Contexte et enjeux de sécurité pour les agents IA
Les entreprises qui déploient des agents d’intelligence artificielle en production rencontrent un goulet d’étranglement : les revues de sécurité « projet par projet » ne suivent plus le rythme. Selon une étude commandée par Protegrity et réalisée par Enterprise Management Associates, 83 % des dirigeants signalent des retards de projet liés à la validation des données, et 82 % déclarent mettre les agents en production dans un état limité, privés des outils et des jeux de données qui maximiseraient leur valeur.
Tokenisation comme alternative à l’encryptage traditionnel
Protegrity propose de remplacer le chiffrement classique par la tokenisation, qui substitue chaque valeur sensible par un jeton sans recourir à un algorithme mathématique. Cette méthode conserve la « usabilité » des données pour les modèles d’IA, contrairement à un chiffrement qui les rend souvent illisibles. Le représentant de Protegrity, Diego Loureda, précise que la tokenisation est « quantum‑ready » parce qu’elle ne dépend d’aucune fonction cryptographique vulnérable aux ordinateurs quantiques. En pratique, les jetons sont stockés en mémoire et résolus uniquement lorsqu’une application autorisée les interroge, ce qui limite l’exposition directe des données brutes.
Impact sur les processus de gouvernance et de déploiement
Face à l’impossibilité d’approuver chaque projet individuellement, les organisations sont incitées à valider des modèles de gouvernance ou des « patterns ». Loureda explique que la sécurité doit passer du rôle de « département du non » à celui d’« enableur », capable de débloquer les agents IA grâce à des contrôles comme la tokenisation. Cette évolution implique que les équipes de sécurité évaluent non seulement la conformité, mais aussi la capacité des données protégées à rester exploitables par les modèles, réduisant ainsi les frictions entre conformité et performance.
Limites et perspectives
Si la tokenisation améliore la rapidité des déploiements, elle ne résout pas entièrement le problème de la persistance des données sensibles dans la mémoire des agents. Loureda admet qu’une fois qu’une donnée sensible est injectée dans un modèle ou un magasin de vecteurs, il n’existe « aucune façon de la retirer ». De plus, l’étude citée ne fournit pas de métriques précises sur le gain de temps obtenu grâce à la tokenisation, ce qui rend difficile l’évaluation du retour sur investissement. Enfin, la dépendance à une solution propriétaire peut créer un verrou technologique, limitant la portabilité des agents entre différents fournisseurs de cloud ou d’infrastructure.
