Contexte et enjeux
Le modèle traditionnel d’authentification, « login‑once‑trust‑until‑logout », devient inadapté lorsqu’un agent d’intelligence artificielle (IA) exécute des actions à la vitesse d’un dozen d’outils en quelques secondes. Un agent peut invoquer jusqu’à une dizaine d’API chaque seconde, ce qui rend impossible le suivi manuel des sessions. À Fal.Con 2026, Michael Sentonas, président de CrowdStrike, a présenté la refonte du Falcon Platform pour appliquer une autorisation continue à chaque opération d’un agent, afin de réduire le temps d’exposition aux compromissions. Le modèle continu remplace le jeton de session statique par une chaîne d’autorisation dynamique.
Mécanisme de l’identité continue
La fonctionnalité, issue de l’acquisition de SGNL pour 740 millions de dollars annoncée en janvier 2024, a été commercialisée en juin sous le nom « Continuous Identity for AI Agents ». Le système interroge à chaque appel l’identité du propriétaire de l’agent, l’identifiant de l’instance appelante et le profil de risque du dispositif. Le calcul du profil de risque combine l’état du firmware, la conformité aux politiques de patch et le score de sandboxing fourni par Falcon Insight. Sur la base de ces attributs, il délivre une autorisation à durée très courte, qui s’annule automatiquement à la fin de la tâche. Cette approche repose sur des jetons d’accès éphémères, un moteur de décision en temps réel intégré au Falcon Cloud et la couche Zero Trust de Falcon pour appliquer les politiques de moindre privilège.
Analyse des performances et risques
Selon le chercheur d’CrowdStrike Adam Meyers, les agents IA génèrent environ 250 fois plus de détections que les analystes humains, ce qui multiplie le nombre d’événements à autoriser. La même étude interne indique que le temps moyen de détection d’une intrusion eCrime est passé à 29 minutes, avec un record de 27 secondes pour la réponse la plus rapide. Les jetons d’accès sont généralement valides entre 5 et 30 secondes, puis renouvelés automatiquement si la tâche se prolonge, ce qui impose une synchronisation stricte entre le client et le serveur. En limitant chaque action à une autorisation ponctuelle, le risque de « drift » – dérive de comportement non intentionnelle – est limité, mais la charge de décision en temps réel augmente la consommation de ressources CPU et réseau du Falcon Edge. Cette granularité permet de révoquer immédiatement un agent compromis sans impacter les autres processus.
Limites et perspectives
Le modèle continu exige une visibilité complète sur les attributs d’identité non humaines, ce qui dépend de la capacité des organisations à instrumenter leurs outils d’automatisation. En l’absence de standards ouverts pour la représentation des identités d’agents, l’interopérabilité entre fournisseurs reste incertaine. Des modèles d’apprentissage automatique sont envisagés pour ajuster le score de risque en temps réel, mais ils soulèvent des questions de confidentialité des métadonnées d’usage. De plus, la génération massive de jetons d’accès peut créer un vecteur d’attaque si le service de délivrance est compromis. L’adoption à grande échelle nécessitera des API normalisées comme le standard OIDC pour les identités non humaines, ainsi que la normalisation des schémas d’identité et la résilience du moteur d’autorisation face à des volumes de requêtes à l’échelle du million par seconde.
