Présentation du lancement

Axonius a rendu disponible AI Workforce, un ensemble de plus de 50 travailleurs virtuels intégrés à la plateforme Asset Cloud. Ces agents autonomes prennent en charge les tâches de remédiation que les équipes de sécurité ne peuvent pas suivre, comme la résolution d’anomalies d’un agent d’extrémité qui cesse de reporter ou la correction d’une exposition détectée hors des règles pré‑définies.

Architecture et fonctionnement

Le cœur du service repose sur trois composants : le AI Companion, le MCP Server (Model Context Protocol) et les travailleurs virtuels. Le Companion accepte des requêtes en langage naturel et peut, dans la même conversation, ouvrir un ticket ou taguer un dispositif. Le MCP Server expose les données d’actifs consolidées aux outils externes via le protocole MCP, garantissant que chaque agent travaille sur le même modèle d’actif que l’Asset Cloud.

Les travailleurs virtuels opèrent selon trois modes : Off (toutes les actions nécessitent une approbation humaine), Shadow (prévisualisation des actions sans exécution) et Live (exécution automatique dans des garde‑fous définis). Cette granularité de contrôle permet aux équipes de calibrer le degré d’autonomie tout en conservant une visibilité sur les modifications sensibles, qui sont retenues pour validation avant d’être appliquées.

Chaque client exécute une instance privée de modèle de langage large (LLM) dans son environnement dédié, et un journal d’audit consigne chaque action comme « agent‑driven » ou « human‑driven ». Les travailleurs suivent un indicateur de performance propre à leur résultat (ex. : nombre d’expositions résolues), alimentant un Daily Digest classé par urgence.

Analyse de sécurité et limites

Le principal argument de sécurité repose sur la vérification des actifs. Axonius intègre plus de 1 400 intégrations bidirectionnelles et déduplique plus de 80 types d’entités d’actifs et d’expositions, produisant une vue consolidée. Si le système ne peut pas valider une donnée, il la signale explicitement, évitant ainsi que les agents agissent sur des informations erronées.

Cependant, la fiabilité du processus dépend entièrement de la qualité des données d’entrée. Comme le souligne Moshe Ben Simon, CPO produit, un agent qui se base sur une vue incomplète d’un fournisseur risque d’introduire des erreurs. De plus, la capacité à définir des garde‑fous via les modes ne garantit pas l’absence de faux positifs ; les actions automatisées restent soumises aux limites du modèle de décision intégré.

Le journal d’audit et la séparation des crédits AI (visibles par les équipes) offrent une traçabilité financière et opérationnelle, mais introduisent une nouvelle surface d’attaque potentielle si les clés d’accès aux LLM privés sont compromises.

Implications pour les équipes de sécurité

En automatisant la remédiation, AI Workforce libère du temps aux analystes, qui peuvent se concentrer sur les incidents à forte valeur ajoutée. Le suivi métrique intégré élimine le besoin de rapports personnalisés, tandis que le Daily Digest priorise les actions selon l’urgence. La visibilité sur la consommation d’AI credits permet d’ajuster les budgets et d’évaluer le retour sur investissement.

Selon l’analyste Theresa Lanowitz (Omdia), l’alliance d’une vue d’actifs vérifiée et d’une supervision humaine ciblée crée un niveau de confiance rare dans les solutions d’automatisation de sécurité, distinguant les agents utiles du « bruit » généré par des systèmes moins rigoureux.