Comment les entreprises peuvent-elles permettre aux agents d'agir de manière significative sans perdre le contrôle de l'accès aux données, des politiques ou des risques ?

Les entreprises peuvent permettre aux agents IA d'agir de manière significative sans perdre le contrôle en superposant six mécanismes de contrôle — identité distincte, accès selon le principe du moindre privilège, récupération de données tenant compte des autorisations, utilisation d'outils encadrée, points de validation humaine et pistes d'audit complètes — afin que chaque action d'un agent soit ancrée dans l'identité, le contexte et les politiques existantes.

Les enjeux ont changé lorsque les agents sont passés de la simple réponse aux questions à la prise d'action au sein des systèmes métier — une évolution qui, selon les prévisions de Gartner, concernera 40 % des applications d'entreprise d'ici la fin 2026, contre moins de 5 % aujourd'hui. Un seul agent peut désormais interroger des données sensibles, appeler des outils, mettre à jour des enregistrements et déclencher des flux de travail à la vitesse de la machine.

Le véritable défi consiste à accorder aux agents suffisamment d'autorité pour qu'ils soient utiles, sans ouvrir une nouvelle voie vers l'exposition des données ou le risque opérationnel. Un modèle viable repose sur cinq idées : une identité distincte, un accès selon le principe du moindre privilège, une exécution fondée sur des politiques, une validation humaine pour les étapes à haut risque et des pistes d'audit complètes.

Comment permettre aux agents d'agir de manière significative sans perdre le contrôle des données, de l'accès, des politiques ou des risques

Vous pouvez permettre aux agents d'agir de manière significative en superposant six mécanismes de contrôle plutôt qu'en vous appuyant sur un seul. Chaque agent se voit attribuer une tâche claire, une identité distincte, un accès aux données tenant compte des autorisations, une utilisation d'outils encadrée, des points de validation pour les étapes sensibles et un journal d'activité complet.

Le résultat est un modèle opérationnel en couches, et non un simple paramètre unique. Il combine la gestion des identités, la gouvernance des données et l'application à l'exécution qui évalue chaque requête au moment où elle se produit — et les recherches sur les systèmes multi-agents révèlent que la plus grande part des défaillances, environ 44 %, est imputable à la conception du système plutôt qu'aux limites des modèles. Les rôles statiques seuls restent rarement assez précis dès lors qu'un agent commence à appeler des systèmes en temps réel.

L'ordre des choses compte. Circonscrivez d'abord le problème, puis associez les contrôles d'accès, de politique et de validation avant d'élargir l'autonomie. De bonnes premières cibles sont les flux de travail répétitifs aux entrées connues et aux résultats mesurables, comme le routage des tickets d'assistance, la mise à jour d'enregistrements CRM ou la rédaction de relances clients.

Les agents IA dédiés fonctionnent au mieux comme des travailleurs orientés tâches, dotés de chemins d'exécution visibles, et non comme des superutilisateurs sans limites. Glean Agents suit ce modèle en respectant les autorisations appliquées en amont du modèle, de sorte qu'un agent ne récupère que ce que l'utilisateur à l'origine de la demande peut déjà voir.

1. Définir quelles actions les agents doivent entreprendre et quel degré d'autonomie mérite chaque action

Commencez par le travail, et non par le modèle. Dressez la liste des flux de travail où une exécution plus rapide est payante, puis décomposez chacun d'eux en les lectures, écritures, validations et transferts exacts dont un agent a besoin pour mener la tâche à bien. L'autonomie doit suivre la tâche, et non l'inverse.

Classez ces actions par niveaux, car chacune présente un profil de risque différent. Une échelle pratique va de lire et résumer, à recommander et rédiger, puis à mettre à jour et déclencher, et enfin à approuver et administrer. Lire un ticket d'assistance résolu exige bien moins de contrôle que modifier l'enregistrement de facturation d'un client.

Liez l'autonomie à la réversibilité. Les actions réversibles et à faible impact peuvent s'exécuter de manière autonome, tandis que les actions touchant les données financières, les autorisations, les systèmes de production ou les messages sortants devraient démarrer sous étroite supervision humaine.

Documentez les modes de défaillance avant le lancement, et non après un incident — dans les benchmarks de CMU et de Salesforce, les agents n'ont accompli qu'environ 30 à 35 % des tâches en plusieurs étapes, alors prévoyez celles qu'ils échouent. Décidez à l'avance de ce que fait l'agent lorsqu'il rencontre un contexte incomplet, choisit le mauvais outil, reçoit une instruction malveillante ou atteint des données soumises à des règles de confidentialité ou de conservation. De bons premiers candidats sont des tâches circonscrites aux résultats mesurables, comme la compilation de dossiers de comptes, le rapprochement de champs manquants ou l'assemblage d'une mise à jour de statut à partir d'enregistrements existants.

2. Attribuer à chaque agent une identité distincte et la lier correctement au contexte de l'utilisateur

Attribuez à chaque agent sa propre identité d'entreprise, avec un propriétaire, un objectif défini, un cycle de vie et un chemin de révocation. Si vous ne pouvez pas attribuer une action à un agent précis, la gouvernance échoue dès que quelque chose tourne mal.

Évitez les comptes de service partagés et les clés d'API trop larges. Les identités distinctes vous permettent de restreindre l'accès par agent, de faire tourner les identifiants en toute sécurité et de retracer qui a initié chaque récupération, appel d'outil et modification en aval.

Déterminez quand l'agent agit en son propre nom et quand il agit au nom d'un utilisateur. Cette distinction compte, car le contexte de l'utilisateur doit façonner ce que l'agent peut voir, récupérer, recommander et exécuter. En suivant les bonnes pratiques de gestion des autorisations utilisateur, les agents qui héritent des autorisations utilisateur existantes restent à l'intérieur de limites d'accès connues, au lieu de bâtir un modèle d'autorisations parallèle plus difficile à auditer.

Appliquez le principe du moindre privilège au niveau de l'identité. N'accordez que les autorisations requises par la tâche, limitez les droits élevés dans le temps et supprimez rapidement les périmètres inutilisés. Chaque action se retrace alors jusqu'à un agent approuvé, une demande utilisateur et un objectif métier défini.

3. Maintenir l'accès aux données au plus près de la source et en tenant compte des autorisations

Laissez les agents récupérer les données depuis des systèmes approuvés où les autorisations existent déjà, plutôt que de copier des contenus sensibles dans des espaces de stockage distincts aux contrôles plus faibles. Moins de copies signifie moins de failles de politique et moins de dérive de gouvernance.

Appliquez les autorisations au niveau de la source avant que l'information n'atteigne le modèle ou le planificateur. Si une personne ne peut pas voir un document, un champ, un message ou un enregistrement, l'agent ne devrait pas l'utiliser au nom de cette personne. La récupération tenant compte des autorisations maintient cette règle intacte au moment de la requête.

Appliquez le principe du moindre privilège jusqu'au niveau des données : référentiel, espace de travail, projet, enregistrement, champ, région ou classification. C'est par un accès trop large que naît la plupart des risques liés aux agents en entreprise. Classez les contenus sensibles en amont afin que les politiques d'exécution puissent traiter les données financières, les dossiers RH, les documents juridiques et les données réglementées différemment des connaissances générales.

Ancrez les agents dans les connaissances actuelles de l'entreprise plutôt que dans des exports obsolètes. Des documents, propriétaires, équipes et états de flux de travail à jour produisent de meilleures décisions, tout en restant à l'intérieur des limites d'autorisation existantes. Traitez la sécurité de l'IA d'entreprise comme un choix de conception à ce stade, avec des connecteurs protégés, un transport chiffré et des contrôles qui maintiennent les données sensibles dans des limites approuvées.

4. Limiter les outils, les actions et les modifications système grâce à des politiques d'agents centralisées

L'accès aux données ne représente que la moitié du problème. L'autre moitié est la gouvernance des outils : quels systèmes un agent peut appeler, quels objets il peut toucher, quelles actions il peut exécuter et dans quel environnement.

Rédigez des règles de politique qui évaluent chaque requête au moment de l'exécution, en s'appuyant sur l'identité, le contexte de l'utilisateur, la sensibilité des données, le type d'action, le système de destination, le moment et l'objectif métier. Les rôles statiques seuls restent rarement assez précis dès lors qu'un agent commence à appeler des systèmes en temps réel. Les recommandations de gouvernance cloud de Microsoft préconisent une base de référence unique et applicable. Elle devrait prolonger vos pratiques existantes d'identité, de données et de sécurité, plutôt qu'un modèle parallèle conçu uniquement pour l'IA.

Définissez des listes d'autorisation pour les outils et les opérations. Un agent d'assistance pourrait lire des tickets et rédiger des réponses, tandis qu'un agent d'exploitation pourrait ouvrir un dossier, mettre à jour un statut ou déclencher un flux de travail encadré. Aucun des deux n'a besoin d'un accès en écriture illimité.

Ajoutez un contrôle de politique entre la planification et l'action. Un agent peut proposer un plan en plusieurs étapes, mais validez chaque étape avant que le prochain appel système ne s'exécute. Protégez-vous aussi contre l'injection de prompts : les instructions dissimulées dans les pages récupérées, les fichiers téléversés ou les messages ne devraient jamais réécrire la politique système ni contourner les limites d'outils.

5. Ajouter des preuves, des aperçus et une validation humaine là où le rayon d'impact est plus élevé

Toutes les actions ne devraient pas s'exécuter à l'instant même où un agent les décide. Exigez une validation humaine lorsqu'un agent souhaite partager des informations sensibles, supprimer ou écraser des enregistrements, modifier des autorisations, transférer de l'argent ou modifier des systèmes de production.

Faites d'abord montrer son travail à l'agent. Un aperçu utile comprend la requête déclenchante, les sources utilisées, les contrôles de politique qu'il a passés, l'appel d'outil exact proposé et l'effet en aval attendu. Les relecteurs peuvent alors approuver, modifier ou rejeter avant que l'étape finale ne s'exécute.

Adoptez un modèle « brouillon d'abord » pour les flux de travail plus risqués. Laissez l'agent préparer la réponse, la mise à jour d'enregistrement ou le package de flux de travail, puis acheminez-le pour approbation. Ajoutez des codes de motif et une justification métier pour les accès exceptionnels, ce qui offre aux auditeurs et aux intervenants en cas d'incident un historique clair par la suite.

Privilégiez les flux de travail réversibles au lancement. Si une action peut être mise en file d'attente, préparée, isolée en bac à sable ou annulée, les équipes apprennent plus vite sans élargir l'exposition. L'agent accélère le travail, tandis que l'organisation garde le contrôle des moments qui comportent le plus grand risque financier ou de politique.

6. Rendre chaque action d'agent observable, examinable et améliorable en continu

Consignez la chaîne complète, et non seulement le résultat final : requête utilisateur, identité de l'agent, sources récupérées, décisions de politique, appels d'outils, validations, résultats et conséquences. C'est là que la plupart des programmes pèchent — seules 21 % des entreprises déclarent disposer d'un modèle de gouvernance mature pour l'IA agentique. Sans cette chaîne, l'examen post-incident se transforme en conjecture.

Surveillez les dérives de comportement et d'accès. Vérifiez si les agents commencent à puiser dans de nouvelles sources, à effectuer des appels d'outils inhabituels, à demander des autorisations plus larges ou à agir en dehors du schéma attendu pour le flux de travail. Intégrez des revues d'accès régulières au modèle opérationnel et révoquez les connecteurs ou périmètres dont l'agent n'a plus besoin.

Suivez conjointement la sécurité et la valeur. Parmi les mesures utiles figurent le temps gagné, les taux d'approbation, le volume d'exceptions, les blocages de politique, les faux positifs, le nombre d'incidents et la part de travail achevé sans accroître le risque. Des actions auditables et un journal d'activité tenant compte des autorisations rendent ces chiffres fiables.

Réinjectez ce que vous apprenez dans votre socle de connaissances. De meilleures métadonnées, une attribution de propriété plus claire et une hygiène des autorisations renforcée améliorent à la fois la qualité des réponses et la sécurité de l'automatisation. Les programmes matures évoluent en affinant l'observabilité et en renforçant les politiques, puis en élargissant l'autonomie uniquement là où les preuves démontrent que les contrôles tiennent.

Questions fréquentes sur la gouvernance des agents IA d'entreprise

Quels cadres les entreprises peuvent-elles utiliser pour gouverner efficacement les agents IA ?

L'approche la plus efficace combine cinq couches : des cas d'usage délimités, une identité distincte pour chaque agent, un accès aux données tenant compte des autorisations, une exécution d'outils fondée sur des politiques et une auditabilité continue. Cela fonctionne mieux comme une extension de vos pratiques existantes en matière d'identité, de sécurité et de gouvernance des données, plutôt que comme un système de contrôle distinct conçu uniquement pour les agents IA.

Comment les organisations peuvent-elles garder leurs données sécurisées tout en utilisant des agents IA ?

Maintenez la récupération au plus près de la source, appliquez les autorisations existantes avant que les données n'atteignent le modèle, limitez le volume de données déplacées et appliquez des contrôles distincts pour les contenus sensibles ou réglementés. La sécurité des données s'améliore lorsque les agents travaillent à partir de connecteurs approuvés et d'autorisations en temps réel plutôt que d'exports massifs, de jeux de données copiés ou de mémoires non gérées.

Quelles sont les bonnes pratiques en matière de contrôle d'accès avec les agents IA ?

Donnez à chaque agent sa propre identité, limitez l'accès aux systèmes et actions strictement nécessaires à la tâche, et distinguez ce que l'agent fait en son nom propre de ce qu'il fait au nom d'un utilisateur. Les modèles solides combinent un accès au moindre privilège, des vérifications de politique contextuelles, des identifiants à courte durée de vie et des revues régulières des autorisations inutilisées ou trop larges.

Comment les entreprises concilient-elles efficacité opérationnelle et gouvernance des données ?

Automatisez d'abord les parties d'un flux de travail à fort volume et à faible risque, puis ajoutez des approbations uniquement là où une mauvaise action causerait un préjudice réel. Alors que 88 % des organisations utilisent désormais l'IA dans au moins une fonction métier, la gouvernance accélère en réalité l'adoption, car les équipes savent quels flux de travail peuvent être automatisés en toute sécurité, quels contrôles existent déjà et où la revue humaine reste importante.

Quelles politiques réduisent les risques liés aux agents IA ?

Les politiques fondamentales des agents définissent les sources de données approuvées, les outils autorisés, les niveaux d'action, les seuils d'approbation, les exigences de journalisation, les règles de conservation, la réponse aux incidents et les chemins d'escalade. La gestion des risques s'améliore lorsque le langage de la politique est suffisamment précis pour être appliqué à l'exécution, et pas seulement assez large pour se lire agréablement dans un document.

Les entreprises qui tirent le meilleur parti des agents sont celles qui associent une action significative à un contrôle réel, une couche à la fois. Nous avons conçu notre plateforme Work AI pour faire respecter vos autorisations existantes, garder chaque action auditable et permettre aux agents d'agir uniquement dans le cadre des politiques que vous définissez. Demandez une démo pour découvrir comment nous pouvons mettre des agents gouvernés au service de votre entreprise.