des agents tenant compte des processus métier, qui automatisent les flux de travail à grande échelle et coordonnent des processus complexes entre différents services. Cela n'implique pas, en matière de gouvernance, que chaque workflow ERP soit désormais entièrement autonome par défaut, mais que de plus en plus de plateformes d'entreprise facilitent la configuration et la mise en œuvre de l'exécution des tâches pilotée par des agents.
Pour les équipes informatiques, les périmètres d'autorisation des agents doivent désormais être définis au niveau du workflow, et non plus uniquement au niveau de l'accès aux données. La plupart des configurations IAM d’ se limitent par défaut aux autorisations d’accès aux données, et les politiques régissant le lancement de workflows ou l’exécution d’actions en chaîne sont rarement définies de manière explicite, même dans les environnements utilisant des plateformes d’identité modernes.
Une autre exigence qui se fait jour est celle d'une gouvernance de bout en bout couvrant l'ensemble du cycle de vie d'un flux de travail piloté par des agents. Le risque n'intervient pas uniquement au moment de la prise de décision, mais également dans la manière dont les informations pertinentes sont générées, dont les recommandations sont formulées et dont les actions sont mises en œuvre. Les systèmes qui séparent ces phases entre différents outils peuvent compliquer la traçabilité du lien entre une décision et une modification spécifique apportée à l'environnement.
La question de la gouvernance relative à toute fonctionnalité d'IA liée à une base de données est toujours la même : dans quelle mesure les données sur lesquelles repose une décision autonome sont-elles à jour, quelles couches de mise en cache ou de réplication interviennent dans le processus, et cette latence est-elle acceptable pour le flux de travail en cours d'automatisation ? Ces questions s'appliquent quel que soit le fournisseur.
La tendance observée dans les mises à jour des différentes plateformes est constante. Les agents passent d'un rôle de conseil (proposer des actions que les humains doivent approuver) à un rôle d'exécution concrète (mettre en œuvre des actions dans le cadre de paramètres définis). Cette évolution s'explique en partie par les progrès réalisés dans le domaine de l'apprentissage automatique , qui ont permis d'améliorer la capacité des agents à généraliser à partir des modèles observés. La même capacité qui les rend plus utiles rend également leur comportement plus difficile à prévoir aux limites de leur distribution d'apprentissage.
| Évolution des capacités | Exemple | Creux de gouvernance créé |
|---|---|---|
| Lancement du workflow | Responsables des achats SAP | Les politiques IAM portent sur l'accès aux données, et non sur les autorisations relatives aux flux de travail |
| Requêtes de données en temps réel | Base de données Oracle AI | Les décisions des agents reposent sur des hypothèses concernant l'actualité des données qui pourraient ne pas se vérifier |
| Actions enchaînées | Agents de remédiation en plusieurs étapes | Les pistes d'audit qui enregistrent les actions individuelles mais ne rendent pas compte de la chaîne décisionnelle |
Implications pour l'entreprise : Vérifiez si vos politiques IAM établissent une distinction entre les autorisations d'accès aux données et celles relatives au lancement des workflows. Les agents opérant dans des périmètres d'accès « approuvés » peuvent néanmoins déclencher des actions métier en dehors des limites de gouvernance prévues. Il est également recommandé de vérifier auprès de vos fournisseurs de plateformes, qu'il s'agisse de fournisseurs d'ERP, de solutions cloud ou de terminaux, quelles fonctionnalités des agents ont été activées par défaut lors des dernières mises à jour, car toutes les extensions de fonctionnalités ne sont pas communiquées par les canaux standard de notification des changements.
À mesure que les capacités des modèles s'étendent, la question suivante est de savoir comment les agents se coordonnent entre eux dans les environnements de production.
Modifications apportées à l'infrastructure des agents et à l'orchestration ayant une incidence sur les déploiements en entreprise
Les systèmes multi-agents, dans lesquels des agents spécialisés se coordonnent pour gérer différents aspects de flux de travail complexes, passent désormais du domaine de la recherche aux environnements informatiques de production. Il ne s'agit pas de simples chaînes de tâches. Elles impliquent une logique de décision à embranchements, des escalades conditionnelles et un transfert de contexte entre systèmes pouvant couvrir simultanément les couches des opérations de sécurité, de la gestion des services informatiques et des applications métier.
Dans de nombreux déploiements d'entreprise des débuts, des étapes de vérification humaine étaient intégrées entre la détection, l'analyse et l'action. Ce qui évolue aujourd’hui, ce n’est pas l’existence même de l’automatisation, mais la facilité avec laquelle les plateformes permettent aux équipes de coordonner plusieurs agents spécialisés au sein d’un même flux de travail. Un agent qui détecte un problème peut désormais transmettre ses conclusions à un autre agent ou à un outil en vue d'une analyse complémentaire ou d'une action, et ce avec moins de configuration personnalisée qu'auparavant.
Cela modifie le rayon d'impact d'un agent mal configuré. Les erreurs ne se limitent plus aux frontières d'une seule tâche. Un agent de détection qui classe à tort un processus légitime peut déclencher un agent de correction « » qui met en quarantaine un système de production, et ce avant même qu’un opérateur ne prenne connaissance de l’alerte.
De nombreuses grandes plateformes cloud facilitent déjà considérablement l'accès aux flux de travail coordonnés impliquant plusieurs agents. AWS a rendu la collaboration multi-agents accessible à tous pour Amazon Bedrock à l'adresse mars 2025, puis a lancé Amazon Bedrock AgentCore, une plateforme modulaire de niveau entreprise destinée au déploiement et à la gestion d'agents en production, dont la disponibilité générale a été annoncée à l'adresse octobre 2025.
La tendance est la même chez tous les fournisseurs : les coûts d'infrastructure liés au déploiement en production de systèmes multi-agents diminuent rapidement. À mesure que ces fonctionnalités deviennent plus faciles à déployer, les outils de gouvernance doivent s'adapter en matière de chemins de délégation, de logique de supervision, d'observabilité et de gestion des défaillances.
La supervision humaine dans les systèmes agents devient également de plus en plus fine. Plutôt que de se contenter d'un simple modèle « approuver ou refuser » au début d'un processus, les organisations définissent de plus en plus souvent des points de contrôle au sein d'une séquence d'actions. Cela permet aux équipes d'examiner, de valider ou de passer outre certaines étapes sans bloquer l'ensemble du flux de travail, ce qui permet de concilier rapidité et responsabilité.
Les infrastructures permettant ces transferts asynchrones, notamment les outils d'orchestration open source tels que LangGraph et AutoGen, facilitent également le déploiement de systèmes multi-agents, ce qui signifie que les équipes informatiques pourraient être confrontées à des déploiements d'agents réalisés en dehors des plateformes d'entreprise agréées. Les politiques de gouvernance doivent tenir compte à la fois des systèmes d'agents gérés par les fournisseurs et de ceux développés en interne.
La spécialisation verticale s'accélère également. Par exemple, Visa utilise des modèles d’IA de type « » pour la détection des fraudes et l’évaluation des risques dans le cadre des transactions de paiement, tandis que des plateformes spécialement conçues pour le secteur de la santé ont recours à l’IA pour des processus tels que la surveillance des substances contrôlées et la conformité clinique, des contextes dans lesquels les exigences de précision spécifiques au domaine sont bien plus strictes qu’un agent polyvalent ne pourrait y répondre de manière fiable.
En matière de décisions d'achat informatique, les agents polyvalents peuvent offrir une certaine souplesse, mais les systèmes spécialisés peuvent garantir une précision et une pertinence supérieures dans le cadre de cas d'utilisation bien définis. Cette évolution vers une optimisation spécifique à chaque domaine a également des répercussions sur la manière dont les équipes doivent évaluer l'efficacité des agents. Les performances obtenues dans le cadre d'une tâche bien définie constituent un critère de référence plus pertinent que les scores de capacité généraux lorsqu'il s'agit d'évaluer l'état de préparation à la production.
La même tendance se dessine au-delà du secteur des logiciels. Les plateformes robotiques intègrent désormais des couches d'IA agentique afin de gérer l'enchaînement dynamique des tâches, passant ainsi de routines préprogrammées à une prise de décision adaptative. Les fournisseurs d'infrastructures tels que Nvidia, dont les microservices NIM et la plateforme AI Enterprise sont de plus en plus utilisés pour déployer et exécuter des charges de travail d'agents à grande échelle, facilitent l'exploitation de ces systèmes dans des environnements de production.
Pour les équipes chargées de la gouvernance, ces deux tendances impliquent que le champ d'application des éléments à prendre en compte s'étend au-delà des agents hébergés dans le cloud pour inclure également les déploiements bénéficiant d'une accélération matérielle et ceux impliquant des équipements physiques.
Implications pour l'entreprise : si vous exploitez ou évaluez des flux de travail multi-agents, vérifiez si vos outils de surveillance sont capables de détecter les transferts entre agents. De nombreuses plateformes d'observabilité sont conçues pour des flux de requêtes initiés par l'utilisateur, et non pour la transmission de signaux d'agent à agent.
Les modifications apportées à l'orchestration ont une incidence sur la manière dont les agents collaborent. La section suivante traite plus précisément des changements intervenant au niveau des terminaux et de la couche des opérations de sécurité.
Évolutions spécifiques aux terminaux et nouvelles surfaces d'attaque
À mesure que l'automatisation basée sur l'IA s'étend de plus en plus à l' , à la gestion des terminaux et aux opérations de sécurité, la surface d'attaque s'élargit d'une manière que les outils de sécurité traditionnels n'ont pas été conçus pour surveiller. Au niveau des terminaux et de la couche de réponse de l' , les évolutions récentes donnent naissance simultanément à de nouvelles fonctionnalités et à de nouveaux schémas de risques.
Dérive des agents dans les environnements de production
La dérive d'agent se produit lorsque des micro-décisions cumulées aboutissent à des résultats que personne n'avait prévus ni approuvés explicitement ; elle se distingue de l'« hallucination du modèle », qui désigne le fait que le modèle génère des résultats erronés. Le risque de dérive tient souvent moins à des résultats de modélisation erronés qu'à des flux de travail s'exécutant dans le cadre d'autorisations trop larges ou insuffisamment surveillées au fil du temps. Un modèle peut se comporter exactement comme prévu tout en sortant du périmètre prévu si les garde-fous définissant le périmètre du flux de travail ne sont pas appliqués. Pour les professionnels, cela fait des points d'approbation, la journalisation par étape, les plans de reprise et l'examen périodique des périmètres d'action des agents des contrôles opérationnels essentiels.
La lacune en matière de détection : Vérifiez si vos journaux et vos détections permettent de distinguer les modifications initiées par des utilisateurs, l'activité des comptes de service et les actions déclenchées par des agents. Dans le cas contraire, l'activité des agents pourrait être plus difficile à suivre lors d'un incident et plus facile à négliger lors de la surveillance de routine.
Prolifération des identifiants due à l'accès permanent des agents
Ces systèmes nécessitent de plus en plus un accès permanent aux identifiants sur plusieurs systèmes pour remplir leurs fonctions. Un outil de correction capable de corriger les terminaux, de mettre à jour les configurations et de redémarrer les services nécessite des identifiants pour chaque action.
Les droits d'accès des agents ont souvent une portée plus large que ceux de n'importe quel utilisateur humain, et ils sont actifs en permanence, et non pas uniquement pendant des horaires de travail définis. Pour aggraver encore la situation, les agents s'authentifient fréquemment via des API reliant les systèmes de gestion des terminaux, d'identité et d'applications métier, ce qui signifie qu'un seul compte de service compromis peut traverser simultanément plusieurs couches d'intégration. La plupart des frameworks de gestion des accès privilégiés (PAM) n'ont pas été conçus pour gérer ce type de scénario.
Ces risques sont souvent amplifiés dans des environnements fragmentés. Lorsque les agents s'appuient sur différentes sources de données, différents plans de contrôle et différents systèmes d'exécution, il devient difficile d'assurer une supervision cohérente et une application rigoureuse des politiques. Un modèle de données et d'exécution plus unifié peut réduire ces angles morts en garantissant que les décisions, les actions et le suivi s'appuient tous sur une même source de référence.
Accès aux données au-delà des limites du système
Les agents qui interrogent des données provenant de plusieurs sources afin d'étayer la prise de décision parcourent les environnements de données d'une manière qui pose des problèmes de visibilité. Une requête effectuée par un seul agent peut concerner les données de télémétrie des terminaux, les systèmes d'identité, les plateformes de veille stratégique et les données des applications métier.
Étant donné que les agents peuvent enchaîner de manière autonome des requêtes sur l'ensemble de ces sources, il se peut que l'ensemble des données consultées pour parvenir à une décision ne soit pas visible dans le journal d'accès d'un seul et même système. La journalisation traditionnelle de l'accès aux données, conçue pour offrir une visibilité application par application, peut ne pas refléter l'ensemble des éléments auxquels un agent a eu accès pour prendre une décision.
Prolifération des outils d'IA sur les terminaux
Il existe une lacune en matière de gouvernance qui retient moins l'attention que la prolifération des identifiants ou l'accès aux données, mais qui est pourtant plus simple et plus immédiate : la plupart des organisations ne disposent pas d'un inventaire précis et en temps réel des outils d'IA déjà en service au sein de leur environnement de terminaux. Les grands modèles linguistiques locaux, les serveurs MCP, les fichiers de modèles d'IA et les applications d'IA tierces peuvent être installés et fonctionner sur les terminaux avant même que les équipes informatiques ou de sécurité n'en aient connaissance. Sans cet inventaire, les politiques de gouvernance ne disposent d'aucune base sur laquelle s'appuyer pour être mises en œuvre.
Il ne s'agit pas d'un risque futur. À mesure que les outils d'IA se généralisent chez les développeurs et les utilisateurs avancés, la surface d'attaque liée à l'IA sur les terminaux s'étend indépendamment des déploiements autorisés. Les programmes de gouvernance qui se concentrent exclusivement sur les pipelines d'agents approuvés ne tiendront pas compte des risques liés à l'IA non autorisée fonctionnant en parallèle.
Conséquences pour l'entreprise : la prolifération des outils d'IA et celle des identifiants se renforcent mutuellement. Vérifiez si vos règles de détection SIEM couvrent les comptes de service des agents avec la même rigueur que les comptes d'utilisateurs, et si votre inventaire des terminaux recense désormais les artefacts spécifiques à l'IA en plus des logiciels traditionnels. Si les modifications de configuration initiées par les agents ne génèrent pas d'alertes, cela signifie qu'il existe une lacune dans la détection.
Les évolutions réglementaires et normatives qui façonnent le déploiement de l'IA agentique
Les cadres réglementaires rattrapent leur retard par rapport aux capacités de l'IA agentique, et la phase de mise en application commence.
Étapes clés de la mise en œuvre de la loi européenne sur l'IA
Le régime fondé sur les risques prévu par la loi européenne sur l’IA peut s’appliquer aux systèmes d’IA utilisés dans des contextes visés, tels que les infrastructures critiques et l’emploi, mais le moment choisi est déterminant. La loi est entrée en vigueur en 2024, et certaines dispositions ont commencé à s'appliquer en 2025. En ce qui concerne les systèmes d'IA à haut risque, les obligations relatives au déploiement et à la journalisation les plus pertinentes pour la gouvernance d'entreprise devraient s'appliquer à compter du 2 août 2026.
Le 7 mai 2026, les législateurs de l'Union européenne sont parvenus à un accord politique sur le « Digital Omnibus », qui prévoit un report de 16 mois pour les systèmes d'IA à haut risque, nouveaux ou ayant subi des modifications substantielles, énumérés à l'annexe III. L'adoption officielle n'a pas encore été prononcée. Jusqu'à l'adoption de la loi, les organisations doivent considérer le août 2026 comme la date limite de planification en vigueur et suivre l'évolution du processus « Digital Omnibus » pour se tenir informées des mises à jour.
Pour les équipes intervenant dans des cas d'utilisation à haut risque visés par cette mesure, la conclusion la plus pertinente à court terme est la suivante :
- Journalisation et conservation : Veillez à ce que le système puisse générer des journaux et à ce que les responsables du déploiement puissent conserver ces journaux sous leur contrôle pendant la durée requise
- Contrôle humain : Désigner le personnel responsable et définir les modalités d'exercice du contrôle pendant l'utilisation
- Analyse des cas d'utilisation et des risques : Vérifiez si le déploiement relève d'une catégorie à haut risque et si des obligations supplémentaires s'appliquent avant la mise en production.
Mises à jour du cadre de gestion des risques liés à l'IA (RMF) du NIST pour les systèmes autonomes
Le cadre de gestion des risques liés à l'IA de l'Institut national des normes et des technologies (NIST) reste le principal cadre volontaire auquel de nombreuses organisations se réfèrent pour orienter leur gouvernance en matière d'IA. Le NIST a élargi ses recommandations grâce à des ressources telles que le guide « AI RMF Playbook » et les profils d'IA générative, en mettant de plus en plus l'accent sur le comportement des systèmes d'IA dans les environnements de production.
Pour les équipes qui déploient des systèmes autonomes, la tendance concrète est à la surveillance continue. La gouvernance ne se limite pas aux tests préalables au déploiement. Cela nécessite un suivi continu du comportement des agents, des données sur lesquelles ils s'appuient et de la manière dont leurs décisions se traduisent en actions au fil du temps.
Cela implique notamment de documenter les sources de données et les flux de traitement qui guident les décisions des agents, en particulier dans les environnements où ceux-ci interrogent des systèmes en temps réel plutôt que des ensembles de données statiques.
Pour les organisations qui se réfèrent aux normes du NIST, l'accent n'est plus mis sur « tester avant le déploiement », mais sur « surveiller et valider après le déploiement ».
Conséquences pour l'entreprise : si votre déploiement automatise des actions ayant un impact important, documentez dès maintenant les procédures de retour en arrière, les étapes d'approbation et les procédures d'escalade. Même lorsque la réglementation n'impose pas explicitement la mise en place de « cycles de déploiement », le retour en arrière contrôlé constitue une mesure de sécurité opérationnelle essentielle et un élément important pour l'auditabilité.
Comment déterminer si votre cadre de gouvernance a su évoluer au rythme des changements
Compte tenu des évolutions évoquées ci-dessus, les équipes informatiques et de sécurité peuvent évaluer leur niveau actuel de gouvernance à l'aune de critères spécifiques.
| Critère d'évaluation | Question de diagnostic | Risque en l'absence de mesures |
|---|---|---|
| Actualité des données utilisées pour la prise de décision | Les données sont-elles suffisamment à jour pour respecter la tolérance du flux de travail en matière de retard ou de décalage ? | Les agents peuvent agir en se fondant sur des conditions qui n'existent plus ou qui n'ont plus d'importance |
| Contrôles de gouvernance | Les limites relatives à l'autorisation des agents sont-elles documentées et leur respect est-il garanti par une politique ? | Action autonome non contrôlée sortant du cadre prévu |
| Déploiement progressif | Votre déploiement prend-il en charge un déploiement par étapes, des procédures de retour en arrière et des critères de progression définis ? | Des défaillances généralisées dues à des modifications non testées à grande échelle |
| Intégration | Les agents peuvent-ils échanger des informations avec les outils SIEM, ITSM et de gestion des terminaux existants ? | Une automatisation cloisonnée qui engendre des angles morts |
| Auditabilité et traçabilité | Pouvez-vous retracer ce que l'agent a fait, quels outils ou données il a utilisés, et quelles autorisations ou étapes de contrôle ont été nécessaires ? | Lacunes en matière de conformité, reconstruction insuffisante des incidents et manque de confiance envers les opérateurs |
À mesure que les organisations évaluent ces critères, il apparaît clairement que la gouvernance ne se limite plus à la définition de politiques statiques. Cela dépend de la manière dont les décisions sont fondées lors de l'exécution, de la manière dont les actions sont mises en œuvre dans l'ensemble des systèmes, et de la manière dont les résultats sont suivis et validés.
Avant d'examiner chaque critère, définissez des indicateurs de référence pour vos déploiements d'agents actuels : combien de comptes de service d'agent sont actifs, combien d'autorisations au niveau des flux de travail ont été accordées et combien de modifications de configuration initiées par des agents ont eu lieu au cours des 30 derniers jours. Sans ces références, il est difficile de mettre en œuvre les critères d'évaluation ci-dessous :
- Actualité des données utilisées pour la prise de décision : Le point essentiel à prendre en compte est de savoir si les données sur lesquelles se fondent les décisions de l'agent sont suffisamment à jour pour l'action envisagée. Dans des environnements en constante évolution, même de courts délais entre la collecte des données et l'exécution des agents peuvent entraîner des mesures correctives erronées ou inutiles, en particulier lorsqu'aucun intervenant humain ne vérifie les décisions en temps réel. La validation du délai réel entre la mise à jour des données et l'action de l'agent constitue une étape concrète que la plupart des équipes n'ont pas encore franchie.
- Contrôles de gouvernance et supervision humaine : La question pratique ne se limite pas à savoir si des limites d'approbation existent, mais si celles-ci sont appliquées de manière cohérente au moment de l'exécution. De nombreuses organisations disposent de modèles d'approbation informels ou partiellement mis en œuvre qui ne limitent pas pleinement les actions qu'un agent peut effectuer une fois qu'il a lancé un workflow.
- Intégration : Les défis liés à l'intégration tiennent souvent moins à la connectivité qu'à la cohérence. Lorsque plusieurs systèmes interviennent dans les flux de travail des agents, les différences au niveau des modèles de données, des contrôles d'accès et de la journalisation peuvent entraîner des lacunes en matière de visibilité et compliquer le suivi de la manière dont les décisions se traduisent en actions.
- Mise en œuvre progressive et déploiement par étapes : À mesure que les agents commencent à appliquer directement les modifications, la stratégie de déploiement s'inscrit désormais dans le cadre de la gouvernance. Les déploiements progressifs, la mise en œuvre par étapes et les critères d'avancement documentés peuvent servir de mesures de sécurité permettant de limiter l'ampleur des répercussions négatives liées à des décisions erronées. Dans ce modèle, la conception du déploiement ne relève pas seulement de l'aspect opérationnel, mais constitue également un mécanisme de gouvernance.
Un aspect qu'il convient d'examiner pour toute plateforme est de savoir si la restauration nécessite une intervention humaine ou si le système peut la déclencher automatiquement lorsque l'exécution échoue à la validation. La restauration automatique en cas d'échec constitue un contrôle de gouvernance d'une nature qualitativement différente. Cela réduit le délai entre une action qui a échoué et la réaction humaine, ce qui revêt une importance capitale dans les environnements où les agents mettent en œuvre des changements à un rythme soutenu et à grande échelle.
Certaines plateformes commencent également à mettre en place des indicateurs de confiance liés aux recommandations et aux actions automatisées. Ces signaux peuvent aider les équipes à déterminer quand il convient d'autoriser une exécution entièrement automatisée et quand il est nécessaire de recourir à une vérification humaine supplémentaire. Bien qu'ils ne soient pas encore normalisés, les contrôles fondés sur la confiance s'imposent progressivement comme un moyen de rendre le comportement des agents plus prévisible et plus facile à vérifier.
Les priorités des équipes informatiques et de sécurité pour les 90 prochains jours
Compte tenu des évolutions abordées dans ce guide, voici les mesures concrètes que les équipes informatiques et de sécurité peuvent mettre en œuvre à court terme. Ces sept mesures sont de nature tactique, mais elles devraient également servir de base à une réflexion plus large sur la stratégie en matière d'IA.
- Vérifier la conformité des périmètres d'autorisation des agents d'audit avec les politiques IAM. Vérifiez les autorisations au niveau des flux de travail désormais requises par les agents ERP autonomes et les agents de terminaux. La plupart des configurations IAM portent sur l'accès aux données, et non sur le lancement de workflows.
- Vérifiez les règles de détection SIEM pour les comptes de service des agents. Si les règles de détection s'appliquent uniquement aux comptes utilisateur, il se peut que les modifications de configuration initiées par l'agent ne génèrent pas d'alertes.
- Documenter les procédures de retour en arrière, les étapes de validation et les procédures d'escalade pour les workflows des agents ayant un impact important. Le déploiement et le retrait contrôlés constituent des mesures de sécurité opérationnelles essentielles, indépendamment des exigences réglementaires, et, pour les déploiements relevant des dispositions relatives aux risques élevés de la loi européenne sur l’IA, ils contribuent directement à la documentation relative à la traçabilité requise par ces obligations.
- Évaluez la couverture de la surveillance lors des transferts entre agents. Si vous exécutez des workflows multi-agents, vérifiez si les outils d'observabilité permettent de suivre le transfert de contexte entre les agents.
- Vérifiez que les hypothèses relatives à l'actualité des données sur lesquelles reposent les décisions des agents sont valables. Pour tout agent prenant des décisions de manière autonome en fonction de l'état d'un terminal ou d'un système, vérifiez dans quelle mesure ces données sont réellement à jour.
- Identifiez les points où les flux de travail « de l'analyse à l'action » dépassent les limites des outils. Si plusieurs systèmes interviennent dans les phases de découverte, de prise de décision et d'exécution, veuillez vérifier comment ces transitions sont régies, consignées et surveillées.
- Répertorier les identifiants des agents et les comptes de service. Indiquez quels agents peuvent accéder à quels outils, avec quelles identifiants d'accès, et dans le cadre de quelles autorisations ou limites RBAC. C'est souvent le moyen le plus rapide de détecter les droits d'accès trop étendus avant qu'ils ne se transforment en problème de gouvernance.
Si la documentation relative à la gouvernance de l’IA de votre organisation a été rédigée avant que les capacités agentiques ne soient intégrées aux niveaux de service par défaut de la plateforme, il est probable qu’elle ne tienne pas compte des autorisations au niveau des flux de travail, des transferts entre agents multiples ni des exigences de documentation prévues par la loi européenne sur l’IA ; autant d’éléments qui constituent désormais des enjeux opérationnels, et non plus de simples considérations pour l’avenir.
Prises dans leur ensemble, ces lacunes mettent en évidence un enjeu plus large : la gouvernance n'est plus seulement une question de politique. Cela repose sur la disponibilité de données précises et à jour, sur la capacité à exploiter ces données dans le cadre de flux de travail contrôlés, ainsi que sur la visibilité nécessaire pour comprendre ce que font les systèmes autonomes en temps réel dans l'ensemble de l'environnement.
Comment Tanium facilite la gouvernance de l'IA agentique
La plateforme informatique autonome Tanium d’ , , fournit des informations en temps réel sur les terminaux ainsi qu’une exécution régulée pour les opérations informatiques et de sécurité, offrant ainsi la couche de données et de contrôle sur laquelle reposent les flux de travail assistés par l’IA et basés sur des agents.
Cette base associe des informations en temps réel sur les terminaux à l'architecture « Linear Chain » brevetée de Tanium, ainsi qu'à un système de notation de confiance et de risque, à un déploiement progressif par anneaux et à des intégrations approfondies. En plus de cette base, Tanium propose des requêtes en langage naturel, des workflows automatisés intégrant une intervention humaine, ainsi qu'une supervision centralisée des activités autonomes.
Tanium Atlas, le système d'exploitation autonome, rassemble ces éléments fondamentaux au sein d'une expérience unique et contrôlée, où l'intelligence, l'accompagnement et l'action s'intègrent dans un même flux de travail. À mesure que l'écosystème de l'IA agentique continue d'évoluer, Tanium renforce cette base afin que les organisations puissent conserver une bonne visibilité, appliquer leur gouvernance et agir en toute confiance à mesure que les systèmes gagnent en autonomie.
L'efficacité de l'IA agentique dans les opérations informatiques et de sécurité dépend moins de la sophistication du modèle que de sa capacité à passer, en toute confiance, de l'analyse à l'action dans le cadre de contraintes définies. Les systèmes qui associent des données en temps réel, une exécution contrôlée et des résultats observables au sein d'un même flux de travail sont mieux à même de favoriser une automatisation sûre et évolutive.
- Les informations en temps réel sur les terminaux aident les équipes à fonder leurs décisions assistées par l'IA sur l'état actuel des appareils. Tanium Ask utilise des interactions en langage naturel pour mettre en évidence des informations pertinentes et faciliter les enquêtes. De plus, l'agent Tanium Ask d' , disponible à l'adresse , met cela en pratique en prenant en charge des workflows automatisés, avec intervention humaine, pour la découverte des données, la gestion des logiciels et bien plus encore.
- Des commandes impliquant une intervention humaine sont intégrées aux actions sensibles. Tanium Ask Agent garantit un contrôle humain tout au long des flux de travail automatisés, en exigeant une confirmation avant toute action ayant un impact direct sur les terminaux ou les configurations Tanium. Les administrateurs peuvent superviser, approuver et annuler les modifications, ce qui permet aux équipes de garder le contrôle sur ce que la plateforme effectue en leur nom.
- L'évaluation de la fiabilité permet un déploiement contrôlé des modifications automatisées. Le déploiement progressif, associé aux scores de confiance d' , offre aux organisations un mécanisme leur permettant de mettre en place des changements par étapes et d'évaluer leur impact potentiel avant leur mise en œuvre à grande échelle.
- La supervision centralisée des activités autonomes offre une couche de gouvernance unifiée. Tanium Action Oversight assure un suivi continu du système et offre une visibilité sur l'état actuel des activités autonomes sur l'ensemble de la plateforme. Plutôt que de s'appuyer sur les journaux de chaque module ou sur une surveillance ponctuelle, chaque système est intégré à ce composant de gouvernance centralisé, offrant ainsi aux équipes informatiques et de sécurité une vue d'ensemble unifiée des activités menées de manière autonome par la plateforme, de leur portée et des conditions dans lesquelles elles s'inscrivent.
- L'orchestration basée sur des playbooks permet de mettre en place des workflows contrôlés et reproductibles. Tanium Automate permet aux équipes de créer des playbooks qui enchaînent des actions en séquences logiques et reproductibles, avec peu ou pas de code, afin d'automatiser des tâches courantes telles que l'application de correctifs, la correction des vulnérabilités et le déploiement d'applications. Grâce à des déploiements progressifs et à un suivi des utilisateurs intégré au flux de travail, les équipes peuvent limiter l'impact des erreurs et contrôler la manière dont l'automatisation s'étend aux environnements de production.
- Une gestion proactive des vulnérabilités contribue à réduire les risques en aval dans les environnements automatisés. Tanium Guardian informe automatiquement les équipes des problèmes émergents, y compris les vulnérabilités « zero-day », et propose des mesures recommandées aux opérateurs. Les contenus et analyses du Guardian sont élaborés par l'équipe d'intervention d'urgence en matière de vulnérabilités (VERT) de Tanium, une initiative dirigée par Tanium et réunissant des experts en sécurité de Tanium, des partenaires du secteur et des clients.
- L'unification des opérations informatiques et de sécurité permet de réduire les angles morts en matière de surveillance. Tanium Threat Response surveille l'activité des terminaux en temps réel, facilite la recherche active de menaces et utilise Tanium Signals pour assurer une détection et une alerte en continu. Comme les opérations d'investigation et de réponse s'effectuent sur la même plateforme, les équipes peuvent créer et affiner leurs règles de détection sans avoir à changer de contexte ni d'outil.
Cette approche met en évidence l'avantage opérationnel qu'il y a à traiter conjointement les questions de gouvernance au niveau des données et de l'exécution. C'est une approche de bout en bout, englobant la collecte de données en temps réel, l'exécution de workflows réglementés, la génération de pistes d'audit et la détection unifiée, qui distingue les cadres de gouvernance capables de s'adapter à l'IA agentique de ceux qui créent de nouveaux angles morts à mesure que les capacités des agents s'étendent.
Lorsque les agents s'appuient sur l'état actuel des terminaux, opèrent dans le cadre de workflows vérifiables et déclenchent des alertes grâce à une couverture de détection unifiée, le manque de surveillance qui rend l'IA agentique risquée devient un problème pouvant être résolu plutôt qu'une fatalité.
À mesure que l'IA agentique s'étend aux environnements des terminaux, les défis en matière de visibilité ne portent plus sur les listes d'applications, mais sur le comportement en exécution, les modèles locaux et les frameworks d'agents embarqués. Cette vidéo vous offre un aperçu concret de la manière dont ces risques se manifestent et explique comment les équipes peuvent commencer à les classer par catégorie et à les surveiller à l'aide de Tanium.
Foire aux questions sur les avancées en matière d'IA agentique
Vous vous demandez encore ce que signifie l'IA agentique et quel est son impact sur votre environnement ? Ces réponses succinctes abordent les questions les plus courantes que se posent actuellement les équipes, à l'heure où les capacités évoluent et où les attentes en matière de gouvernance s'adaptent en conséquence. Utilisez-les pour clarifier les changements à venir, leur incidence sur votre profil de risque et les priorités à définir pour la suite.
Quelles sont les dernières avancées en matière d'IA agentique ?
L'IA agentique va au-delà de l'assistance de type « chat » pour évoluer vers des systèmes capables de planifier, d'utiliser des outils et de mener à bien des flux de travail comportant plusieurs étapes. Les lancements récents de solutions par des éditeurs tels que SAP, Microsoft, AWS et Oracle montrent que les entreprises disposent désormais d'un plus grand choix de solutions prêtes à l'emploi pour créer et coordonner des agents, mais la plupart d'entre elles n'en sont encore qu'aux prémices de leur déploiement à grande échelle.
Pourquoi tant d'initiatives en matière d'IA agentique échouent-elles en production ?
De nombreux échecs sont dus à un déficit de gouvernance : les équipes n'ont pas encore harmonisé les attentes en matière d'actualité des données, les limites d'approbation, les contrôles d'identité et l'observabilité avec ce que les flux de travail autonomes sont réellement capables de faire en production. L'enquête « novembre 2025 » de McKinsey a révélé que près des deux tiers des personnes interrogées ont déclaré que leur entreprise n'avait pas encore commencé à déployer l'IA à l'échelle de l'organisation, ce qui contribue à expliquer pourquoi l'engouement pour les agents virtuels reste supérieur à la maturité opérationnelle.
Quel est l'impact des mises à jour de l'IA agentique sur les processus décisionnels ?
Les récentes mises à jour de la plateforme ont fait évoluer le rôle des agents, qui sont passés d'une fonction de conseil à une fonction d'exécution ; cela signifie qu'ils lancent désormais des flux de travail et modifient les configurations sans attendre l'approbation d'un utilisateur. Cela fait passer le processus décisionnel d'un modèle où « l'agent propose et l'humain approuve » à un modèle où « l'agent agit dans le cadre de paramètres définis ». Pour les équipes informatiques, cela signifie que la gouvernance doit désormais prendre en compte les autorisations au niveau des flux de travail, et non plus uniquement les contrôles d'accès aux données, et que les outils de surveillance doivent enregistrer les actions initiées par des agents avec autant de rigueur que celles initiées par les utilisateurs.
L'IA agentique a-t-elle un avenir ?
L'adoption de l'IA agentique s'accélère : près de 70 % des entreprises participant à l'enquête « CISO Village » n° 2025 d' Team8, une communauté regroupant des responsables de la sécurité au sein de grandes entreprises, indiquent que des agents IA sont déjà en production. Ce chiffre reflète probablement davantage les entreprises pionnières en la matière que l'entreprise type ; L'enquête « novembre 2025 » de McKinsey a révélé que la plupart des entreprises en sont encore aux premières étapes. Dans l'ensemble, ces données indiquent que l'adoption est inégale, mais qu'elle progresse rapidement dans le haut de gamme.
L'avenir de cette technologie dépend de la capacité des cadres de gouvernance à s'adapter aux capacités des agents. Les organisations qui y parviendront seront celles qui considéreront la gouvernance non pas comme un simple exercice stratégique, mais comme une discipline opérationnelle, intégrée dès le départ dans la manière dont les agents sont déployés, contrôlés et encadrés.
Si les outils de type « » () tels que ChatGPT ont permis à de nombreuses organisations de découvrir les contenus générés par l’IA, les systèmes agents constituent une catégorie fondamentalement différente : ils ne se contentent pas de répondre à des requêtes, ils prennent des initiatives, et c’est précisément cette distinction qui rend la gouvernance si cruciale.
Les équipes qui comblent rapidement leurs lacunes en matière de visibilité seront en mesure de déployer à grande échelle l'IA agentique en toute confiance. Les organisations qui ne le feront pas se retrouveront confrontées à des incidents qui auraient pu être évités grâce à des limites plus claires et à une meilleure connaissance des terminaux.
La gouvernance ne se résume plus à un simple exercice stratégique : elle repose sur la disponibilité de données précises et à jour, sur la capacité à agir dans le cadre de flux de travail contrôlés, ainsi que sur la visibilité nécessaire pour comprendre en temps réel ce que font les systèmes autonomes.
Demandez dès aujourd’hui une démonstration gratuite et personnalisée pour découvrir comment Tanium prend en charge la gouvernance de l’IA agentique. Écoutez notre podcast « » sur et suivez Tanium sur , LinkedIn ainsi que sur les réseaux sociaux pour rester informé des dernières actualités concernant la gouvernance de l'IA agentique, la sécurité des terminaux et les évolutions informatiques en entreprise.
