Contexte et besoin
Les outils de sécurité IA de première génération filtrent uniquement les invites et les réponses. Cette approche laisse passer des scénarios où une requête anodine conduit un agent à supprimer une base de données de production. Bay AI Inc., startup israélienne, a levé 50 millions de dollars – 37 M$ en série A mené par Battery Ventures et 13 M$ en seed co‑dirigé par YL Ventures et Striker Venture Partners – pour proposer une solution qui intercepte chaque action d’un agent avant son exécution. Parmi les premiers clients figurent Micron, Wix, ClickUp et Peloton, et plusieurs entreprises du Fortune 100 ont triplé l’usage d’agents autonomes en moins de trente jours, soulignant la pression opérationnelle qui pousse les équipes à rechercher un contrôle granulaire.
Architecture et fonctionnement
L’installation s’effectue via les solutions de gestion de dispositifs mobiles (MDM) ou de détection et réponse sur endpoint (EDR) déjà déployées, en moins de cinq minutes. Un scanner nommé Wave recense les agents, leurs extensions et les modèles locaux présents sur chaque machine, puis désactive tout composant actif une fois l’inventaire terminé. Lorsqu’un agent propose une action, la requête est redirigée vers Bay Enforcer, un binaire statique intégré par un hook natif. Le contrôle s’exécute localement, en tenant compte du contexte complet de la session, et renvoie un verdict en quelques millisecondes ; le système peut afficher une invite de validation à l’utilisateur si nécessaire. Les décisions sont guidées par le moteur Lighthouse, qui génère automatiquement une politique distincte pour chaque équipe à partir des trente derniers jours d’activité d’agents, évitant ainsi la rédaction manuelle de règles. Les équipes peuvent tester ces politiques sur le mois précédent pour visualiser les actions qui auraient été bloquées, et Bay affirme un taux de faux positifs inférieur à 1 %.
Analyse des performances et limites
Le traitement sur l’appareil minimise la latence réseau et réduit la surface d’exposition aux attaques externes, ce qui explique le délai de réponse en millisecondes. Le taux de faux positifs déclaré (<1 %) indique une calibration fine entre sécurité et continuité d’activité, mais la dépendance aux données historiques de trente jours peut empêcher la détection d‑behaviors totalement nouveaux ou de scénarios d’escalade rapides. L’intégration avec les solutions MDM/EDR existantes simplifie le déploiement, toutefois elle impose une compatibilité avec les agents déjà installés, ce qui peut générer un overhead de ressources lors du scan initial de Wave. Enfin, la capacité du système à bloquer les actions avant exécution repose sur la disponibilité du binaire Enforcer et sur la fiabilité du hook natif ; toute défaillance de ce point d’injection pourrait laisser passer des actions non autorisées. Malgré ces réserves, la combinaison d’inventaire automatisé, de politiques dynamiques et de verdicts quasi instantanés représente une avancée mesurable dans la sécurisation des agents IA en environnement d’entreprise.
