Liat Hayun, SVP Product Management & Research at Tenable – Entretien en série

Liat Hayun est le vice-président des produits et de la recherche chez Tenable Cloud Security. Avant de rejoindre Tenable, Liat a co-fondé et occupé le poste de PDG d’Eureka Security, une entreprise de sécurité des données acquise par Tenable. Avant de co-fonder Eureka Security, Liat a passé plus d’une décennie à diriger les efforts de cybersécurité au sein du Commandement cybernétique israélien et de Palo Alto Networks (PANW ). En tant que vice-président de la gestion des produits chez Palo Alto Networks, Liat a dirigé le développement de Cortex XDR et du service de chasse aux menaces géré de l’entreprise.

Tenable est une entreprise de cybersécurité basée aux États-Unis, qui se concentre sur l’aide aux organisations pour identifier, comprendre, prioriser et remédier aux vulnérabilités de sécurité sur l’ensemble de leur surface d’attaque numérique. Elle est surtout connue pour sa plate-forme de gestion de l’exposition et des outils tels que le scanneur de vulnérabilités Nessus, qui permettent aux entreprises d’avoir une visibilité sur les menaces qui couvrent l’infrastructure IT, le cloud, les systèmes OT/IoT et les systèmes d’identité, et de prendre des mesures décisives pour réduire les risques qui ont un impact sur les entreprises. Les solutions de Tenable offrent une découverte continue, une priorisation contextuelle et des informations sur les menaces pour soutenir une gestion proactive des risques cybernétiques pour des dizaines de milliers de clients dans le monde.

Qu’est-ce qui rend fondamentalement les agents autonomes AI plus dangereux que les modèles AI traditionnels qui ne répondent qu’aux invites de l’utilisateur, plutôt que d’agir de manière indépendante ?

Les agents autonomes AI changent la nature du risque car ils peuvent initier des tâches, accéder à des systèmes, prendre des décisions et interagir avec d’autres services sans surveillance humaine.

Cette indépendance étend à la fois la vitesse et l’ampleur de l’impact potentiel, augmentant la probabilité d’exposition des données, de perturbation des opérations et de perte financière. Un agent AI peut interroger des magasins de données, déclencher des flux de travail, appeler des API ou modifier l’infrastructure en temps réel. S’il est mal configuré ou compromis, il peut se déplacer latéralement à travers les systèmes en utilisant les autorisations qui lui ont été accordées, souvent plus rapidement qu’un humain ne pourrait détecter ou intervenir.

Selon le Rapport sur les risques de sécurité cloud et AI 2026 de Tenable, 52 % des organisations ont maintenant des identités non humaines avec des autorisations excessives, et près de la moitié de celles-ci sont inactives, créant un accès non géré généralisé dans les environnements de production. Cela signifie que de nombreux processus alimentés par l’IA ont déjà accès à des ressources qu’ils n’utilisent pas activement, mais que les attaquants peuvent exploiter.

Les attaquants exploitent de plus en plus ce que l’on appelle le problème du député confus. Ils n’ont pas besoin de compromettre l’agent lui-même. Au lieu de cela, ils trompent un agent autorisé pour effectuer des actions en leur nom, souvent par l’intermédiaire d’une injection de commande indirecte ou de saisies manipulées. L’agent exécute la demande en utilisant ses autorisations légitimes, effectuant ainsi le travail de l’attaquant. Lorsque des systèmes autonomes héritent d’autorisations étendues ou assument des rôles surpriviliégés, le délai entre la mauvaise configuration et l’exploitation disparaît effectivement, créant un écart d’exposition AI à marge zéro.

De nombreuses entreprises expérimentent avec des agents AI de manière informelle. Quelles sont les premières étapes concrètes que les équipes de sécurité devraient prendre pour évaluer si des agents AI agissent déjà à l’intérieur de leur environnement ?

La fermeture de l’écart d’exposition AI commence par une découverte qui va au-delà des inventaires d’actifs traditionnels. La phase d’expérimentation est souvent la plus dangereuse, car les organisations ne connaissent pas pleinement quel AI est utilisé, comment il est configuré ou quels accès il a été accordé.

Les agents AI vivent rarement dans un système clairement étiqueté. Beaucoup opèrent en dehors d’une gouvernance formelle. Ils apparaissent dans les outils de développement, les intégrations SaaS, les flux de travail d’automatisation, les extensions de navigateur et les services cloud, ce qui crée un déploiement distribué qui augmente les angles morts et limite le contrôle centralisé. C’est déjà très répandu, puisque plus de 70 % des organisations ont intégré au moins un package AI ou un package lié à un modèle tiers, souvent en intégrant l’IA en profondeur dans les applications et l’infrastructure avec une surveillance centralisée limitée.

Des recherches récentes sur Clawdbot montrent que les déploiements expérimentaux d’agents peuvent présenter des risques importants lorsque les capacités sont déployées avant que les contrôles de sécurité ou les normes de configuration soient pleinement comprises. Même après la fin de l’expérimentation et que les organisations décident quelles applications AI adopter, elles ont toujours besoin d’une gouvernance solide sur la manière dont ces systèmes sont utilisés, quels accès ils détiennent et comment ils interagissent avec les actifs critiques.

La phase de découverte devrait commencer par l’établissement d’un inventaire unifié de l’endroit où l’AI existe sur les points de terminaison, l’infrastructure cloud et les surfaces d’attaque externes. Cela inclut l’identification des bibliothèques AI, des agents, des API, des services de modèles et des intégrations tierces, et non seulement les systèmes déployés internement, mais tout ce qui est accessible à l’extérieur.

Ensuite, les équipes doivent cartographier la manière dont ces agents sont connectés et quels données ils accèdent, quels identifiants ils utilisent, quels autorisations ils détiennent et quels systèmes ils peuvent atteindre. La visibilité nécessite un contexte car le risque émerge des relations.

Enfin, après l’expérimentation, les organisations devraient identifier quels de ces liens créent des chemins accessibles aux actifs critiques et fermer l’écart d’exposition AI.

Comment les risques tels que les surfaces de contrôle exposées ou les « compétences » tierces non vérifiées se comparent-ils à des menaces plus familières telles que les attaques de chaîne d’approvisionnement ou l’élévation de privilèges ?

Les compétences d’agents tiers non vérifiées et les surfaces de contrôle exposées étendent des risques similaires à ceux de la compromission de la chaîne d’approvisionnement et de l’élévation de privilèges, mais avec une vitesse, une ampleur et une connectivité accrues.

Les compétences d’agents tiers fonctionnent beaucoup comme les dépendances de la chaîne d’approvisionnement logicielle, et la surface d’exposition porte déjà un poids significatif. Quatre-vingt-six pour cent des organisations hébergent des packages de code tiers avec des vulnérabilités de gravité critique. Lorsque ces composants fonctionnent à l’intérieur d’agents AI autonomes, l’exécution devient continue et automatisée, éliminant le temps entre la compromission et l’impact.

Les surfaces de contrôle exposées étendent la couche d’identité et d’accès du risque en créant de nouvelles interfaces opérationnelles qui portent des autorisations élevées. Dix-huit pour cent des organisations autorisent déjà les services AI à assumer des rôles surpriviliégés, donnant aux systèmes automatisés une portée étendue sur les environnements. Les agents AI agissent en connectant ces expositions en une seule chaîne opérationnelle. Une dépendance vulnérable, des autorisations excessives et des interfaces exposées se combinent en un chemin d’attaque accessible. Les organisations opèrent dans un environnement à marge d’erreur nulle où l’exposition et l’exploitation s’alignent presque instantanément.

Du point de vue défensif, à quoi ressemble une « bonne hygiène » pour les organisations qui déployent des agents AI avec accès aux systèmes internes ou aux données sensibles ?

Une bonne hygiène commence par traiter les agents AI comme des acteurs numériques privilégiés avec une autorité réelle sur les systèmes et les données. Les organisations ont besoin d’une visibilité continue sur chaque agent, ce qu’il fait et ce qu’il peut atteindre. Les équipes devraient appliquer le principe du moindre privilège pour les identités de machine et de service, supprimer l’accès dormant et limiter étroitement les autorisations. Chaque agent devrait être dédié à un type de tâche spécifique, avec des autorisations et un accès limités strictement à cette fonction.

Cela est important car l’accès non utilisé est répandu. Près de la moitié des identités avec des autorisations excessives critiques sont inactives, et plus de 70 % des rôles d’exécution AI par défaut restent inutilisés. Ces conditions créent des chemins d’escalade prêts à l’emploi qui présentent un risque sans apporter de valeur.

Les équipes de sécurité doivent également comprendre les relations à travers l’infrastructure, les magasins de données, les API et les applications. La cartographie de ces connexions révèle des combinaisons d’exposition toxiques, telles que des charges de travail vulnérables accessibles via des agents surpriviliégés avec accès à des données sensibles.

Une bonne hygiène nécessite également une gouvernance continue. Les organisations doivent surveiller le comportement des agents, contrôler les intégrations, appliquer des garde-fous de données et valider régulièrement les autorisations. Ces pratiques ferment l’écart d’exposition AI et suppriment les chemins d’attaque accessibles.

Que recommandez-vous aux organisations pour protéger les surfaces d’attaque AI rapidement sans ralentir l’innovation ?

Les organisations peuvent protéger les surfaces d’attaque AI en réduisant l’exposition avec rapidité et précision.

Pour ce faire, la première priorité est d’identifier quels systèmes AI créent des chemins accessibles aux actifs critiques. Plus de 80 % des organisations exécutent des charges de travail avec des vulnérabilités déjà exploitées dans la nature. Le risque existe déjà à l’intérieur de la plupart des environnements. Les équipes de sécurité doivent se concentrer sur les connexions qui créent un impact réel.

Ensuite, réaliser que l’automatisation permet une mise à l’échelle. La découverte continue, la priorisation contextuelle et la remédiation guidée permettent aux équipes de réduire les risques tout en maintenant la vitesse de développement.

Alors que les garde-fous de politique protègent l’adoption, l’accès juste-à-temps, les flux de données surveillés et les intégrations contrôlées aident les organisations à gérer l’activité AI tout en maintenant l’innovation.

Ensemble, ces étapes réduisent l’écart d’exposition AI en supprimant les accès à haut risque et les connexions non sécurisées. La réduction rapide de l’exposition protège les systèmes tout en permettant l’adoption de l’IA de progresser.

Comment les DSI devraient-ils réfléchir à l’identité, aux autorisations et à la portée lors de l’octroi d’un accès aux agents AI aux systèmes de production ?

Les DSI devraient traiter les agents AI comme des identités non humaines à haute vitesse avec une autorité opérationnelle sur les systèmes et les données.

Les décisions d’accès devraient se concentrer sur la précision. Les autorisations devraient correspondre à des tâches spécifiques, rester limitées dans le temps et faire l’objet d’un examen continu. Les autorisations excessives étendent la portée et augmentent l’impact lorsque les systèmes interagissent à la vitesse de la machine.

Les dirigeants de la sécurité ont également besoin d’une compréhension claire de la portée effective. Les autorisations, combinées avec les chemins réseau, l’accès aux données et les intégrations de services, définissent ce qu’un agent peut réellement faire. Comprendre ces relations révèle une exposition potentielle avant qu’elle ne devienne un impact.

L’identité relie l’infrastructure, les données et les applications à travers l’écart d’exposition AI. La conception d’autorisation stricte limite le rayon d’explosion et maintient le contrôle. Lorsque le temps entre la découverte de l’exposition et l’exploitation est presque nul, la gouvernance des identités détermine à quel point l’IA opère en toute sécurité en production.

Vous attendez-vous à ce que les agents AI agissent forcer une réévaluation des cadres de sécurité existants, ou les modèles actuels peuvent-ils être adaptés pour gérer ces nouveaux risques ?

Les principes de sécurité restent cohérents, mais les modèles opérationnels évoluent. Les agents AI agissent relient les systèmes, les identités et les données en environnements dynamiques qui changent en continu et opèrent à la vitesse de la machine. Contrairement aux opérateurs humains, les agents n’appliquent pas de jugement à leurs actions ou ne distinguent pas entre les demandes appropriées et inappropriées. Ils exécutent en fonction des instructions et des autorisations, ce qui augmente l’importance d’un contrôle et d’une gouvernance stricts.

Le risque émerge des relations à travers l’infrastructure, les chaînes d’approvisionnement logicielles et les couches d’identité. Les organisations héritent de l’exposition plus rapidement que les cycles de correction ne peuvent suivre. Le déploiement automatisé et l’exploitation automatisée compressent le temps de réponse et augmentent la pression opérationnelle.

Les cadres de sécurité doivent se concentrer sur la visibilité et la réduction de l’exposition. Les équipes nécessitent une compréhension continue de ce qui existe, comment les systèmes sont connectés et quels chemins mènent aux actifs critiques.

Le défi déterminant est de gérer le risque interconnecté à travers l’écart d’exposition AI. Les programmes de sécurité réussissent en réduisant continuellement l’exposition accessible et en maintenant le contrôle sur des environnements complexes.

En regardant vers l’avenir, quels domaines de recherche sur la sécurité des agents AI, selon vous, méritent plus d’attention à mesure que ces outils passent de l’expérimental au critique ?

Plusieurs domaines de recherche façonneront l’avenir de la sécurité des agents AI.

Tout d’abord, la croissance des écosystèmes d’identités non humaines nécessite une analyse plus approfondie. Les organisations étendent rapidement les identités de machine qui opèrent à travers l’infrastructure, les données et les services. Comprendre les modèles de privilèges, le comportement et la gestion du cycle de vie sera essentiel.

Deuxièmement, la recherche doit faire progresser la modélisation des chemins d’attaque multi-étapes. Les systèmes AI relient les chaînes d’approvisionnement logicielles, l’infrastructure cloud et les couches d’identité. Cartographier la manière dont ces éléments interagissent améliorera la prédiction et la priorisation des risques.

Troisièmement, la gouvernance de la prise de décision autonome nécessite une attention plus grande. Les équipes de sécurité ont besoin de visibilité sur la manière dont les agents accèdent, traitent et transfèrent des données sensibles au fil du temps.

Enfin, la vitesse d’exploitation continue d’augmenter. Étudier la manière dont les attaquants et les défenseurs opèrent à la vitesse de la machine façonnera les stratégies de réponse.

La sécurité future dépend de la compréhension et de la réduction de l’écart d’exposition AI. La recherche doit se concentrer sur le contrôle de l’exposition interconnectée sur l’ensemble de la surface d’attaque.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Tenable.