Rapport Netskope AI : 2026

Aller à une section

Résumé exécutif & conclusions clés

Introduction

Catégorisation des risques liés à l’IA Adoption de l’IA : croissance continue IA de l’ombre : un plateau IA agente : un boom du codage

Plateformes d’IA et souveraineté des données

MCP : Interconnexion croissante Violations de la politique de données : volume croissant Menaces proches de l’IA Transparence, gouvernance et protection A propos de ce rapport

20 minutes de lecture

Résumé exécutif & conclusions clés

En 2026, la stratégie de sécurité de l’IA d’entreprise a évolué de la découverte réactive de l’IA fantôme vers la gouvernance active et transactionnelle des agents autonomes d’IA. La prolifération rapide de l’IA agentique, associée à l’adoption généralisée du protocole de contexte modèle (MCP) pour relier les entrepôts internes de données avec les modèles externes, a élargi la surface de risque de l’entreprise au-delà de l’exfiltration de données simple basée sur des prompts. Ce rapport analyse le paysage de sécurité de l’IA qui en résulte, caractérise les risques opérationnels allant des violations des politiques de données en aval à l’exécution autonome de code malveillant, et établit le mandat technique pour l’inspection du trafic IA et une architecture d’IA zéro confiance. Parmi les principales conclusions de ce rapport figurent :

Risques liés à la sécurité des données : une augmentation des violations des politiques en aval
Les violations des politiques de données en aval, où un service d’IA renvoie des données sensibles auxquelles un utilisateur ou un agent n’est pas autorisé à accéder, augmentent fortement, alimentées par une augmentation par quatre du trafic MCP alors que les organisations continuent de connecter les systèmes d’IA à des archives de données sensibles.
Risques agents : le passage opérationnel au codage autonome
Une augmentation de l’utilisation des agents de codage entraîne un volume de trafic IA accru, une plus grande interconnexion MCP et des risques accrus d’exécution de code malveillant, 75 % des organisations utilisant Claude Code et 58 % Codex aujourd’hui, une augmentation spectaculaire par rapport à une adoption négligeable il y a un an.
Risques adverses : code malveillant, liens et leurres
À mesure que l’adoption de l’IA augmente, les adversaires continuent d’utiliser des leurres IA pour tromper les victimes afin qu’elles téléchargent des logiciels malveillants ou accèdent à des pages web malveillantes. Parallèlement, les adversaires deviennent de plus en plus habiles à faire en sorte que les applications d’IA elles-mêmes révèlent du code malveillant à leurs victimes, augmentant ainsi le risque que des agents de codage autonomes exécutent ce code ou l’intègrent dans des bases de code plus larges.

Introduction

À mesure que l’adoption de l’IA générative mûrit au sein de l’entreprise, la direction de la sécurité est passée du défi initial de la découverte de l’IA parallèle à l’exigence plus complexe d’une gouvernance transactionnelle granulaire. Une gouvernance efficace exige désormais que les équipes de sécurité dépassent les politiques axées principalement sur la limitation du flux de données vers les plateformes d’IA tierces et adoptent plutôt un cadre structuré d’évaluation des risques qui évalue les interactions IA selon quatre dimensions critiques : volume, directionnalité, gravité et intention.

Le paysage des menaces en entreprise a fondamentalement évolué, car les mêmes outils qui débloquent la productivité (chatbots IA, assistants IA, agents IA autonomes, serveurs MCP, etc.) étendent simultanément la surface d’attaque. Bien que les violations des politiques de données en amont (dans lesquelles les utilisateurs et agents envoient des données sensibles à des tiers en violation des politiques organisationnelles) restent le point de défaillance le plus fréquent, les risques adversaires critiques, notamment l’injection rapide, le jailbreaking et l’exécution en aval de code malveillant, sont en hausse, tout comme les violations des politiques de données en aval résultant de l’interconnexion croissante des systèmes d’IA. Ce rapport offre un aperçu détaillé du paysage des risques liés à l’IA d’entreprise et des bases techniques pour mettre en œuvre la visibilité, la gouvernance et la protection nécessaires afin de sécuriser correctement les déploiements de l’IA en entreprise.

Catégorisation des risques liés à l’IA

La visibilité, la gouvernance et la protection de l’IA commencent par une compréhension du paysage actuel des risques. Le graphique ci-dessous classe les risques les plus répandus selon la fréquence des violations observées au sein des organisations. En tête de cette liste figurent les violations de la politique de données en amont, qui représentaient autrefois près de 100 % des alertes mais sont tombées en dessous de 90 % à mesure que d’autres types de violations ont augmenté en volume. À l’autre extrémité du spectre se trouvent les violations de codes malveillants (où un système d’IA renvoie du code malveillant), qui sont les moins nombreuses mais aussi les plus graves.

graphique montrant la répartition des violations de l’IA mais 10k alertes

Dans la liste suivante, nous explorons chacun de ces risques plus en détail, y compris la direction, l’intention et la gravité.

Violation de la politique de données en amont
Réalisation : En amont
Profil d’intention : Initié/productivité/négligence
Gravité : Cumulatif
Qu’est-ce qu’une violation de la politique de données en amont ?
Le risque le plus courant en matière d’IA est qu’un utilisateur ou un agent tente d’envoyer des données à un système d’IA en violation des politiques d’utilisation des données de l’organisation, y compris l’envoi d’informations confidentielles ou de code source à des services non approuvés. Les organisations utilisent généralement ces politiques pour orienter leurs utilisateurs loin de l’IA parallèle vers des services d’IA approuvés, et pour orienter les cas d’utilisation vers les services appropriés. Par exemple, certains services d’IA peuvent être autorisés uniquement pour des tâches de codage et de développement, tandis que d’autres sont autorisés uniquement à traiter des données sensibles dans des documents et des tableurs. Les violations des politiques de données proviennent principalement d’initiés de confiance qui cherchent à augmenter leur productivité mais le font de manière négligente (sans connaissance des politiques organisationnelles). La gravité du risque ici est cumulative car une exposition constante de données sensibles à des tiers peut entraîner une conformité ou une responsabilité réglementaire.

Violation de la politique de données en aval
Réalisation : En aval
Profil d’intention : Initié/productivité/négligence
Gravité : Faible ou modéré
Qu’est-ce qu’une violation de la politique de données en aval ?
Les violations des politiques de données en aval surviennent lorsqu’un service d’IA retourne des données que les politiques organisationnelles interdisent à l’utilisateur ou à l’agent d’accéder. De telles violations surviennent lorsqu’une organisation utilise le MCP, la génération augmentée par récupération (RAG) ou des modèles personnalisés entraînés sur des données propriétaires. Dans ces cas, une application d’IA peut retourner des données sensibles provenant d’un système connecté auxquelles l’utilisateur ou l’agent n’est pas autorisé à accéder. Un autre exemple moins courant de violation de la politique de données en aval survient lorsqu’une organisation autorise une application mais en restreint son utilisation à un cas d’usage spécifique. Par exemple, les utilisateurs et agents peuvent être autorisés à utiliser l’application comme chatbot général, mais pas à générer du code source. Tout code source retourné par l’application serait classé comme une violation en aval. Comme pour les violations en amont, le profil d’intention principal pour les violations en aval est celui d’un insider de confiance motivé par le gain de productivité, et la gravité du risque dépend du type de données et de l’étendue des accès.

Filtrage de contenu
Réalisation : Bidirectionnel
Profil d’intention : Insider/comportement
Gravité : Low
Qu’est-ce que le filtrage de contenu dans le contexte du risque de l’IA ?
Les violations du filtrage de contenu sont bidirectionnelles et surviennent lorsqu’un utilisateur ou un agent envoie une invite à, ou reçoit une réponse d’un système d’IA contenant du contenu jugé inapproprié selon les politiques de l’organisation. Ces types de violations sont similaires aux violations de filtrage d’URL provenant d’une passerelle web sécurisée (SWG) : de la même manière que les organisations bloquent le contenu sexuel ou violent sur le web, elles bloquent généralement aussi ces contenus pour qu’ils ne soient pas retournés par les applications d’IA. Les violations du filtrage de contenu sont faibles en gravité car elles représentent une menace minimale pour le réseau ou les actifs de données de l’organisation. Il s’agit principalement des questions RH, de conformité juridique ou d’alignement culturel.

Injection rapide et déverrouillage
Réalisation : Bidirectionnel
Profil d’intention : Adversaire/évitement
Gravité : Critical
Qu’est-ce que l’injection rapide ? Qu’est-ce que le jailbreak ?
Les violations d’injection prompt et de jailbreak surviennent lorsqu’un utilisateur ou un agent tente de contourner les garde-fous, de contourner les instructions système sous-jacentes ou de forcer un système IA à effectuer une action restreinte. De telles violations résultent d’actions délibérées, adversaires ou d’évasion de la part d’un initié ou d’un adversaire externe. Dans de nombreux cas, il s’agit d’attaques d’injection indirecte par prompt, dans lesquelles un adversaire intègre des instructions malveillantes dans des sources de données externes accessibles par un système d’IA. La gravité est cruciale car l’exploitation réussie subvertit le plan de contrôle du modèle, déclenchant potentiellement des chemins d’exécution en cascade à travers des services backend connectés.

Demandes de données sensibles
Réalisation : En amont
Profil d’intention : Adversaire/reconnaissance/récolte
Gravité : High
Que sont les demandes de données sensibles dans le contexte du risque d’IA ?
Les demandes de données sensibles sont des violations en amont qui surviennent lorsqu’un utilisateur ou un agent montre des signes de tentative délibérée de contourner les contrôles pour y accéder. La gravité d’une telle violation est généralement supérieure à celle d’une violation de politique de données en aval en raison d’un profil d’intention différent. Une violation de la politique de données en aval peut survenir sans invitation délibérée, simplement parce que le système a accès à des données auxquelles l’utilisateur n’est pas autorisé. En revanche, les demandes de données sensibles indiquent que le demandeur a l’intention d’accéder à ces données. Les demandes de données sensibles, combinées aux violations de données en aval, indiquent un risque critique, car elles suggèrent que le demandeur réussit dans ses efforts.

Piraterie et droits d’auteur
Réalisation : En aval
Profil d’intention : Conformité/accident
Gravité : Low
Quels sont les risques liés au droit d’auteur liés à l’IA ?
Une violation de piratage et de droits d’auteur est une violation en aval qui survient lorsqu’une application d’IA retourne du matériel protégé, protégé par le droit d’auteur ou déposé sans licence valide d’un tiers ni attribution d’autorisation. Un tel matériel présente un risque juridique et financier pour l’organisation s’il est utilisé de manière inappropriée. Cela reste néanmoins une menace minimale pour le réseau ou les actifs de données de l’organisation et est donc considéré comme à faible risque.

Code malveillant
Réalisation : En aval
Profil d’intention : Adversaire/militarisation
Gravité : Critical
Qu’est-ce que le code malveillant dans le contexte de l’IA ?
Une violation de code malveillant se produit lorsqu’une application IA renvoie un code malveillant en réponse. Le code malveillant peut être des commandes shell que l’utilisateur ou l’agent exécute directement, ou un extrait de code malveillant intégré à une base de code plus large. Les agents de codage autonomes, qui gagnent rapidement en popularité, amplifient ce risque car ils génèrent du code beaucoup plus rapidement que les humains et exécutent de manière autonome du code et des commandes générés par l’IA. Une application d’IA peut renvoyer du code malveillant à la suite d’une injection indirecte d’invites, d’outils ou de modèles d’IA trojanisés, voire de manière organique. Du code malveillant organique peut être retourné à la suite d’un entraînement sur des données vulnérables, Désalignement émergent, ou hallucination. La gravité est cruciale car l’exécution réussie d’un code malveillant pourrait entraîner une compromission généralisée du système. Les violations malveillantes du code associées aux violations de l’injection rapide et du jailbreak révèlent l’intention et indiquent un succès possible.

Adoption de l’IA : croissance continue

Au cours de l’année écoulée, le pourcentage d’utilisateurs d’entreprise utilisant activement des applications d’IA chaque semaine est passé de 34 % à 59 % pour l’organisation médiane, le quartile supérieur des organisations ayant au moins 77 % de leur base d’utilisateurs interagissant chaque semaine avec des applications d’IA. Pendant ce temps, le 1 % le plus élevé d’organisations ayant le plus d’utilisateurs d’IA (non illustré) a déjà atteint un plateau à près de 100 %. La baisse du terrain à la fin de 2025 et au début de 2026 est un artefact qui apparaît tout au long de ce rapport et résulte d’une activité globale plus faible autour de la période des fêtes. Le rythme d’adoption de l’IA s’est légèrement accéléré fin 2025, et cette croissance accélérée s’est poursuivie début 2026, mais a depuis ralenti. Nous prévoyons que cette croissance stagnera au second semestre 2026, alors que les organisations deviennent plus stratégiques dans leurs investissements en IA.

graphique montrant le pourcentage médian des utilisateurs d’IA par semaine, avec une zone ombrée montrant les 1er et 3e quartiles

Parallèlement, le volume d’utilisation de l’IA a triplé le volume, passant de 1 498 à 4 731 invites par semaine en moyenne. Les 25 % les plus riches des organisations ont vu un volume hebdomadaire significativement plus élevé, d’au moins 19 292 prompts, et le top 1 % (non illustré) a reçu des centaines de milliers de prompts par semaine. Cette augmentation du volume est principalement due à l’adoption croissante de l’IA agentique, que nous explorerons plus en détail dans la section suivante. Nous prévoyons également que le nombre d’invites par organisation se stabilisera dans la seconde moitié de 2026, à mesure que l’adoption de l’IA agente atteindra sa saturation.

IA de l’ombre : un plateau

Depuis le début du boom de l’IA, nous avons assisté à un passage progressif des applications d’IA parallèle personnelles et non gérées vers des applications gérées par l’organisation. En 2023, presque tous le trafic IA que nous avons observé dans l’entreprise était une IA fantôme, des utilisateurs individuels jouant avec leurs abonnements ChatGPT pour tenter d’augmenter leur propre productivité. Au fil du temps, les organisations ont commencé à déployer des applications approuvées et gérées, et le pourcentage d’utilisateurs accédant aux applications d’IA personnelles a diminué en conséquence. Cette tendance s’est arrêtée vers mars 2026, a plafonné, et a légèrement reculé dans la direction opposée. Actuellement, 56 % des utilisateurs d’IA utilisent only Applications d’IA gérées par organisation, 14 % d’utilisation Les deux les applications gérées par l’organisation et personnelles, et 30 % d’utilisation only Applications personnelles. Ce renversement de tendance indique que l’IA fantôme est là pour rester et, plutôt que de continuer à déplacer chaque utilisateur et cas d’utilisation d’IA vers des plateformes gérées, les organisations ont choisi de limiter l’utilisation d’applications personnelles et non approuvées. Parallèlement, les priorités de découverte d’IA parallèle se sont élargies, passant de la visibilité et de la mise en place de contrôles pour l’utilisation des applications IA personnelles à des agents IA, serveurs MCP et infrastructures locales d’IA (tous des domaines où nous connaissons actuellement une croissance rapide).

Graphique montrant l’utilisation de l’IA : répartition des comptes personnels vs organisationnels

IA agente : un boom du codage

Au cours de l’année écoulée, l’adoption des applications d’IA chatbot conversationnel a atteint une saturation, plus de 95 % des organisations dans le monde utilisant un chatbot au moins une fois par semaine. ChatGPT, leader mondial de longue date, reste en tête, mais est défié par Anthropic Claude, Microsoft 365 Copilot et Google Gemini. Au début de l’année, Google Gemini occupait la deuxième place et était prêt à dépasser ChatGPT, mais son adoption a stagné. Microsoft 365 Copilot a dépassé Google Gemini en mai mais a également stagné. Puis, en juin, Anthropic Claude a dépassé les deux et continue de gagner en popularité. Sa popularité est étroitement liée à l’adoption de Claude Code, l’agent codeur d’Anthropic, que nous explorerons plus loin dans cette section. Sur sa trajectoire actuelle, Claude est prêt à dépasser ChatGPT dans la seconde moitié de 2026.

Graphique montrant les applications de conversation les plus populaires

D’autres catégories d’applications d’IA connaissent des taux d’adoption globaux plus faibles, qui sont restés relativement constants depuis le début de l’année, à deux exceptions près, notables :

Les applications de code IA fournissent des outils pour aider au développement logiciel, notamment en écrivant, testant, débogant et optimisant le code. Les applications de développement de code agent ont fait passer la popularité des applications de code de 42 % à 84 %. De plus, bien que l’adoption ait ralenti par rapport au rythme rapide observé en début d’année, elle est presse de continuer à augmenter au cours de la seconde moitié de l’année.
Les plateformes d’IA simplifient le processus de développement de l’IA en hébergeant des composants clés comme des modèles d’IA, permettant aux développeurs de se concentrer sur la logique d’application centrale sans gérer l’infrastructure. L’adoption des plateformes d’IA est passée rapidement de 51 % à 92 % des organisations au cours de l’année écoulée, mais a récemment atteint un plateau, l’adoption étant attendue pour rester à ce niveau tout au long de la seconde moitié de l’année.

Graphique montrant l’adoption par catégorie d’application IA par organisation

Dans le domaine des applications de code IA, GitHub Copilot et Cursor étaient les acteurs dominants il y a un an. Les deux applications sont des éditeurs de code alimentés par l’IA qui utilisent un IDE traditionnel et intègrent des fonctionnalités d’IA pour aider au développement logiciel. Bien que la popularité de cette approche semble s’être stabilisée, les applications de codage agent Claude Code et Codex gagnent rapidement en popularité. Claude Code est désormais la plateforme de développement de code la plus populaire, utilisée par 75 % des organisations, avec Codex en deuxième position à 58 %. Ces deux applications avaient moins de 1 % d’adoption il y a un an. La popularité croissante de ces deux applications souligne le passage au développement de logiciels agents dans plusieurs secteurs du monde entier, ce qui augmente certains risques mis en avant dans ce rapport, notamment les risques liés à l’injection rapide et aux jailbreaks, au code malveillant et à la mauvaise gestion des données sensibles.

Graphique montrant les applications de code les plus populaires

Plateformes d’IA et souveraineté des données

Les plateformes d’IA connaissent également une popularité croissante, menée par Claude Platform d’Anthropic. Comme souligné tout au long de ce rapport, le chatbot Claude d’Anthropic et Claude Code ont rapidement gagné en popularité depuis le début de l’année. La plateforme Claude, qui permet aux utilisateurs de développer des applications et agents personnalisés à partir de ses modèles, a connu une croissance similaire en popularité et a éclipsé la plateforme d’OpenAI, autrefois dominante dans ce domaine.

Parallèlement, plusieurs autres plateformes ont connu une croissance notable tout au long de l’année. Par exemple, en loin troisième position (mais en popularité croissante) se trouve Amazon Bedrock. Parmi les raisons pour lesquelles Bedrock continue de gagner en popularité figurent sa grande variété de modèles et son approche de la souveraineté des données, qui garantit que les données organisationnelles sont isolées, chiffrées, traitées uniquement dans les régions choisies, et jamais partagées avec des tiers ni utilisées pour entraîner les modèles de fondation. Cela dit, certains modèles ont des termes spécifiques à chaque modèle, donc les organisations devraient examiner l’utilisation des plateformes, y compris Amazon Bedrock, modèle par modèle. Néanmoins, nous nous attendons à voir un mouvement vers des plateformes comme Bedrock, les organisations accordant la priorité à la souveraineté des données.

Graphique montrant les applications de plateforme les plus populaires

L’exécution de modèles locaux devient de plus en plus populaire, car les organisations accordent de plus en plus de priorité à la souveraineté des données et cherchent à réduire les coûts du cloud. 41 % des organisations (plus que Bedrock, mais moins que les plateformes OpenAI et Claude) utilisent Ollama. Ce cadre open source populaire permet aux organisations de télécharger et d’exécuter des modèles localement. Voici une répartition de la popularité des modèles, montrant que Gemma4 de Google est de loin le plus populaire, suivi de différentes versions de Qwen d’Alibaba et de Llama de Meta. Nous prévoyons un bouleversement significatif de ce classement dans la seconde moitié de l’année, car les modèles GLM de Z.ai se démarquent actuellement dans les benchmarks et gagnent en popularité.

tableau montrant les meilleurs modèles d’IA utilisés à Ollama par pourcentage d’organisations

MCP : Interconnexion croissante

MCP, la norme open source permettant de connecter les modèles d’IA à des sources de données et outils externes, a connu une forte augmentation de l’utilisation, avec une augmentation de 250 % des utilisateurs et des transactions de 375 % Les 10 dernières semaines Alone. Cette hausse est significative car elle entraîne un changement significatif dans le volume et la direction des violations des politiques de données, que nous explorons dans la section suivante. De plus, ces statistiques représentent uniquement l’utilisation distante du MCP, ce qui signifie que l’agent se connecte à un serveur MCP hébergé sur Internet plutôt que sur la machine locale ou au sein du réseau de son organisation. Parmi les principaux clients utilisés pour se connecter à ces serveurs MCP figurent les agents de codage IA (Claude Code et Codex) mentionnés plus tôt dans ce rapport.

graphique montrant l’augmentation de l’adoption du MCP au fil du temps

Violations de la politique de données : volume croissant

Au cours de l’année écoulée, le nombre de violations des politiques de données en amont a légèrement augmenté, avec une moyenne de 69 par semaine par organisation, contre 44 par semaine il y a un an. Parallèlement, les 25 % les plus riches des organisations ont connu des fluctuations significatives tout au long de l’année, mais continuent de constater environ 300 à 400 infractions par semaine, similaires à celles qu’elles connaissaient à la même période l’année dernière.

graphique montrant la médiane des transferts moyens de données sensibles en amont vers les applications IA, avec une zone ombrée montrant les 1er et 3e quartiles

Une analyse des types de violations montre que la propriété intellectuelle, les données réglementées et le code source représentent la grande majorité des violations des politiques de données, une proportion plus faible impliquant des mots de passe et des clés (généralement intégrés dans le code source ou les fichiers de configuration envoyés aux applications d’IA).

Graphique montrant le type de violations des politiques de données en amont des applications

La tendance des violations des politiques de données en aval au cours de l’année écoulée est assez différente de celle des violations en amont. Les violations en aval surviennent à un taux inférieur à celui des violations de la politique de données en amont, mais ont plus que doublé, passant de 12 à 31 par semaine au cours de l’année écoulée. Parmi les 25 % les plus performantes, ce taux est passé de 72 à 206 par semaine. Cette augmentation intervient alors que l’adoption de l’IA agente et du MCP se renforce, et que les applications d’IA deviennent de plus en plus connectées aux sources de données et aux outils qui exposent des données sensibles. À mesure que l’adoption des MCP continue de croître, nous prévoyons que la proportion de violations des données en aval augmentera dans tous les domaines au cours du second semestre 2026.

graphique montrant la moyenne des transferts de données sensibles en aval depuis la médiane des applications d’IA, avec une zone ombrée montrant les 1er et 3e quartiles

Menaces proches de l’IA

Bien qu’une grande partie de ce rapport se concentre sur les menaces New native de l’IA, qui sont les plus susceptibles de nécessiter des contrôles New , il est important de souligner que l’adoption croissante de l’IA comporte des risques liés aux menaces traditionnelles adjacentes à l’IA. Dans cette section, nous mettons en lumière deux de ces menaces : les leurres IA et les liens IA.

Leurres d’IA malveillants

Une incitation IA malveillante tente de tromper les victimes pour qu’elles téléchargent des logiciels malveillants ou visitent un site web malveillant en utilisant une fausse marque. Au cours de l’année écoulée, nous avons constaté une pause de six mois dans le nombre d’appâts IA avant qu’ils ne grimpent en mars et ne restent à un rythme similaire jusqu’en juillet. Parmi les campagnes récentes utilisant les leurres IA, on compte Installateurs factices des applications d’IA et Outils de développement trojanisés. Compte tenu de la popularité persistante de l’IA et des pressions organisationnelles pour exploiter l’IA afin d’augmenter la productivité, nous nous attendons à ce que les adversaires continuent à construire des appâts sophistiqués comme ces faux installateurs et continuent de trouver New moyens de compromettre les pipelines de développement de logiciels d’IA, y compris la continuité Style Shai-Hulud et la création de paquets malveillants pour s’accroupir sur les noms que les modèles d’IA ont tendance à halluciner.

graphique montrant les utilisateurs confrontés à des menaces d’appâts par leurre par IA

Liens d’IA malveillants
Un lien IA malveillant est un lien malveillant retourné par une application IA qu’un utilisateur clique ou qu’un agent visite. Considérez cela comme un lien malveillant sur lequel les utilisateurs cliquent lorsqu’ils utilisent un moteur de recherche populaire comme Bing ou Google. Ces liens apparaissent dans les résultats de recherche soit parce que l’attaquant a utilisé des techniques SEO pour classer son site malveillant, soit parce que l’attaquant a utilisé des techniques SEO pour que son site malveillant soit soit parce que l’équipe aété fortement reconnue. Dans le monde de l’IA, la technologie a évolué, mais les techniques demeurent. L’AIEO émerge alors que les techniques pour que votre contenu soit traité favorablement par des modèles d’IA deviennent bien connues, et les publicités commencent à s’infiltrer dans les applications d’IA. Le volume de ces menaces a considérablement varié au cours de l’année, passant de moins de 10 à plus de 90 par semaine, et nous prévoyons que le nombre moyen augmentera au second semestre 2026, malgré la stagnation actuelle.

graphique montrant les utilisateurs rencontrant des références d’IA malveillantes

Transparence, gouvernance et protection

Pour gérer les risques liés à l’IA, les organisations devraient aligner leurs stratégies de sécurité sur des frameworks largement adoptés comme MITRE ATLAS et le Top 10 OWASP pour les LLM. Ces cadres fournissent un contexte critique : MITRE ATLAS permet aux CISO de contextualiser les attaques spécifiques détectées et bloquées, tandis que le Top 10 des LLM OWASP clarifie les risques au niveau applicatif. En intégrant ces cadres à la surveillance en temps réel, les équipes de sécurité peuvent suivre efficacement l’application des politiques, détecter les menaces émergentes et obtenir une vue d’ensemble détaillée de leur posture de risque face à l’IA, y compris les décryptages par catégorie de risque et activité utilisateur.

En nous appuyant sur cette base stratégique, nous complétons le rapport en cartographiant les principes de ces cadres en une feuille de route tactique centrée sur chaque risque défini dans ce travail. En lisant ces conseils spécifiques aux risques, vous identifierez quelques thèmes persistants :

Visibilité : Le déploiement d’une passerelle ou proxy d’IA centralisée est essentiel pour toutes les interactions avec l’IA, y compris l’IA fantôme, l’infrastructure locale et le trafic MCP.
Gouvernance : Les politiques doivent être alignées sur les risques et granulaires, intégrant une approbation matricielle pour les applications et les cas d’usage, la gouvernance de la sécurité de la chaîne d’approvisionnement, ainsi que le respect des exigences régionales et légales de conformité.
Protection : La posture de sécurité doit être en couches, utilisant la prévention des pertes de données en temps réel (DLP (Prévention des pertes de données)), des garde-fous sémantiques non déterministes, une validation heuristique des sorties et une analyse comportementale continue pour détecter les signaux post-compromis (par exemple, reconnaissance, C2).

Ci-dessous, nous avons cartographié des exigences spécifiques de visibilité, de gouvernance et de protection pour chaque risque, fournissant un plan opérationnel pour les atténuer dans votre environnement.

Violation de la politique de données (en amont)
Visibilité : Utilisez une passerelle ou un proxy IA pour toutes les interactions IA (en particulier l’IA de l’ombre).
Gouvernance : Définir une matrice pour les applications et les cas d’usage approuvés, en mettant l’accent sur le code source, les données réglementées et la propriété intellectuelle.
Protection : Configurez des politiques de protection des données en temps réel alignées sur les cas d’utilisation approuvés en amont.

Violation de la politique de données (en aval)
Visibilité : Utilisez une passerelle ou un proxy IA pour toutes les interactions IA (surtout MCP).
Gouvernance : Définir une matrice de groupes d’utilisateurs et les niveaux d’accès requis aux données sensibles.
Protection : Configurez des politiques de protection des données en temps réel alignées sur l’accès approuvé aux données en aval.

Filtrage de contenu
Visibilité : Utilisez une passerelle ou un proxy IA pour toutes les interactions IA (en particulier l’IA de l’ombre).
Gouvernance : Aligner l’analyse textuelle en temps réel avec les politiques des ressources humaines de l’entreprise, les critères de conformité juridique et les politiques régionales d’utilisation acceptable (PUA).
Protection : Exploitez les garde-fous de l’IA grâce à la conscience contextuelle et au filtrage des mots-clés.

Injection rapide et déverrouillage
Visibilité : Utilisez une passerelle ou un proxy IA pour toutes les interactions IA (y compris l’infrastructure locale).
Gouvernance : Exiger que toutes les infrastructures d’IA soient examinées pour une isolation optimale avant leur déploiement et y incluent des garde-fous.
Protection : Déployez des garde-fous sémantiques non déterministes, associés à des analyses comportementales, pour détecter même les tentatives les plus subtiles d’injection rapide et de jailbreaks, et superposez ces contrôles à des politiques de protection des données et à une inspection de code malveillant.

Demandes de données sensibles
Visibilité : Utilisez une passerelle ou un proxy IA pour toutes les interactions IA (avec enregistrement d’audit de toutes les invites).
Gouvernance : Établissez des cadres d’appropriation et d’isolation pour limiter les ressources interconnectées.
Protection : Déployez des garde-fous sémantiques non déterministes, associés à des politiques de protection des données et à des analyses comportementales, pour détecter les tentatives adverses d’accéder à des données sensibles.

Piraterie et droits d’auteur
Visibilité : Utilisez une passerelle ou un proxy IA pour toutes les interactions IA (qui inspecte tout le contenu en aval)
Gouvernance : Élaborez des directives formelles de conformité à la propriété intellectuelle précisant quels modèles et applications d’IA peuvent être utilisés pour générer du code, des éléments textuels et d’autres contenus sensibles.
Protection : Incorporez des vérifications heuristiques de validation de sortie qui analysent le code source ou la prose générés par rapport aux signatures open source connues et aux index de marques pour les réponses IA. Définir des politiques pour limiter les cas d’usage non approuvés (comme bloquer certains modèles pour générer du code source).

Code malveillant
Visibilité : Utilisez une passerelle ou un proxy IA pour toutes les interactions IA (qui inspecte tout le contenu en aval).
Gouvernance : Imposer une architecture de validation zéro confiance sur tous les pipelines internes CI/CD, avec une gouvernance robuste des risques de chaîne d’approvisionnement.
Protection : En plus de protéger contre l’injection de prompts, assurez-vous que toutes les réponses des applications IA sont inspectées pour détecter des codes malveillants, intégrez le scan des menaces dans vos pipelines CI/CD, et intégrez des analyses comportementales pour détecter les signaux post-compromis, tels que la reconnaissance, le C2 et l’exfiltration de données.

A propos de ce rapport

Les informations présentées dans ce rapport sont basées sur des données agrégées d’utilisation collectées par la plateforme Netskope One pour un sous-ensemble de clients Netskope de juin 2025 à juillet 2026.