Les entreprises déploient leurs premiers agents et découvrent aussi comment gouverner les interactions entre les modèles, les applications et les données ?

Une nouvelle catégorie de logiciels, les AI Gateways, ambitionne de devenir le point de contrôle de ces architectures. À l’image des API Gateways il y a vingt ans, cette couche pourrait redéfinir la manière dont les DSI construiront leurs infrastructures d’intelligence artificielle. A condition qu’elle tienne ses promesses.

L’histoire des systèmes d’information est jalonnée de ruptures technologiques qui ont progressivement fait apparaître de nouvelles couches d’infrastructure.

Au début des années 1990, la priorité était de connecter les réseaux tout en les protégeant : les pare-feu sont devenus le point de passage obligé entre l’entreprise et Internet.

Au début des années 2000, la généralisation des architectures orientées services puis des microservices a fait émerger une autre nécessité : contrôler les échanges entre applications. Les API Gateway se sont imposées pour authentifier les appels, appliquer des politiques de sécurité et fournir une visibilité centralisée.

Une décennie plus tard, l’explosion du cloud a donné naissance aux plateformes IAM modernes, aux CASB (Cloud Access Security Broker) aux solutions SASE et aux plateformes CNAPP (Cloud-Native Application Protection Platform, des outils de sécurisation des applications cloud) pour répondre à de nouveaux besoins de gouvernance.

L’IA générative semble suivre le même chemin. Après une première phase centrée sur le choix d’un modèle de langage performant, les entreprises découvrent qu’elles doivent désormais administrer un écosystème où plusieurs modèles coexistent, où des agents IA prennent des décisions, et où les interactions avec le système d’information deviennent plus nombreuses et plus dynamiques.

Du mono-modèle au multi-modèle

Entre 2023 et 2024, la plupart des expérimentations reposaient sur un seul fournisseur : une application appelait un modèle via une API, point final. Cette architecture reste simple.

En 2026, le changement d’échelle est net. Selon une analyse de Vercel portant sur les usages en production, la part des équipes exploitant cinq modèles ou plus est passée de 29 % à 37 % en un an. Un basculement structurel plutôt qu’un ajustement marginal.

Un assistant bureautique peut désormais mobiliser un modèle propriétaire pour la génération de texte, un modèle open source exécuté localement pour des traitements confidentiels, un modèle spécialisé pour l’analyse documentaire et un moteur multimodal pour l’image ou la vidéo.

Cette diversification répond à trois logiques :

• Économique : les tarifs varient fortement d’un fournisseur à l’autre, et le « race to the bottom » sur le prix au token pousse les DSI à arbitrer plutôt qu’à dépendre d’un seul acteur. Plusieurs gateways commerciales (Vercel, OpenRouter, Cloudflare, LiteLLM) ont d’ailleurs supprimé toute marge sur les tokens en 2026, déplaçant la concurrence vers la fiabilité et la gouvernance.
• Réglementaire : avec l’entrée en application progressive de l’AI Act, certaines entreprises veulent conserver la maîtrise de traitements sensibles ou privilégier des fournisseurs offrant davantage de garanties sur la localisation des données.
• Fiabilité opérationnelle : les incidents chez les grands fournisseurs de modèles ne sont plus anecdotiques. Selon des données citées par Vercel, les principaux fournisseurs de LLM ont chacun cumulé une vingtaine d’incidents et près de 180 heures d’indisponibilité sur le seul mois de décembre 2025. Un argument concret en faveur du multi-fournisseur et du failover automatique.

Cette évolution fait apparaître une difficulté nouvelle : comment administrer un environnement où plusieurs modèles sont utilisés simultanément par des centaines d’applications, sans multiplier les clés d’API et les intégrations ad hoc ?

Les agents IA changent la nature du système d’information

La généralisation des agents constitue un second facteur de rupture.

Un chatbot traditionnel répond à une question. Un agent peut planifier une série d’actions : consulter une base documentaire, interroger un ERP, créer un ticket dans un outil ITSM, envoyer un courriel, puis transmettre le résultat à un autre agent. Il ne produit plus seulement une réponse : il agit.

Pour les équipes d’architecture, cela change la nature des flux. Les échanges ne s’effectuent plus uniquement entre applications connues : ils impliquent des composants capables de choisir eux-mêmes quels outils utiliser selon le contexte.

Le protocole MCP (Model Context Protocol), qui standardise la façon dont un modèle accède à des outils externes et structure une bonne partie de ces échanges. Cependant, son adoption rapide crée aussi une nouvelle surface d’exposition, puisque chaque connecteur MCP est potentiellement une porte d’entrée vers un système interne.

Dans de nombreuses entreprises, chaque application dialogue encore directement avec le modèle retenu par son équipe de développement. Cette approche fonctionne tant que les projets restent peu nombreux mais elle devient difficile à maintenir dès que plusieurs dizaines d’applications utilisent plusieurs fournisseurs. Chaque équipe doit alors gérer séparément les clés d’API, les politiques de sécurité, les limites de consommation, la journalisation, les changements de version des modèles et les règles de conformité propres à chaque fournisseur.

Plus le nombre d’agents augmente, plus le nombre d’interactions explose, avec un risque bien connu : la multiplication incontrôlée de connexions point à point, que l’histoire des systèmes d’information a déjà vu se reproduire à chaque rupture technologique.

Une nouvelle couche apparaît : l’AI Gateway

Concrètement, une AI Gateway se place comme un proxy entre les applications et les fournisseurs de modèles (OpenAI, Anthropic, Google, Azure, modèles open source auto-hébergés).

Elle expose un point d’entrée unique et ajoute, selon les offres, du routage multi-modèle, du failover automatique en cas de panne d’un fournisseur, du cache sémantique pour réduire coûts et latence sur des requêtes similaires, des quotas et budgets par équipe ou par utilisateur, de la journalisation au niveau du token, ainsi que des fonctions de sécurité comme le masquage de données personnelles ou la détection de tentatives d’injection de prompt.

Le marché s’est structuré très vite en 2026, avec des positionnements différenciés :

Cette diversité montre que le terme « AI Gateway » recouvre encore des réalités différentes selon l’éditeur : certains sont d’abord des routeurs de coûts, d’autres des plateformes de gouvernance, d’autres des extensions d’API Gateway existantes.

Ce qu’en disent les analystes

Gartner a publié en 2025 et 2026 plusieurs travaux dédiés (Market Guide for AI Gateways et  Market Overview actualisé en 2026) qui positionnent cette couche comme un composant des futures architectures d’IA d’entreprise, chargé de gérer les connexions vers les services d’IA, d’appliquer des politiques de sécurité, de répartir les requêtes entre plusieurs modèles et d’améliorer la visibilité sur les coûts.

Le cabinet inscrit plus largement l’AI Gateway dans son cadre AI TRiSM (Trust, Risk and Security Management), dont il estimait le marché à environ 3,1 milliards $en 2025, avec une croissance annuelle projetée de l’ordre de 35 % jusqu’en 2030. Un chiffre à prendre comme un ordre de grandeur d’analyste plutôt qu’une certitude, la firme elle-même révisant régulièrement ses prévisions à mesure que le marché se consolide.

Le NIST AI Risk Management Framework converge sur le fond. Sans employer le terme « AI Gateway », il insiste sur la nécessité de mécanismes de gouvernance, de traçabilité et de surveillance continue tout au long du cycle de vie des systèmes d’IA. Des fonctions qu’une gateway peut techniquement porter, sans que le référentiel ne prescrive cette architecture en particulier.

La Cloud Security Alliance défend une lecture proche, estimant que la gouvernance de l’IA ne peut plus être traitée uniquement au niveau applicatif.

Ce que l’AI Act rend concrètement nécessaire

L’argument réglementaire mérite d’être précisé, car le calendrier a changé courant 2026.

Le paquet Digital Omnibus, adopté définitivement fin juin 2026, a reporté au 2 décembre 2027 la plupart des obligations pesant sur les systèmes à haut risque de l’annexe III (recrutement, crédit, éducation, justice, biométrie). Reste en vigueur au 2 août 2026 l’essentiel des obligations de transparence de l’article 50 : informer les utilisateurs qu’ils interagissent avec une IA, et identifier les contenus générés ou modifiés par IA.

Pour les systèmes qui resteront soumis au régime haut risque, l’article 12 impose une journalisation automatique et infalsifiable des événements, avec une conservation minimale de six mois (vingt-quatre mois pour la biométrie), et l’article 14 exige une supervision humaine effective.

Ce sont précisément les fonctions ( journalisation centralisée, traçabilité au niveau de chaque appel et points de contrôle humain ) qu’une AI Gateway peut industrialiser à l’échelle de dizaines d’applications, plutôt que de les faire reconstruire par chaque équipe projet. Le règlement précise aussi, dans ses considérants 99 et 100, que dans une chaîne d’agents IA, l’obligation de conformité s’étend à chaque agent exécutant une fonction à haut risque. Un argument de poids pour centraliser la gouvernance plutôt que de la disperser.

Le report ne change donc pas la logique de fond : il retire simplement l’urgence à très court terme, sans annuler la nécessité d’anticiper une architecture capable de produire ces preuves de conformité.

Les limites du concept

Cette convergence d’analyses ne doit pas masquer les zones d’incertitude.

Un marché encore jeune et instable. Le rachat de Portkey par Palo Alto Networks, l’incident de sécurité touchant LiteLLM et le nombre élevé d’éditeurs recensés (plus de 160 selon certains annuaires spécialisés) suggèrent une consolidation rapide plutôt qu’un marché mature. Une DSI qui adopte aujourd’hui une gateway prend un pari sur la pérennité de son éditeur.

Un nouveau point de défaillance unique. Concentrer tout le trafic IA sur une seule couche crée mécaniquement un single point of failure : si la gateway tombe, c’est l’ensemble des applications IA de l’entreprise qui s’arrête, même si les modèles sous-jacents fonctionnent normalement.

Une latence ajoutée, mais généralement marginale. Plusieurs comparatifs indépendants estiment le surcoût d’une gateway bien opérée à quelques millisecondes à quelques dizaines de millisecondes. Ceci est négligeable face à un appel de modèle qui dure plusieurs secondes, sauf en cas de mauvaise implémentation.

Une frontière floue avec l’existant. Une partie des fonctions revendiquées (authentification, quotas, logs) peut aussi être portée par une API Gateway classique déjà en place, ce qui pose la question : faut-il une brique dédiée ou une extension de l’infrastructure API existante ? Les offres de type Kong ou Zuplo, qui fusionnent les deux mondes, illustrent que la frontière entre « API Gateway » et « AI Gateway » n’est pas encore stabilisée.

Le risque de gouvernance en façade. Une gateway journalise et contrôle les flux, mais elle ne résout pas à elle seule les causes profondes des incidents d’IA en entreprise. Gartner estime qu’une large majorité des transactions IA non autorisées proviennent de mauvais usages internes plutôt que d’attaques malveillantes. Un problème davantage organisationnel que technique, qu’un outil ne suffit pas à traiter.

Ce que cela signifie pour les DSI

L’histoire des pare-feu, des API Gateway puis des CASB montre que ces couches d’infrastructure, une fois qu’elles s’imposent, deviennent difficiles à retirer.

Pour une DSI qui déploie aujourd’hui plusieurs modèles et commence à expérimenter des agents, la question n’est plus de savoir si une gouvernance centralisée sera nécessaire, mais quand l’introduire et avec quel degré de couplage à l’infrastructure existante.

Un point de départ raisonnable consiste à cartographier les usages IA actuels et à venir, à évaluer si une extension de l’API Gateway déjà en place suffit à court terme, et à ne s’engager sur un éditeur dédié qu’après avoir mesuré son modèle de sécurité, sa pérennité financière et le degré de lock-in qu’il introduit.

Dans un marché qui se consolide aussi vite qu’il grossit, la prudence sur le choix du fournisseur compte au moins autant que la décision d’adopter la brique elle-même.

Sources :
> Gartner (Market Guide for AI Gateways, 2025 ; Market Overview for AI Gateways, 2026 ; Market Guide for AI Trust, Risk and Security Management, 2025
> NIST AI Risk Management Framework 1.0
> Cloud Security Alliance
> Règlement (UE) 2024/1689 (AI Act)
> Paquet Digital Omnibus adopté fin juin 2026 

The post AI Gateway : la prochaine bataille des infrastructures IA appeared first on Silicon.fr.

L’intitulé du poste, lui, ne ressemble à aucune fonction juridique classique : Principal Legal Engineer.

Ni avocat senior, ni ingénieur logiciel, ni chef de projet transformation : un peu des trois à la fois.

Rattaché à l’organisation Corporate, External & Legal Affairs (CELA) de Microsoft, via son entité Customer & Partner Solutions, Le futur recruté travaillera sous la responsabilité du directeur de l’AI Operations, et devra collaborer avec les ingénieurs, les avocats et les équipes opérationnelles du groupe.

Sa fiche de poste ? Concevoir et déployer des agents IA, retravailler les prompts et les workflows juridiques, exploiter à la fois Microsoft 365 Copilot, la plateforme spécialisée Harvey et la Power Platform maison, mesurer l’adoption réelle de ces outils, former les équipes juridiques et garantir la fiabilité de ces systèmes une fois en production. Il s’agit donc bien de construire, pas seulement de superviser.

Le coeur du poste, c’est l’orchestration

En juillet dernier, la legaltech Harvey a en effet annoncé que la CELA de Microsoft (environ 2 000 avocats et professionnels de la conformité) allait déployer sa plateforme pour ses opérations juridiques et de conformité.

La direction juridique de Microsoft fonctionnera donc avec les deux outils : Copilot pour les usages généralistes, intégré à. Microsoft 365, et Harvey pour les tâches à forte exigence métier comme l’analyse de contrats, la recherche juridique, la comparaison de clauses ou le traitement de dossiers complexes.

Le poste inclut la construction d’une couche d’intelligence opérationnelle capable d’agréger des données issues de plusieurs plateformes ( Copilot, Harvey, Power Platform. ) pour suivre en continu l’adoption de l’IA, la productivité générée, l’état de santé des systèmes et les usages émergents. En somme, un centre de pilotage de la donnée d’usage IA appliqué à une fonction juridique entière.

Côté profil, Microsoft exige un diplôme de droit, six ans d’expérience minimum comme avocat ou équivalent, et une habilitation à exercer. Le poste, basé à Redmond avec quatre jours de présence hebdomadaire au bureau, est rémunéré jusqu’à 278 900 dollars par an.

The post Le « Legal Engineer », ce nouveau métier à la frontière du droit et de l’IA que Microsoft recrute appeared first on Silicon.fr.

Des chercheurs de Check Point Research ont identifié un nouvel épisode de l’opération « Dream Job », vaste campagne d’espionnage attribuée au groupe nord-coréen Lazarus.

Cette fois, les cyberattaquants ont combiné une ingénierie sociale particulièrement élaborée à l’exploitation d’une vulnérabilité jusque-là inconnue pour pénétrer les réseaux d’entreprises de la défense et de l’aérospatiale en Europe, en Inde et en Amérique du Sud.

Le mode opératoire repose sur de fausses propositions d’embauche censées émaner de grands noms du secteur, notamment Lockheed Martin et l’entreprise spécialisée dans la protection des données Enveil.

Pour rendre la supercherie crédible, les assaillants sont allés jusqu’à créer plusieurs faux sites imitant celui d’Enveil, certains étant suffisamment bien référencés pour apparaître en haut des résultats de recherche.

Les victimes, pensant télécharger des documents ou logiciels depuis une source légitime trouvée via un moteur de recherche, installaient en réalité le programme malveillant des attaquants. Cette approche rend caducs les réflexes classiques de vigilance, puisque ni le recruteur, ni le site, ni le classement Google ne permettaient de déceler la supercherie.

Une cible géopolitique précise

Une fois le piège refermé, un faux lecteur PDF baptisé « SecurityPDF » servait de porte d’entrée pour déployer discrètement une nouvelle porte dérobée modulaire, surnommée « Troy », capable d’exécuter dix-sept commandes différentes selon les instructions des opérateurs.

Parallèlement, les attaquants ont eu recours à une version mise à jour du rootkit FudModule (3.1), qui exploitait une vulnérabilité jusqu’alors inconnue dans le pilote Windows AFD.sys pour obtenir les droits système les plus élevés et désactiver les outils de détection habituellement déployés par les entreprises.

Cette faille, référencée CVE-2026-68820, a été signalée aux équipes de Microsoft, qui l’ont corrigée dans le cadre de leur mise à jour de sécurité mensuelle du 11 août 2026.

Les secteurs visés touchent notamment aux capteurs de surveillance, aux drones et à la robotique militaire. Plusieurs pays sont concernés, dont la France, l’Allemagne, le Brésil et l’Inde. Cette dernière est particulièrement exposée du fait de l’essor rapide de son industrie de défense et d’aérospatiale.

Une infrastructure de commande discrète

Plutôt que de s’appuyer sur des serveurs dédiés facilement repérables, Lazarus a privilégié le détournement d’installations de messagerie web Roundcube et de plateformes de gestion de contenu compromises, en s’appuyant notamment sur une faille connue (CVE-2025-49113, pour laquelle un correctif existe déjà) et sur des identifiants dérobés circulant sur le dark web.

Un nouveau webshell, nommé « RelayShell », a permis de transformer au moins dix-sept serveurs compromis en relais pour les communications entre les machines infectées et les opérateurs du groupe.

Point particulièrement inquiétant relevé par les chercheurs : une organisation française déjà compromise a ensuite été utilisée comme point de départ pour lancer de nouvelles vagues de phishing ciblé à travers le monde, en s’appuyant sur sa réputation pour crédibiliser les nouveaux messages piégés. Une intrusion réussie peut ainsi servir de tremplin à d’autres attaques, bien au-delà de la victime initiale.

Pour Sergey Shykevich, responsable du renseignement sur les menaces chez Check Point Software, le plus inquiétant dans cette campagne n’est pas tant la faille zero-day exploitée que la capacité des attaquants à s’appuyer sur des signaux de confiance habituellement fiables : un bon classement dans les résultats de recherche, l’apparence de marques reconnues, ou encore la réputation d’organisations déjà compromises.

The post Comment Lazarus détourne des offres d’emploi pour infiltrer l’industrie de la défense appeared first on Silicon.fr.

Les gains de productivité que permet l’IA bousculent un pilier historique du secteur des services numériques : la facturation au temps passé.

Le basculement vers des contrats fondés sur les résultats n’est plus une option marketing, mais une nécessité économique. C’est le constat posé lors du premier Forum des ESN & ICT organisé par Numeum en juin dernnier. Plus de 60 dirigeants du secteur s’y sont retrouvés pour débattre des nouveaux modèles de consommation des services numériques à l’ère du cloud et de l’IA ?

« Pendant des années, les ESN ont vendu du temps, des profils, des « man-days ». Mais aujourd’hui, les clients n’achètent plus du temps… ils achètent des résultats. Et c’est là que l’IA change tout », résume Charles Mauclair, président du Collège ESN/ICT de Numeum.

Concrètement, cette trajectoire distingue trois logiques de consommation : l’achat de licences et d’infrastructures (possession), la consommation de capacités cloud et de services managés (usage), et enfin l’achat de résultats mesurables comme les gains de productivité et lescapacités opérationnelles (valeur).

Les modèles de régie au TJM (Taux Journalier Moyen), encore dominants, se retrouvent de plus en plus concurrencés par des engagements construits autour de la performance ou du partage des gains.

L’IA, premier moteur de croissance… et de tension

L’étude « Grand Angle ESN & ICT 2025 », publiée par Numeum et KPMG en octobre 2025, illustre l’ampleur du phénomène.

L’IA générative arrive en tête des opportunités de marché identifiées par 81% des ESN et ICT interrogées, devant la transformation digitale (58%) et la cybersécurité (56%). Sur le terrain, 72% des entreprises du secteur utilisent déjà l’IA dans leurs processus de delivery, et 67% dans leurs fonctions administratives.

Les gains de productivité mesurés sont significatifs : 12,5% en 2025 chez les éditeurs, avec une progression anticipée à 17% en 2026. Chez les ESN, la trajectoire est encore plus marquée, avec des gains qui devraient passer de 15% à 22,3% entre 2025 et 2027.

Mais cette productivité accrue se retourne partiellement contre le modèle économique historique du secteur. « L’IA augmente la productivité des équipes, mais met sous pression les modèles basés sur le volume de travail humain », relève Numeum dans son analyse de conjoncture.

Le syndicat cite un chiffre qui inquiète les directions d’ESN : 22% des DSI estiment déjà que l’IA agentique pourrait réduire certaines de leurs dépenses logicielles, avec un effet d’entraînement potentiel sur les revenus des prestataires.

« L’équation économique est sous tension », admet Charles Mauclair. « Les ESN doivent transformer leur offre pour rester pertinentes : passer de la vente de temps à la création de valeur augmentée. »

Trois trajectoires de transformation se dessinent : le pivot vers des modèles hybrides associant expertise humaine et agents IA, le développement de nouvelles activités à forte valeur ajoutée (design et orchestration d’agents, gouvernance, intégration aux processus métiers) et la recomposition des contrats autour des résultats obtenus plutôt que du temps facturé.

Des contrats qui glissent du TJM vers l’outcome-based

Cette recomposition contractuelle se traduit déjà très concrètement dans les négociations et les appels d’offres.

Trois mécanismes reviennent régulièrement. D’abord des engagements de productivité assortis de pénalités ou de bonus. Ensuite, un pricing indexé sur les économies réalisées et les revenus additionnels générés. Enfin, sur des dispositifs de gain-sharing où le prestataire et le client se partagent les économies issues de l’IA.

« Les clients n’achètent plus du temps… ils achètent des résultats », martèle Charles Mauclair. Les ESN qui continueront de vendre du temps risquent une compression durable de leurs marges.

Le marché français fournit plusieurs illustrations de cette bascule.

BNP Paribas a renouvelé pour trois ans son accord-cadre avec Mistral AI, en étendant les cas d’usage d’IA générative et agentique à des processus critiques du groupe. La Caisse des Dépôts a signé, avec Sopra Steria, Computacenter et Mistral AI, un accord-cadre de 140 millions € sur quatre ans portant sur le déploiement de 40 000 licences d’IA générative, au bénéfice d’environ 100 000 utilisateurs. Chez TP (ex-Teleperformance), environ 7% du chiffre d’affaires provient désormais de contrats de type « revenue-as-a-service », indexés sur des résultats tels que la génération de revenus, la rétention client ou les économies réalisées.

Autant d’exemples qui montrent que les grands comptes français ont déjà engagé leurs prestataires dans une logique de valeur, et non plus de simple effort fourni.

Vendre des capacités augmentées, pas des profils

Pour Numeum, la transformation implique aussi une refonte de l’offre elle-même. Dans l’étude Grand Angle, 63% des répondants déclarent avoir créé de nouvelles offres fondées sur l’IA, 58% constatent une accélération de leurs cycles de delivery, et 54% se disent capables de répondre plus rapidement aux appels d’offres grâce à l’IA.

« Il ne s’agit plus de vendre des profils, mais de vendre des capacités opérationnelles augmentées par l’IA », résume Charles Mauclair.

Cette mutation ne se fera pas sans efforts. Numeum pointe trois enjeux prioritaires.

D’abord la formation. Une étude EY–Syntec Conseil citée par le syndicat montre que 66% des entreprises qui réussissent leur adoption de l’IA à l’échelle départementale ont investi dans un programme de formation structuré, contre moins de 20% chez celles qui échouent.

Ensuite la gouvernance, avec un accent mis sur la sécurité des données et la conformité réglementaire (AI Act, DORA, RGPD). Enfin la souveraineté  avec  le recours à des solutions d’IA françaises ou européennes.

« L’IA n’est pas une menace pour les ESN, c’est une opportunité de se réinventer », conclut Charles Mauclair.

A condition que cette réinvention touche à la fois les offres, les compétences et les contrats.

The post Services IT : comment l’IA fait évoluer les contrats de prestation appeared first on Silicon.fr.

Microsoft s’apprête  à retirer la version « licences incluses » de son service Azure VMware Solution (AVS). C’était l’une des toutes dernières solutions permettant d’acquérir des produits VMware en dehors des offres groupées imposées par Broadcom.

Jusqu’à présent, AVS représentait une alternative de choix pour les organisations souhaitant conserver leurs environnements VMware dans le cloud sans avoir à basculer vers VMware Cloud Foundation (VCF), la grande suite cloud hybride de Broadcom.

L’offre cloud de Microsoft comprenait ainsi les licences pour vCenter, vSAN, vSphere et NSX, mais n’intégrait pas le Software-Defined Datacenter Manager, l’outil utilisé par Broadcom pour centraliser la gestion de son offre phare VCF.

« Bring Your Own License » (BYOL), la nouvelle norme

D’autres géants du cloud avaient d’ailleurs déjà dû s’adapter à cette exigence, annoncée par Broadcom à la fin de l’année dernière.

The post Microsoft met fin à son offre Azure VMware Solution avec licences incluses appeared first on Silicon.fr.

Stripe élargit son terrain de jeu.  Après avoir optimisé les flux financiers, le spécialiste des paiements s’attaque à leur consommation d’IA.

Avec l’acquisition d’OpenRouter, il veut agir au cœur de la machine pour router les requêtes, optimiser les tokens et surtout faire baisser la facture des modèles.

Le métier d’OpenRouter consiste à faire abstraction de la multiplication des modèles et des fournisseurs d’IA. Au lieu d’intégrer séparément les API d’OpenAI, Anthropic, Google, Meta ou d’autres fournisseurs, un développeur peut passer par une seule interface.

La plateforme peut ensuite déterminer vers quel modèle acheminer une requête en fonction de plusieurs paramètres : prix, vitesse, disponibilité, fiabilité ou complexité de la tâche. Cette capacité de routage devient particulièrement importante alors que les entreprises combinent de plus en plus de modèles au sein d’une même application

OpenRouter permet aux développeurs d’accéder, via cette interface unique, à plus de 400 modèles d’IA provenant de plus de 80 fournisseurs.

Si le montant de l’opération n’a pas été officiellement communiqué, des sources proches du dossier l’évaluent à un peu plus de 8 milliards $, indique Reuters. Soit la plus importante acquisition de Stripe à ce jour.

Avec OpenRouter Stripe veut contrôler la facture de l’IA

OpenRouter indique que son infrastructure traite désormais plus de 10 000 milliards de tokens par jour et sert plus de 10 millions de développeurs et d’entreprises. Sa plateforme donne accès à plus de 400 modèles issus de plus de 80 fournisseurs. Nvidia, Zoom et Lovable figurent notamment parmi ses clients.

Le rapprochement entre les deux sociétés est moins surprenant qu’il n’y paraît. Stripe optimise déjà les transactions financières de ses clients en arbitrant entre moyens de paiement, taux d’autorisation ou mécanismes de lutte contre la fraude. Avec OpenRouter, il peut appliquer une logique comparable à la consommation d’IA.

Quel modèle utiliser ? À quel prix ? Avec quel niveau de performance ? Et combien cette requête va-t-elle réellement coûter ?

Des questions devenues centrales à mesure que les entreprises passent des expérimentations aux déploiements de grande ampleur.

Stripe avait d’ailleurs commencé à se positionner sur ce terrain avant l’acquisition, notamment avec Token Billing, un service destiné à mesurer et facturer l’utilisation des modèles d’IA. L’acquisition d’OpenRouter lui apporte désormais la brique permettant d’agir directement sur cette consommation.

Le token, nouvelle unité économique

Pour Stripe, le token est donc appelé à devenir une nouvelle unité économique qui doit être optimisée.

Cette approche prend une dimension particulière avec l’arrivée des agents IA. Une application traditionnelle génère un nombre relativement prévisible d’appels. Un agent capable de planifier une tâche, d’utiliser des outils, de consulter des données et de solliciter plusieurs modèles peut, lui, multiplier les appels aux LLM.

Le problème n’est alors plus seulement de choisir le meilleur modèle, mais de choisir le modèle suffisamment performant au meilleur coût pour chaque étape du processus.

C’est là que le positionnement d’OpenRouter devient particulièrement intéressant pour Stripe.

Une entreprise pourrait, par exemple, utiliser un modèle haut de gamme pour une tâche complexe, un modèle moins coûteux pour une classification ou une synthèse simple et basculer automatiquement vers un autre fournisseur en cas de saturation ou d’indisponibilité.

Le routeur devient alors une sorte de couche de gestion des dépenses d’IA.

Ce n’est pas très éloigné de ce que Stripe fait depuis longtemps dans les paiements. Une entreprise ne se préoccupe pas nécessairement de la complexité du réseau bancaire situé derrière son paiement ; elle confie cette orchestration à Stripe.

Un marché qui dépasse largement OpenAI

L’intérêt de cette position tient aussi au fait que Stripe ne parie pas sur un modèle particulier.

OpenAI, Anthropic, Google, Meta et les nombreux fournisseurs de modèles open source se livrent une bataille permanente sur les performances, les prix et les capacités. Dans cet environnement, miser sur la couche située entre les modèles et les applications peut être plus pérenne que de miser sur un fournisseur donné.

C’est précisément le pari effectué par OpenRouter depuis sa création en 2023. Plutôt que de chercher à construire un modèle concurrent, elle s’est positionnée comme une infrastructure permettant d’exploiter le foisonnement des modèles.

Son acquisition par Stripe valide en quelque sorte cette approche.

The post Avec OpenRouter, Stripe veut contrôler la facture de l’IA appeared first on Silicon.fr.

Palo Alto Networks veut prendre de vitesse les cyberattaques dopées à l’IA. L’éditeur lance Frontier AI Critical Defense pour organiser une réponse collective à la menace qui pèse sur les infrastructures critiques.

A l’origine de l’initiative, ses équipes ont utilisé des modèles d’IA de pointe (Frontier AI) pour identifier plus de 14 000 vulnérabilités jusqu’alors inconnues dans des logiciels open source.

Un problème critique pour les opérateurs d’infrastructures vitales ( énergie, santé, industrie, transports) qui ne peuvent pas corriger leurs systèmes à la vitesse de l’IA. De fait, leurs contraintes de disponibilité et leurs exigences de tests de sécurité créent une fenêtre d’exposition potentiellement longue entre la découverte d’une vulnérabilité et le déploiement d’un correctif logiciel.

Le Frontier Virtual Patching comme réponse

La réponse technique est baptisée Frontier Virtual Patching. Il s’agit d’un dispositif de correctifs déployés au niveau du réseau, de manière proactive, avant même que les vulnérabilités ne soient transformées en armes par des attaquants. Ce mécanisme combine la détection de menaces par Frontier AI avec une veille fiable sur les vulnérabilités, tout en protégeant les détails sensibles de ces vulnérabilités contre une divulgation prématurée.

Le programme s’appuie sur des collaborations déjà existantes ( IBM et Red Hat via Lightwell, Microsoft via le programme MAPP, Siemens et l’Idaho National Laboratory via l’OT Threat Research Lab) et s’élargit aujourd’hui à de nouveaux acteurs de premier plan.

Parmi les nouveaux entrants : Anthropic et OpenAI pour leurs capacités en modèles d’IA de pointe, des leaders de l’OT comme Mitsubishi et Axis Communications, des consortiums sectoriels de partage d’informations comme Health-ISAC et l’Analysis and Resilience Center for Systemic Risk, l’institut de recherche énergétique EPRI, ainsi que l’initiative open source Akrites portée par la Linux Foundation.

En coordonnant la découverte des vulnérabilités, leur qualification et le déploiement de correctifs virtuels à l’échelle du réseau, le programme Frontier AI Critical Defense entend transformer une réponse jusqu’ici fragmentée en une défense collective et proactive.

Les secteurs visés , OT industriel, santé, énergie, open source, sont précisément ceux où le délai entre la découverte d’une faille et sa correction est le plus long et le plus dangereux.

Enjeux et limites

Ambitieux sur le papier, le programme soulève néanmoins plusieurs questions concrètes.

La question de la confiance et du partage d’informations est centrale. La participation repose sur la volonté des éditeurs de partager des détails sensibles sur les vulnérabilités sous embargo. Or des considérations juridiques ou concurrentielles peuvent freiner ce type de coopération, en particulier lorsque les acteurs impliqués sont également en concurrence sur certains marchés.

Ensuite, la portée du virtual patching est par nature limitée. Le mécanisme protège au niveau réseau, mais ne remplace pas les correctifs applicatifs ou système. Il s’agit d’une mesure temporaire destinée à réduire la fenêtre d’exposition, non d’une solution permanente. Les opérateurs d’infrastructures critiques devront donc continuer à déployer leurs correctifs logiciels classiques en parallèle.

Enfin, la dépendance à l’écosystème Palo Alto mérite d’être soulignée. Les protections sont déployées via les offres de l’éditeur ( pare-feu, SASE), ce qui peut limiter l’adoption pour les organisations opérant dans des environnements hétérogènes, non équipés de solutions Palo Alto. Un point qui conditionne directement l’ampleur réelle de la couverture que le programme peut offrir.

The post Palo Alto Networks lance son programme Frontier AI Critical Defense appeared first on Silicon.fr.

Après la séquence « excuses » du ministre des Comptes publics David Amiel aux 678 000 particuliers et professionnels, victimes du vol de leurs données fiscales, il fallait bien une réponse du gouvernement pour résorber cette « dette technique » à coup de  « moyens humains et financiers ». 

A l’issue  d’une cellule interministérielle de crise, réunie par le Premier ministre le 17 août, une série de mesures censées colmater les brèches du système d’information de Bercy a été annoncée dans la foulée.

Premier totem de la riposte gouvernementale : la généralisation de la double authentification pour l’ensemble des agents de la DGFiP, promise d’ici la fin de l’année. Mais Bercy le reconnaît lui-même : plusieurs comptes déjà protégés par ce dispositif auraient pu être compromis lors des derniers incidents. Le double facteur, aussi indispensable soit-il, ne fait donc pas tout : encore faut-il surveiller ce qui se passe après la connexion.

C’est le deuxième axe du plan : renforcer les dispositifs de détection pour améliorer l’identification des usurpations de comptes et des comportements suspects. Par ailleurs, les systèmes de quotas d’accès, déjà appliqués à certains fichiers comme FICOBA, devraient être plus largement déployés. Comme sur un air de « zero trust »…

Authentifier, sensibiliser, détecter

Troisième pilier, plus humain : l’intensification des campagnes de bug bounty et le renforcement des formations. Egalement évoqué, un recours redoublé à l’IA pour simuler des attaques et détecter les vulnérabilités avant qu’elles ne soient exploitées.

Un service minimum dans le domaine cyber serait-on tenté de dire…

D’autant que la recrudescence des violations massives touchant les bases de données des services de l’Etat est largement documentée.

Dans un bilan publié en janvier 2025, la CNIL avait notifiée 5 629 violations de données personnelles en 2024, soit une hausse de 20 % sur un an, avec un nombre d’incidents touchant plus d’un million de personnes ayant doublé en douze mois.
Le rapport décrivait d’ailleurs, scène par scène, le mode opératoire en cinq actes qui allait se rejouer à la DGFiP :  obtention de données de connexion légitimes, accès au système d’information, exploration massive des données du fait d’habilitations trop larges, extraction en volume faute d’indicateurs de détection suffisants, puis mise en vente des données sans que l’organisme s’en aperçoive.

L’institution recommandait, noir sur blanc, l’authentification multifacteur, la sensibilisation des collaborateurs, une politique d’habilitations restreintes et une analyse en temps réel des journaux de connexion…Soit, presque au mot près, les mesures que Bercy annonce aujourd’hui dans l’urgence.

La question qui se pose est celle du délai entre le diagnostic et l’application.

Solidaires Finances Publiques : « communiquer n’est pas sécuriser »

Dans un communiqué publié le jour même de la cellule de crise, le syndicat Solidaires Finances Publiques dénonce des annonces jugées très en deçà des enjeux. Le syndicat s’interroge notamment sur le devenir de la première enveloppe de 200 millions €, déjà promise en avril dernier après la fuite de données de l’ANTS.

Une somme dont l’utilisation resterait, à ce jour, largement floue.

Sur le fond, l’organisation syndicale relie la vulnérabilité de l’administration fiscale à des choix budgétaires assumés depuis des années. La réduction continue des moyens humains et techniques aurait, selon elle, directement fragilisé les capacités de défense de la DGFiP.

Quant aux tests d’intrusion préconisés pour identifier les failles internes, le syndicat juge l’annonce d’autant plus surprenants qu’ils devraient déjà constituer la norme dans un système d’information aussi sensible que celui du fisc et que l’ANSSI les recommande de longue date.

Le plan présenté par Bercy affronte un double scepticisme. Si techniquement, on l’a vu, les mesures annoncées cochent les bonnes cases, leur crédibilité se jouera dans leur déploiement rapide et dans la traçabilité des budgets promis depuis l’affaire ANTS.

Vol de données massifs : huit années d’intrusions dans les services de l’État

« `

The post Cyberattaque à la DGFiP : le plan de riposte qui peine à convaincre appeared first on Silicon.fr.

Dans un billet publié le 18 août, OpenAI indique avoir temporairement ralenti la montée en puissance de l’entraînement de ses modèles de pointe, notamment avec une pause de deux semaines dans l’apprentissage par renforcement (RL) de ses derniers modèles destinés au déploiement.

OpenAI explique que deux développements récents ont accru l’urgence de renforcer ses garde-fous.

D’une part, « l’incident OpenAI-Hugging Face », au cours duquel un agent IA en test aurait mené une cyberattaque autonome contre une autre entreprise d’IA. OpenAI affirme que cet incident a conduit l’entreprise à revoir à la hausse son évaluation des capacités cyber de ses modèles.

D’autre part, des évaluations préliminaires montrent que Astra, l’un de ses prochains modèles, pourrait satisfaire le seuil « Critical » de capacités en cybersécurité défini dans son « Preparedness Framework ». OpenAI précise toutefois qu’Astra n’était pas impliqué dans l’exploitation de Hugging Face.

Selon ce cadre de préparation aux risques d’OpenAI, le niveau« Critical » correspond à la capacité d’identifier et de développer sans intervention humaine des exploits zero-day fonctionnels contre de nombreux systèmes critiques réels et sécurisés, ou de concevoir et d’exécuter des stratégies de cyberattaque de bout en bout à partir d’un objectif de haut niveau.

À titre de comparaison, les modèles GPT-5.6-Sol et GPT-5.6-Cyber avaient jusqu’ici été évalués au niveau « High » en cybersécurité, sans atteindre le seuil « Critical ».

OpenAI affirme donc devoir « prendre le temps nécessaire » pour mettre ses standards de surveillance, d’alignement et de sécurité au niveau des risques associés à ces nouvelles capacités.

Ce qui a été ralenti et ce qui reste en pause

Concrètement, OpenAI a mis en place plusieurs mesures.

• Une pause de deux semaines dans les entraînements par apprentissage par renforcement des derniers modèles destinés au déploiement, afin de renforcer la sécurité de ses environnements de recherche, de les soumettre à de nouveaux tests offensifs et d’étendre la couverture de ses systèmes de surveillance.
• Le maintien en attente de sa plus importante campagne d’entraînement par renforcement sur un modèle de frontière, tandis que des entraînements et évaluations à plus petite échelle se poursuivent pour tester les garde-fous et accumuler davantage de preuves d’alignement.
• La suspension de nombreuses charges de travail liées à Astra et aux modèles cyber, jusqu’à leur migration complète vers des environnements répondant aux nouvelles exigences de sécurité.

Surveillance multistade et alertes en 30 minutes

OpenAI indique avoir revu son approche de surveillance pour couvrir davantage de scénarios à risque, notamment les sessions longues et les agents de programmation internes.

Le nouveau système fonctionne selon plusieurs niveaux :

• Des classifieurs d’activation inspectent l’activité interne du modèle à chaque token échantillonné.
• Les signaux suspects sont transmis à des systèmes d’investigation automatisés de plus en plus sophistiqués. Ceux-ci examinent les actions réalisées avec les outils, le raisonnement disponible et la séquence complète d’activité afin de détecter les accès non autorisés, les vols de données, les comportements destructeurs ou les tentatives de contournement des garde-fous.
• L’objectif est d’émettre une alerte dans les 30 minutes suivant la détection d’une activité préoccupante.
• Lorsqu’une violation probable d’une frontière de sécurité critique est détectée, les équipes chargées de la sûreté, de la sécurité et de la recherche sont alertées. Si elles ne peuvent pas établir dans les 30 minutes qu’il s’agit d’un faux positif, elles doivent interrompre l’activité concernée.

Ce dispositif de surveillance est désormais obligatoire pour tous les entraînements par renforcement et toutes les évaluations utilisant des outils sur les modèles de niveau « Sol » ou supérieur.

Depuis le 7 août, il s’applique également à toutes les utilisations d’Astra avec des outils, y compris en dehors des phases d’entraînement et d’évaluation. OpenAI estime que cette surveillance augmente d’environ 20 % les besoins en calcul des inférences surveillées, avec un coût qui varie selon les usages.

Récompenses, honnêteté et «reward hacking »

Sur le plan de l’alignement, OpenAI indique renforcer ses techniques tout au long du processus d’entraînement des modèles les plus capables.

Cela inclut :

• L’amélioration des modèles de récompense (reward models) pour mieux détecter et décourager les comportements dangereux dans différents contextes et environnements.
• L’entraînement des modèles à être plus « honnêtes » sur leurs actions, leurs capacités et leurs limites.
• La réduction des comportements qui exploitent les failles des mécanismes de récompense, des évaluateurs, des outils ou de la supervision humaine, notamment le reward hacking, qui consiste pour un modèle à chercher à maximiser la récompense sans nécessairement accomplir correctement la tâche demandée.
• L’augmentation de la couverture des entraînements consacrés aux comportements susceptibles de provoquer des dommages lorsque les modèles interagissent avec des systèmes ou des ressources externes.

OpenAI affirme continuer d’investir massivement dans la recherche sur l’alignement et prévoit de publier prochainement davantage de détails sur les comportements observés et les nouveaux défis identifiés.

Isolation, réseau et tests continus

OpenAI a également durci les exigences de sécurité pour les environnements de recherche utilisés avec ses modèles de frontière, en particulier pour les charges de travail exécutant du code généré par les modèles ou utilisant des outils susceptibles d’accéder au réseau.

Les principales mesures comprennent :

• Isolation des charges de travail : recours à des environnements (« sandboxes ») plus strictement cloisonnés pour les charges exécutant du code non fiable ou traitant des sorties de modèles, y compris les logiciels susceptibles d’être compromis lors de ce traitement.
• Isolation réseau : contrôles renforcés pour isoler les charges de travail à haut risque et non fiables d’Internet. L’objectif est qu’une compromission d’une charge de travail ou d’un service associé ne permette pas, à elle seule, d’obtenir un accès non autorisé à Internet ou aux réseaux internes.
• Tests de sécurité continus : suppression de services partagés potentiellement vulnérables, réduction des privilèges permanents, amélioration des frontières de confiance et des journaux de sécurité. OpenAI utilise également ses modèles pour automatiser des tests continus de ces frontières au moyen d’attaques simulées.

Aujourd’hui, le niveau de sécurité le plus strict s’applique aux charges de travail impliquant Astra ou des modèles cyber, qu’OpenAI considère comme susceptibles d’atteindre un niveau critique en matière de capacités cybernétiques. Une partie des entraînements et évaluations d’Astra respecte déjà ces exigences, tandis que d’autres charges de travail restent suspendues dans l’attente de leur migration vers ces environnements renforcés.

Implications pour la course aux modèles de frontière

Cette annonce marque un changement opérationnel important. OpenAI reconnaît publiquement ralentir la montée en puissance de ses modèles les plus avancés parce que leurs capacités en cybersécurité pourraient dépasser les garde-fous actuellement en place.

Plusieurs observateurs y voient un changement de paradigme : le rythme de développement des modèles pourrait désormais être conditionné par la capacité des entreprises à garantir leur sécurité et leur alignement.

Le phénomène pourrait également avoir une conséquence directe sur les infrastructures. Plus les modèles deviennent capables et autonomes, plus les dispositifs nécessaires pour surveiller leurs actions et sécuriser leur environnement consomment de ressources informatiques. Le chiffre avancé par OpenAI, environ 20 % de surcoût de calcul pour le monitoring des inférences concernées, en donne une première mesure.

OpenAI promet de détailler dans les prochaines semaines, dans un rapport technique, les enseignements tirés de cette montée en puissance des modèles et des nouvelles mesures de sécurité.

Plusieurs questions restent néanmoins ouvertes

• Le calendrier de reprise de la plus importante campagne d’entraînement par renforcement sur un modèle de frontière, qui reste pour l’instant suspendue.
• La manière dont OpenAI fera évoluer son « Preparedness Framework », ou cadre de préparation aux risques, pour intégrer ces nouvelles exigences de surveillance, d’alignement et de sécurité tout au long de l’entraînement et du déploiement.
• La façon dont ces nouvelles pratiques pourront être partagées ou adoptées par d’autres laboratoires et organismes externes. OpenAI évoque cette possibilité, sans toutefois en préciser les modalités. L’entreprise indique néanmoins vouloir associer des organisations externes à l’évolution de son approche.

The post OpenAI ralentit le développement de ses modèles face à la montée des capacités cyber appeared first on Silicon.fr.