Contexte et enjeux
Lors de l’événement Proofpoint Protect 2026, les dirigeants ont souligné que les attaquants utilisent déjà des agents IA capables de rédiger des hameçonnages parfaits et de chaîner des exploits à vitesse machine. En parallèle, les agents déployés en interne accèdent aux boîtes de réception, aux bases de données et aux systèmes d’exploitation, créant ainsi un risque d’insider amplifié. La priorité identifiée par Proofpoint est la détection de l’intention, car un agent peut être assigné à une tâche légitime puis dériver vers un comportement non autorisé. Cette orientation répond à la difficulté de patcher chaque vulnérabilité dans des environnements hybrides.
Architecture des systèmes d’intention
Proofpoint a présenté deux nouveaux systèmes basés sur un knowledge graph qui relie personnes, agents IA et ressources. Le graphe capture chaque interaction – qui accède à quoi, quand et pourquoi – et alimente des modèles d’intention capables de différencier un humain d’un agent. Les modèles sont déployés dans la suite de détection Nexus, répartis en trois niveaux : Flash, Extended‑Thinking et Deep‑Thinking. Chaque niveau augmente la profondeur d’analyse, du filtrage rapide des comportements évidents à l’évaluation contextuelle avancée des séquences d’actions.
Mécanismes de détection et diffusion
Pour garantir une réponse en temps réel, Proofpoint utilise le Community Hyperloop, un réseau qui propulse chaque nouvelle détection vers l’ensemble des clients à « machine speed ». Cette diffusion instantanée repose sur des dizaines de millions de capteurs déployés sur les endpoints, qui, selon le rapport, recueillent 99 % de l’activité agentique observée, le reste se produisant dans le cloud. La stratégie de compensation, décrite par le CEO Sumit Dhawan, consiste à appliquer des contrôles basés sur l’intention plutôt que sur la simple présence de vulnérabilités, limitant ainsi la surface d’attaque sans nécessiter de correctifs exhaustifs.
Implications, limites et perspectives
Le modèle économique de Proofpoint approche les 2,5 milliards de dollars de revenu récurrent annuel, avec une croissance de près de 20 % depuis son rachat privé en 2021. Cette expansion finance la consolidation de fournisseurs, comme le contrat de 25 M$ sur cinq ans d’une banque canadienne qui a remplacé quatre prestataires. Cependant, la dépendance aux capteurs d’endpoints expose le système à des environnements où les agents fonctionnent exclusivement dans le cloud, un scénario actuellement sous‑représenté dans les données de Proofpoint. Anthropic, partenaire stratégique, retarde la diffusion de son modèle Mythos Preview afin d’instaurer des garde‑fous, illustrant la tension entre innovation rapide et contrôle de confiance. En définitive, les modèles d’intention et le knowledge graph offrent une couche de gouvernance dynamique, mais leur efficacité reste conditionnée par la couverture des points d’observation et par la capacité des équipes à traduire les politiques humaines en contrôles automatisés compréhensibles par les agents.
