Un chatbot classique répond à une question ; un agent IA agit. C’est cette différence, en apparence simple, qui explique pourquoi la sécurité des agents autonomes est devenue en 2026 l’une des préoccupations les plus pressantes des équipes cybersécurité. Selon un article de McKinsey publié en 2025, Deploying agentic AI with safety and security , révèle que 80% des organisations interrogées ont déjà constaté un comportement à risque de la part de leurs agents IA, notamment des accès non autorisés à un système, exposition inappropriée de données.
Pourtant, selon le rapport The state of AI in the entreprise 2026 de Deloitte, seuls 21 % des entreprises interrogées affirment disposer d’un modèle mature de gouvernance des agents IA.
Ce décalage entre les risques déjà observés et le niveau de maturité de la gouvernance constitue un enjeu pour les entreprises : à mesure que les agents disposent de davantage d’autonomie et d’accès aux systèmes et aux données, une erreur ou une compromission peut avoir des conséquences opérationnelles, financières ou réglementaires. C’est précisément le risque que ce guide vise à aider les organisations à maîtriser.
Différence entre agent IA et simple assistant LLM : mémoire à long terme, mémoire de travail et exécution autonome d’outils
Contrairement à un modèle de langage interrogé de façon isolée, un système agentique conserve une mémoire à long terme, planifie plusieurs étapes pour atteindre un objectif, et invoque des outils externes de façon autonome, souvent sans validation humaine entre chaque action. Cette capacité introduit un problème spécifique que les LLM classiques ne posent pas de la même façon : un attaquant n’a pas besoin de compromettre directement l’infrastructure de l’entreprise, il lui suffit de manipuler l’objectif ou le raisonnement de l’agent pour que celui-ci agisse à sa place, avec les permissions qui lui ont légitimement été accordées.
La dérive d’objectif des agents autonomes (Goal Drift) : un risque d’alignement IA sans attaque externe malveillante
Plusieurs incidents documentés en 2026 montrent que la dérive d’objectif ne suppose même pas d’attaque extérieure. Dans certains environnements DevOps, des agents chargés d’automatiser la gestion d’infrastructures ont supprimé ou modifié des ressources critiques après une mauvaise interprétation de leurs priorités, des actions techniquement valides au regard de l’instruction reçue, mais stratégiquement désastreuses dans leur exécution. D’autres cas concernent des agents connectés à des outils financiers ou marketing, qui ont déclenché des dépenses excessives ou lancé des campagnes non autorisées en cherchant à optimiser un objectif de performance mal cadré, sans validation humaine intermédiaire.
Ce constat déplace la question de sécurité : il ne s’agit plus seulement d’empêcher un attaquant d’accéder à un système, mais de définir précisément le périmètre d’action, les objectifs réels et les limites non négociables de chaque agent avant son déploiement, faute de quoi l’agent devient un multiplicateur de risque même dans un environnement par ailleurs techniquement sécurisé.
Attaques sur la chaîne d’approvisionnement des agents IA (Software Supply Chain Security, vulnérabilités npm/PyPI et injection)
Les attaques ciblant l’écosystème logiciel qui alimente les agents IA se sont multipliées début 2026. L’un des cas les plus documentés est la campagne Mini Shai-Hulud : le 11 mai 2026, un ver auto-propagateur a publié 84 versions malveillantes réparties sur 42 paquets npm de l’écosystème TanStack (notamment @tanstack/react-router, @tanstack/start), largement utilisé dans le développement d’applications modernes, en l’espace de six minutes.
OpenAI a confirmé que deux postes de développeurs internes avaient téléchargé le paquet compromis avant que les protections renforcées de sa chaîne de publication n’aient été pleinement déployées. Cela a entraîné l’exfiltration d’identifiants depuis des dépôts de code internes. Une vulnérabilité a depuis été référencée sous la notice CVE-2026-45321, avec un score de sévérité de 9,6 sur 10.
Ce type d’incident déplace la cible de l’attaquant : plutôt que de chercher une faille dans le raisonnement d’un agent, il compromet le pipeline qui le construit ou l’alimente en dépendances, une catégorie de risque qu’aucune évaluation de sécurité centrée sur le modèle ne couvre, puisqu’elle touche les mécanismes de publication, les workflows d’intégration continue et les jetons d’authentification des pipelines, pas le comportement du modèle lui-même.
Gouvernance et gestion des identités IAM pour agents IA : principe du moindre privilège et validation humaine (Human-in-the-loop)
Le principe qui structure une gouvernance efficace des agents IA tient en une reformulation simple mais exigeante : chaque agent autonome devrait être considéré comme un collaborateur numérique disposant de ses propres identifiants, de droits définis, de responsabilités précises et de risques associés, pas comme une simple fonctionnalité activée sans revue. Cela implique en pratique d’attribuer une identité technique distincte à chaque agent plutôt que des identifiants partagés, de limiter ses permissions à un périmètre précis et documenté, et de réviser ces droits à intervalle régulier pour éviter la dérive de privilèges qui s’installe naturellement à mesure qu’un agent gagne en ancienneté et en confiance au sein de l’organisation.
Un contrôle humain explicite doit rester obligatoire pour toute action à impact financier, opérationnel ou de sécurité significatif : un agent ne devrait jamais être autorisé à transférer des fonds, supprimer des données de production ou modifier une politique de contrôle d’accès sans validation humaine préalable, quelle que soit la confiance accumulée dans ses performances passées.
→ Voir notre guide des architectures et vecteurs de risques IA pour resituer les agents parmi les autres briques d’une architecture IA.
Foire aux questions (FAQ) : Sécurité, dérive et audits des agents IA autonomes
Un agent limité à des tâches internes, sans accès externe, est-il exposé de la même façon ?
La supervision humaine ralentit-elle nécessairement la valeur d'un agent autonome ?
Comment savoir si les agents déjà déployés dans mon organisation respectent les principes de sécurité et de gouvernance?
Audit, pentest IA et gouvernance entreprise : encadrer l’autonomie de vos agents IA
Nos experts évaluent la gouvernance de vos agents déployés et testent leur résistance à la manipulation dans le cadre de notre offre de pentest IA. Vous souhaitez échanger sur votre projet ou évaluer vos besoins ? Contactez nos experts.