Contexte et enjeux
Les agents IA opérant avec une autorité déléguée sont invités à accéder aux systèmes critiques d’une entreprise. Cette légitimité apparente renverse le modèle traditionnel de menace, où l’attaquant est externe. Selon Amol Mathur, co‑fondateur de Dash Security, les agents sont non‑déterministes : ils combinent données, instructions et entrées en temps réel, ce qui rend difficile toute prédiction statique de leur comportement. La délégation d’accès large crée ainsi une surface d’exposition que les solutions de sécurité classiques peinent à surveiller.
Architecture de visibilité et contrôle runtime
Dash Security propose d’abord une cartographie exhaustive de l’écosystème IA d’une organisation. Cette étape identifie les outils autorisés, les déploiements « shadow » sur postes, navigateurs et environnements cloud, puis établit des frontières de confiance. Une fois la visibilité obtenue, la plateforme applique des garde‑fous dynamiques qui s’ajustent en fonction du contexte d’utilisation, sans ralentir les flux de travail. L’exemple cité par le CEO Maor Hod montre qu’une entreprise de 140 000 salariés a pu bloquer automatiquement les rapports contenant des numéros à neuf chiffres non liés aux dossiers de sécurité sociale, réduisant ainsi les faux positifs de 95 %.
Intégration avec CrowdStrike Falcon et résultats mesurés
Fondée en octobre 2025, Dash Security s’appuie sur l’intégration native avec CrowdStrike Falcon. Les télémétries d’endpoints sont injectées dans la session de l’agent IA, puis agrégées dans le SIEM de CrowdStrike (Falcon Next‑Gen). Cette « stitching » de signaux crée un profil comportemental continu, permettant de détecter les écarts entre l’usage attendu et l’activité réelle. Le client testé a pu automatiser les réponses pour l’ensemble de son effectif, tout en conservant la capacité d’adopter de nouveaux outils IA en confiance.
Limites et perspectives
Malgré ces avancées, la solution dépend fortement de la qualité des données de télémétrie et de la capacité des équipes à définir des politiques précises. Les agents IA restent imprévisibles ; un changement de modèle d’apprentissage peut modifier leur comportement sans alerte immédiate. De plus, l’approche repose sur la coopération avec des fournisseurs tiers comme CrowdStrike, ce qui peut introduire des dépendances contractuelles et des risques de chaîne d’approvisionnement. Enfin, la visibilité offerte par Dash ne couvre pas les agents exécutés dans des environnements totalement isolés ou hors‑ligne, où aucune télémétrie n’est disponible. Ces contraintes soulignent la nécessité d’une évolution continue des modèles de détection, combinant analyse statique, simulation d’exécution et retours d’expérience en temps réel.
