Contexte et limites des DLP traditionnels

Les solutions de prévention de perte de données (DLP) classiques reposent sur des règles statiques et du filtrage par signatures. Cette approche génère des milliers d’alertes, dont la plupart sont des faux positifs, ce qui oblige les équipes de sécurité à consacrer plus de 70 % de leur temps à la triage. Le modèle de pattern matching ne capture pas l’intention derrière les flux de données, rendant difficile la prévention d’exfiltrations sophistiquées. Le rapport mondial des menaces 2026 de CrowdStrike indique que le temps moyen de détection d’une intrusion eCrime est passé à 29 minutes, avec des cas observés en 27 secondes, soulignant l’insuffisance des DLP réactifs.

Approche contextuelle de Jazz et architecture IA

Jazz propose un « investigateur agentique », nommé Melody, qui utilise l’IA générative pour analyser le contexte métier et l’intention des transferts de données. Au lieu de comparer des signatures, le modèle exploite des embeddings sémantiques entraînés sur des jeux de données d’entreprise afin d’associer chaque flux à une politique de conformité. Le système intègre trois couches : (1) collecte d’événements via un agent léger, (2) inférence en temps réel sur un modèle de langage spécialisé, et (3) décision basée sur un moteur de règles dynamiques qui ajuste les seuils selon le profil d’utilisateur et le type de données. Cette architecture permet de réduire le volume d’alertes de plus de 80 % dans les tests internes, bien que les chiffres exacts restent non publiés.

Intégration à la plateforme Falcon Foundry et impacts business

Melody est déployée comme application sur le marketplace Falcon Foundry de CrowdStrike, offrant aux clients la possibilité de créer leurs propres agents. Cette intégration accélère le time‑to‑value : Jazz rapporte que, depuis la victoire au Cybersecurity Startup Accelerator (fin 2025), le chiffre d’affaires a presque triplé, le nombre de leads entrants a été multiplié par cinq et le pipeline par dix. Le financement de 61 M$ levé en mars 2026, soutenu par AWS, CrowdStrike et le programme Inception de Nvidia, finance l’infrastructure de calcul GPU nécessaire à l’inférence à grande échelle.

Enjeux de sécurité et perspectives

Le passage à l’IA introduit de nouveaux vecteurs de risque. Les modèles doivent être régulièrement ré‑entraînés pour éviter le drift, et la confidentialité des données d’entraînement doit être garantie pour ne pas créer de fuites indirectes. De plus, l’exposition à des modèles tiers implique une dépendance vis‑à‑vis des fournisseurs de cloud GPU. Enfin, l’efficacité de l’approche contextuelle reste difficile à quantifier sans métriques publiques de taux de faux négatifs. Malgré ces limites, la capacité à identifier l’intention des transferts de données représente une avancée mesurable par rapport aux systèmes purement basés sur des signatures, surtout dans un environnement où les fenêtres de réponse se comptent en dizaines de secondes.