Contexte et enjeux
Le paysage de la cybersécurité est aujourd'hui accéléré par l'usage de l'intelligence artificielle. Les acteurs malveillants exploitent des modèles de langage pour créer des vecteurs d'attaque plus rapides, moins coûteux et plus difficiles à détecter. Cette dynamique réduit le délai entre la découverte d’une vulnérabilité et son exploitation, comme le souligne le fondateur de Flashpoint, Josh Lefkowitz.
Le 2026 Enterprise Threat Intelligence Report de Flashpoint indique que 65 % des répondants pointent le bruit d'alertes et les faux positifs comme un frein majeur, tandis que 55 % dénoncent un manque de capacité analytique. Ces deux chiffres traduisent une surcharge opérationnelle que les équipes de renseignement peinent à absorber.
Architecture de Flashpoint Agentic AI
Flashpoint introduit Agentic AI, intégré à la plateforme Flashpoint Ignite via le Agentic Hub. Le hub combine un environnement de chat et des agents dédiés, chacun programmé pour exécuter des tâches précises. Le chat transforme une requête libre en une enquête à étapes multiples, suivant les traces de vulnérabilités, d’identifiants compromis ou d’acteurs de menace.
Parmi les agents, on trouve un agent de briefing qui synthétise les renseignements, un agent d'alerte qui configure et priorise les notifications, et un agent de triage qui filtre les données brutes. Le PIR Agent convertit des exigences en langage naturel en Priority Intelligence Requirements structurés, facilitant la collecte ciblée d’informations.
Analyse des impacts opérationnels
En déléguant des processus multi‑étapes à des agents spécialisés, les équipes réduisent le temps consacré aux tâches récurrentes. Le produit vise à atténuer le problème du bruit d'alertes en automatisant la corrélation et la priorisation, répondant ainsi aux 65 % de plaintes liées aux faux positifs. De même, la capacité à générer des PIRs à partir de simples requêtes libère des analystes, ce qui contrebalance les 55 % de lacunes de bande passante signalées.
Le modèle repose sur des grands modèles de langage (LLM) pré‑entraînés, mais les agents sont « purpose‑built », c’est‑à‑dire restreints à des domaines de connaissance définis. Cette limitation technique diminue le risque d’hallucination comparé à des assistants génériques, tout en conservant la flexibilité d’un LLM.
Limites et perspectives
La dépendance à des LLM implique une sensibilité aux biais de formation et aux attaques d’injection de prompt. Si les données d’entrée sont corrompues, les agents peuvent propager des informations erronées, aggravant le problème de faux positifs plutôt que le réduire. De plus, l’automatisation ne supprime pas la nécessité d’une validation humaine ; les analystes restent responsables de la décision finale.
À long terme, l’évolution du produit pourra inclure des mécanismes de vérification en chaîne, des modèles de confiance basés sur la provenance des sources, et une intégration plus fine avec les systèmes de ticketing. Ces améliorations seraient essentielles pour que l’automatisation reste fiable dans un environnement où les menaces elles‑mêmes utilisent l’IA pour se dissimuler.
