Sécuriser l’entreprise agentique commence par les données
Les agents d’IA redéfinissent l’équation de la sécurité en entreprise. Un agent ne se contente pas de répondre à vos questions. Il agit et exécute des tâches pour votre compte. Pour cela, il peut interroger des données sensibles, appeler des outils, déclencher des workflows, écrire du code, modifier des configurations et transférer rapidement des informations à grande échelle entre différents systèmes. C’est ce qui fait toute la puissance de l’IA agentique, mais aussi ce qui la rend difficile à gérer pour les modèles de sécurité traditionnels.
Les équipes de sécurité ne se demandent plus : « Pouvons-nous donner aux collaborateurs accès à l’IA ? » Elles se demandent désormais : « Comment garantir que les agents d’IA exécutent leurs tâches de manière sécurisée et au nom de l’entreprise ? »
Chez Snowflake, nous pensons que la réponse repose sur un principe simple : l’IA agentique doit être gouvernée là où résident déjà les données, le contexte et les contrôles de l’entreprise. La sécurité ne peut pas être ajoutée après coup, une fois l’agent déployé. Elle doit être intégrée dès le départ au modèle, à l’environnement d’exécution de l’agent et à la couche de données.
C’est le socle du framework de sécurité Data-Model-Agent de Snowflake.
Pourquoi l’IA agentique exige un nouveau modèle de sécurité
Les agents introduisent une nouvelle catégorie de risques, car ils combinent raisonnement, accès aux données et capacité d’action.
Dans un même workflow, un agent peut lire un document, interpréter une demande, interroger des données, appeler un outil tiers, générer du code ou recommander une modification opérationnelle. Chaque étape constitue un point de contrôle potentiel. Chaque appel d’outil élargit aussi la portée des conséquences possibles en cas d’erreur. Les actions des agents doivent être attribuables et gouvernées, et leurs effets réversibles.
C’est pourquoi les responsables de la sécurité doivent poser des questions difficiles, mais essentielles :
- Pouvons-nous distinguer les actions des agents de celles des humains ?
- Pouvons-nous limiter les agents aux seuls outils et données dont ils ont besoin ?
- Pouvons-nous empêcher les informations sensibles de sortir des périmètres approuvés ?
- Pouvons-nous nous protéger contre l’injection de prompt ?
- Pouvons-nous soumettre les actions à haut risque à une approbation ?
- Pouvons-nous auditer les événements a posteriori ?
Il ne s’agit pas de cas marginaux. Ce sont des conditions indispensables pour mettre des agents d’IA en production.
Le framework Data-Model-Agent
L’approche de Snowflake structure la sécurité de l’IA agentique en trois couches :
La couche de données, en premier lieu, applique le principe du moindre privilège, le masquage, les contrôles des mouvements de données, ainsi que les mesures de souveraineté, de résilience et de conformité, là où résident les données.
La couche du modèle protège le moteur d’intelligence contre les manipulations et maintient l’exécution dans le périmètre de sécurité du client.
La couche de l’agent gouverne le comportement, les outils, l’identité, les approbations et l’auditabilité des agents lorsqu’ils passent à l’action.
Ce framework à trois couches est essentiel : aucune fonctionnalité ne peut, à elle seule, sécuriser l’IA agentique. Une défense en profondeur doit couvrir l’ensemble du workflow.
Protéger les données : la gouvernance commence toujours par les fondations
L’IA ne change pas les règles de sécurité des données : si les fondations présentent des failles, elle les révélera. Les contrôles fondamentaux essentiels à l’analytique, comme le contrôle d’accès basé sur les rôles, le masquage, le chiffrement, les politiques réseau et l’auditabilité, gagnent encore en importance lorsque les agents peuvent agir de manière autonome.
Le modèle de gouvernance des données de Snowflake repose sur le principe du moindre privilège : les agents ne doivent accéder qu’aux données nécessaires à leur tâche. Les informations sensibles doivent être masquées ou restreintes avant même d’apparaître dans une réponse du modèle. Les mouvements de données doivent également être contrôlés pour empêcher ces informations de sortir des périmètres approuvés.
C’est là que l’architecture zero-copy de Snowflake prend tout son sens.
Le zero-copy ne consiste pas à faire comme si la latence, la géographie ou les frontières entre systèmes n’existaient pas. Il vise à réduire les copies inutiles, à limiter la prolifération des données, à préserver la souveraineté régionale et à maintenir la gouvernance au plus près des données. Plus une organisation crée de copies pour l’IA, plus elle doit dupliquer, surveiller et harmoniser les politiques associées. Moins il y a de copies, moins les données sensibles risquent d’être divulguées, ce qui renforce la posture de sécurité.
Sécuriser le modèle : le protéger contre les manipulations
L’injection de prompt est l’une des principales menaces propres à l’IA agentique. L’injection directe de prompt se produit lorsqu’un utilisateur tente de manipuler le modèle pour qu’il ignore les instructions. L’injection indirecte de prompt est plus dangereuse : un agent consulte une source externe, comme une page web, un PDF, un ticket ou un document, qui contient des instructions malveillantes dissimulées. L’agent peut considérer ces instructions comme légitimes et les exécuter par la suite.
C’est pourquoi la protection du modèle doit être un contrôle de premier plan. L’objectif est simple : protéger le modèle contre les manipulations et éviter les déplacements inutiles des données d’entreprise.
Snowflake Horizon AI Guardrails est conçu pour renforcer la protection contre les attaques par injection de prompt, connues comme émergentes, en ajoutant une couche de gouvernance entre l’intention de l’utilisateur, le raisonnement du modèle et l’exécution. Les administrateurs de compte peuvent activer en quelques minutes des garde-fous avancés contre l’injection de prompt grâce à une simple configuration au niveau du compte, sans modifier l’infrastructure ni développer de middleware personnalisé. Tout aussi important, l’architecture de Snowflake maintient l’IA au plus près des données d’entreprise gouvernées. Les clients évitent ainsi toute exposition inutile à des fournisseurs de modèles externes lorsque la confidentialité et le contrôle sont prioritaires.
Gouverner l’agent : identité, outils et actions
Dès qu’un modèle peut utiliser des outils, il devient un acteur de l’entreprise. Sans identité distincte pour chaque agent, les actions automatisées peuvent se fondre dans les journaux d’activité humaine. Il devient alors difficile de comprendre ce qui s’est passé, qui ou quoi a déclenché une action et comment y remédier.
L’approche de Snowflake attribue aux agents d’IA des identités distinctes et auditables, afin que chaque opération puisse être reliée à l’agent qui l’a exécutée. Les requêtes, les appels d’API et les invocations d’outils doivent être visibles, vérifiables et gouvernés.
La gouvernance des outils est tout aussi essentielle. Dès qu’un agent se connecte à des applications SaaS, à des API ou à des outils MCP, le périmètre de sécurité s’élargit. Les administrateurs doivent savoir quels agents peuvent appeler quels outils, dans quelles conditions et avec quelles autorisations.
Grâce à l’intégration de Natoma dans Snowflake, les entreprises peuvent gouverner l’utilisation des outils MCP au moyen d’une passerelle centralisée. Les équipes bénéficient ainsi d’un contrôle et d’une visibilité sur l’auteur de la demande, ses autorisations et la conformité de l’action. La plateforme permet d’appliquer le principe du moindre privilège, d’observer l’activité des outils et de déployer des contrôles cohérents sur l’ensemble du stack agentique, et pas seulement dans Snowflake. Elle intègre également plus de 100 serveurs MCP et 10 000 outils. Les collaborateurs n’ont ainsi plus besoin de déployer des serveurs open source d’IA fantôme non autorisés.
Pour les agents qui génèrent du code, l’isolation est également essentielle. Les agents doivent disposer de la puissance nécessaire pour accomplir leur mission, sans jamais fonctionner sans garde-fous. Snowflake prend en charge des environnements sandboxés pour les agents exécutés localement. Cette approche limite l’accès au système de fichiers et au réseau, tout en réduisant par conception le rayon d’impact potentiel.
Sécurité post-déploiement : du déploiement au contrôle continu
La mise en production d’un agent n’est qu’un début. Les entreprises doivent aussi surveiller et détecter les menaces, corriger les problèmes et assurer la reprise.
Le Trust Center de Snowflake rapproche la gestion de la posture de sécurité des workloads qu’elle protège. La solution AI Security Posture Management aide les équipes à identifier les vulnérabilités des workloads d’IA, tout en maintenant l’analyse dans le périmètre de confiance du client. Les politiques de déplacement des données contribuent à empêcher les données sensibles de quitter les environnements approuvés. Des signaux à haut niveau de confiance peuvent alerter les équipes en cas de schémas suspects de déplacement des données.
Snowflake facilite également l’application opérationnelle de la sécurité grâce à des workflows de remédiation et de conformité assistés par l’IA. Plutôt que de rassembler manuellement les preuves nécessaires aux audits ou aux contrôles de sécurité, les équipes peuvent produire des rapports plus complets et agir plus rapidement.
Pour les opérations hautement sensibles, Snowflake prend en charge l’approbation multipartite et la justification métier, afin de limiter les risques liés à un administrateur malveillant ou à des identifiants compromis. Pour renforcer la résilience, des fonctionnalités telles que les sauvegardes WORM (écriture unique, lectures multiples), la restauration à un instant donné et la réplication interrégionale facilitent la reprise en cas d’incident.
La sécurité ouvre la voie à l’IA agentique à grande échelle
La confiance est le socle de l’entreprise agentique. Elle doit être intégrée dès la conception à chaque composante de l’infrastructure de données. Les agents peuvent ainsi raisonner et agir dans différents systèmes, tandis que les données sensibles restent protégées et que les politiques de gouvernance continuent de s’appliquer.
C’est pourquoi l’approche de Snowflake en matière de sécurité agentique couvre l’ensemble du workflow : protéger les données, sécuriser le modèle et gouverner l’agent. Lorsque ces contrôles restent au plus près des données et du contexte de l’entreprise, les organisations peuvent concilier innovation et sécurité. Elles peuvent passer du prototype à la production en toute confiance et mettre les agents d’IA au travail là où ils doivent être : au sein d’une entreprise gouvernée.
Accélérez votre transformation agentique en toute sécurité
Découvrez comment Snowflake aide les entreprises à sécuriser et à gouverner leurs agents d’IA avec Horizon Catalog, Trust Center et le framework de sécurité Data-Model-Agent. Lancez votre transformation par l’IA en essayant Snowflake par vous-même, puis découvrez nos dernières annonces.
