Anaconda associe les essaims d’agents IA à des tests de sécurité autonomes

Donner plus d’outils à un agent IA peut le rendre plus utile. Donner ces outils à plusieurs agents simultanément pose une question plus difficile : comment une entreprise peut‑elle suivre ce que chacun fait et empêcher une action néfaste d’atteindre un système réel ?

l’expansion de la plateforme d’Anaconda du 6 octobre résout ce problème en associant le développement IA coordonné à des tests de sécurité autonomes. Elle réunit les technologies de Kilo Code, Enkrypt AI et Outerbounds à travers les espaces de travail de développement, les contrôles de sécurité et l’orchestration de production.

L’idée stratégique est de connecter les lieux où les agents construisent des logiciels, où leur comportement est mis à l’épreuve et où les flux de travail résultants s’exécutent. Anaconda désigne cela comme une AI Dev Factory. Pour les entreprises, la question pratique est de savoir si ces connexions facilitent l’inspection et la gouvernance de l’autonomie croissante des agents.

Comment les agents de Kilo coordonnent leur travail

Un essaim d’agents répartit les tâches connexes entre plusieurs agents IA. L’un peut examiner la conception d’une authentification tandis qu’un autre rédige des tests ou implémente un composant distinct. L’avantage potentiel est un progrès parallèle, à condition que les agents puissent partager leurs découvertes et éviter de travailler en opposition.

la description technique de Swarm par Kilo explique le mécanisme de coordination : une session principale et ses agents descendants partagent un tableau de messages. Les agents peuvent publier leurs découvertes et lire le tableau pendant que le travail se poursuit, plutôt que d’attendre que chaque sous‑tâche se termine avant d’échanger les résultats.

Cette distinction est importante. Un agent de test peut se renseigner sur une décision d’authentification avant de rédiger une suite qui suppose autre chose. Kilo indique que des évaluations internes préliminaires suggèrent qu’une réduction du travail en double peut diminuer la consommation de jetons, mais il n’a pas publié de résultats numériques à l’appui de cette affirmation.

La même documentation définit également une limite qu’il faut comprendre : les messages du tableau ne réveillent, ne reprennent ni n’approuvent les agents, et les messages d’avertissement ou de veto n’arrêtent pas automatiquement ceux‑ci. Tous les participants peuvent lire l’historique complet du tableau. La coordination doit donc être distinguée des autorisations exécutoires et des contrôles d’exécution.

La page de lancement d’Anaconda intègre ces flux de travail dans VS Code et décrit le travail parallèle à travers les worktrees. Elle présente également Kilo Desktop en version bêta, combinant ingénierie, science des données et gestion d’environnements Python avec un accès à plus de 500 modèles et à l’inférence locale.

Tests de sécurité qui changent de tactique

Enkrypt AI fournit la partie tests d’adversaires de la plateforme. Anaconda indique que l’offre de sécurité élargie teste les modèles, les agents et les intégrations MCP dans plus de 300 catégories d’attaque, en plus de la protection à l’exécution.

Dans son explication technique du red teaming autonome, Anaconda décrit le démarrage à partir de modèles d’attaque connus, puis l’utilisation d’agents pour adapter leur approche aux réponses de la cible. Un agent formule une hypothèse sur une faiblesse, la teste, examine le résultat et décide de la prochaine action.

Un refus, par exemple, peut déclencher un changement de stratégie plutôt qu’une nouvelle reformulation de la même demande. Le système utilise la mémoire de session pour éviter de répéter des approches infructueuses et l’exploration parallèle pour examiner plusieurs risques simultanément. Anaconda indique que ces tests s’exécutent dans l’environnement du client et sont adaptés au modèle de menace du déploiement.

Cette approche concerne les agents qui consomment des informations provenant d’outils et de sources externes. Le risque ne se limite pas à une réponse non sécurisée : une instruction cachée dans le matériel récupéré pourrait orienter un appel d’outil ultérieur. Les tests doivent examiner les chaînes de comportement, y compris les informations auxquelles l’agent fait confiance et les actions qui en découlent.

Les garde‑fous d’exécution traitent un problème différent

le produit Guardrails d’Enkrypt AI est conçu pour approuver, modifier ou bloquer les comportements à risque à travers les agents, les outils, la génération augmentée par récupération et les connexions du Model Context Protocol.

L’entreprise identifie l’injection d’invite, les actions d’outil non sécurisées, les violations de limites de privilèges et l’exfiltration de données sensibles parmi les risques ciblés. Son accent sur les décisions auditable rend la couche de contrôle pertinente tant pour l’enquête d’incident que pour la prévention.

Le lancement d’Anaconda comprend également des scores de risque de modèle dans Kilo ainsi qu’un Registre d’incidents d’agents contenant des rapports d’incidents publics étayés par des sources. Ceux‑ci peuvent orienter le choix des modèles et les priorités de test. Ils doivent être considérés comme des entrées dans un processus de sécurité, plutôt que comme la preuve qu’un déploiement particulier est sûr.

Les chiffres d’échelle nécessitent une attention similaire. Anaconda rapporte que 63 % des répondants à son enquête auprès des créateurs natifs d’IA se dirigeaient vers les essaims sous une forme ou une autre. Son annonce cite également la recherche d’Enkrypt qui a détecté des vulnérabilités dans 73 % des 25 264 serveurs MCP analysés sur quatre mois. Il s’agit de constats rapportés par le fournisseur concernant les répondants et les systèmes étudiés, et non d’une mesure de chaque déploiement d’agents d’entreprise.

Pourquoi l’environnement de production fait partie de l’histoire

La plateforme d’orchestration IA, anciennement Outerbounds d’Anaconda traite ce qui se passe après le développement. Son site décrit des exécutions de flux de travail reproductibles, le suivi des artefacts et la traçabilité, avec des ressources informatiques disponibles sur plusieurs clouds et une gouvernance appliquée aux paquets et aux modèles.

Cela fournit un moyen de relier une sortie à l’environnement et aux dépendances qui l’ont produite. Lorsqu’un flux de travail change, les équipes doivent savoir quel modèle, paquet ou politique a changé avec lui. La reproductibilité rend l’enquête et la comparaison plus pratiques.

Le lancement d’octobre ajoute un accès natif aux artefacts gouvernés au sein des flux de travail d’orchestration. Sa page de version plus large décrit également Fast Bakery, qui crée des images de conteneurs à partir des dépendances conda et PyPI, y compris les bibliothèques natives, ainsi qu’un catalogue élargi de plus de 19 000 paquets sélectionnés et de 77 modèles open source vérifiés.

Cette extension confère à Anaconda un rôle plus large que la simple fourniture de composants Python. Son offre couvre désormais le développement assisté par agents, l’évaluation adversariale, les contrôles d’exécution et la livraison reproductible. Le véritable test sera de savoir si ces éléments offrent aux équipes un enregistrement fiable de ce que les agents ont construit, de ce qui a été testé et de ce qu’ils ont été autorisés à faire lorsque le logiciel a commencé à fonctionner.