Contexte et enjeux
Les entreprises autorisent désormais les agents d'IA à lire, modifier voire supprimer leurs données les plus sensibles – brevets, informations clients, algorithmes de trading – ce que Daxa qualifie de « crown jewels ». Cette exposition crée un risque inédit, car les agents ne se contentent plus d’interroger des bases, ils peuvent manipuler les enregistrements à grande échelle.
Les dispositifs classiques – pare‑feu, prévention de perte de données, gestion d’identité – ont été conçus pour des utilisateurs ou des applications traditionnelles. Selon Huseni Saboowala, ces outils ne s’appliquent pas à la couche cognitive (appelée « layer 8 ») où s’exécutent les prompts, les réponses et les appels d’outils des agents.
Mécanisme de la gouvernance sémantique
La « semantic caching » insère les contrôles de politique directement dans le flux de travail de l’agent. En s’appuyant sur de petits modèles de langage capables d’interpréter l’intention d’une requête, le cache décide en temps réel si l’accès est autorisé, évitant ainsi le retard inhérent aux contrôles hors‑ligne.
Ce dispositif repose sur des contrôles d’accès basés sur le raisonnement : les agents signalent les comportements anormaux et la plateforme utilise un plan de données distribué pour appliquer les règles au niveau du stockage, garantissant que chaque lecture ou écriture est évaluée avant d’être exécutée.
Intégration dans la stack HPE Private Cloud AI
HPE intègre cette gouvernance dès la conception de son Private Cloud AI, dans le cadre du programme Unleash AI. La solution, pré‑validée, associe les capacités de Daxa à la plateforme HPE, offrant un environnement où les politiques de sécurité sont inhérentes au workflow des agents.
Un exemple concret provient d’une banque régionale qui, grâce à la combinaison Daxa/HPE, a relié ses agents à du code source propriétaire et à des données client régulées. La gouvernance sémantique a permis d’appliquer les mêmes règles de protection que pour les applications classiques, mais sans interrompre la vitesse d’exécution des agents.
Implications et limites
La capacité à faire confiance aux agents dépend désormais de l’efficacité des contrôles inline. Les organisations qui maîtrisent une infrastructure de données distribuée et un cache sémantique performant seront mieux placées que celles qui misent uniquement sur la puissance de calcul GPU.
Cependant, la solution reste sensible à la qualité des modèles de langage utilisés pour l’interprétation sémantique. Des faux positifs peuvent bloquer des requêtes légitimes, et la mise à l’échelle sur des environnements hétérogènes (cloud public, on‑premise, bases de données spécialisées) n’est pas encore démontrée publiquement. L’absence de benchmarks chiffrés limite l’évaluation objective de la performance et du taux d’erreur.