Entretiens
Oran Moyal, cofondateur et directeur technique d’Ocean Security – Série d’entretiens

Points clésLe statut natif de l'IA est organisationnel plutôt que technique, car il change la…
Voir plus
- Le statut natif de l'IA est organisationnel plutôt que technique, car il change la façon dont chaque équipe traite le travail.
- Accélérer les tâches individuelles échoue lorsque les transferts et les approbations restent les véritables goulots d'étranglement entre les étapes.
- Les agents ont besoin de permissions imposées et d'une validation indépendante, car les instructions seules ne sont pas des contrôles de sécurité.
Oran Moyal est cofondateur et directeur technique d’Ocean Security, où il développe des solutions d’IA agentique pour enquêter sur des menaces sophistiquées par courriel. Son parcours couvre la recherche et le développement en cybersécurité, l’ingénierie sociale offensive et la sécurité des entreprises. En 2024, il a cofondé Ocean avec Shay Shwartz, en s’appuyant sur leur expérience de l’analyse des méthodes employées par les attaquants pour exploiter les communications de confiance, ainsi que des moyens dont disposent les systèmes de sécurité pour contrer des menaces de plus en plus ciblées.
Ocean Security développe une plateforme de sécurité des courriels fondée sur l’IA agentique, conçue pour enquêter sur l’hameçonnage ciblé, la compromission de messagerie professionnelle et la fraude financière. Ses agents d’IA spécialisés analysent le contexte des communications et les intentions des expéditeurs afin d’aider les équipes de sécurité à repérer les menaces dans des échanges professionnels qui semblent tout à fait légitimes. Dans cet entretien, Moyal explique ce qui caractérise une organisation native de l’IA, comment repenser les flux de travail autour des agents et pourquoi des exigences claires, une validation indépendante, des autorisations appliquées et le jugement humain restent essentiels à une automatisation efficace.
Avant de cofondre Ocean en 2024, vous avez travaillé pendant des années dans la recherche et le développement en cybersécurité, notamment au sein des Forces de défense israéliennes et chez VisibleRisk / Microsoft Security. Quelles expériences vous ont conduit à lancer Ocean, et quelle influence l’émergence de l’IA a-t-elle eue dès le départ sur votre vision de l’entreprise ?
Auparavant, une campagne ciblée d’hameçonnage nécessitait une équipe dédiée ainsi que plusieurs semaines de recherches et de préparation manuelles. Avec l’arrivée de l’IA générative, nous avons compris que chaque employé, dans chaque entreprise, est désormais exposé à une attaque par hameçonnage dévastatrice, d’un niveau comparable à celles menées par des États. Du jour au lendemain, un abonnement à 20 $ a donné à chaque attaquant des capacités de niveau étatique.
Shay et moi avons une solide expérience de l’ingénierie sociale du côté offensif, et nous avons tous deux créé et développé des entreprises de sécurité pour les sociétés. Nous savions donc que les outils traditionnels ne pourraient pas suivre. Ils repèrent les infractions aux règles et les anomalies, mais ces attaques se fondent dans les communications professionnelles ordinaires : fils de discussion réels, comptes de confiance et services légitimes. Rien ne semble anormal. C’est pourquoi nous avons créé Ocean en 2024 pour aider les entreprises à s’adapter à cette nouvelle menace grâce à une solution de sécurité des courriels fondée sur l’IA, qui analyse en temps réel le contexte et les intentions de l’expéditeur, à la manière d’un enquêteur humain, avant qu’une compromission ne se produise.
De nombreuses organisations se disent « natives de l’IA » simplement parce qu’elles ont adopté des outils d’IA ou automatisé certains processus. Selon vous, qu’est-ce qui distingue fondamentalement une organisation véritablement native de l’IA d’une organisation qui s’est contentée d’intégrer l’IA à ses activités existantes ?
De nombreuses entreprises se disent natives de l’IA parce qu’elles ont acheté des outils d’IA. C’est de l’adoption technologique. Être une entreprise native de l’IA transforme la manière dont elle gère le travail quotidien et résout les points de blocage.
Tout commence par la façon dont les dirigeants réagissent à un point de blocage. Le réflexe traditionnel consiste à dire : « Cela prend trop de temps ; embauchons quelqu’un pour s’en occuper. » Une organisation native de l’IA se demande d’abord : « Comment l’IA peut-elle accélérer l’ensemble de cette fonction ? » Posez-vous cette question dans chaque équipe, et toute l’entreprise commencera à fonctionner autrement.
Une véritable transformation vers une organisation native de l’IA est organisationnelle, et non technique. Si vous accélérez un service, le point de blocage se déplace simplement vers le suivant, et l’entreprise finit par avancer au rythme de sa fonction la plus lente. Les organisations natives de l’IA évoluent ensemble : l’information circule plus vite, les boucles de rétroaction se raccourcissent et les équipes travaillent comme un système intégré.
Dans ce modèle, la valeur du travail humain évolue. À mesure que l’IA prend en charge une plus grande part du travail, les compétences rares consistent à définir clairement une orientation, à préciser les objectifs et à exercer son jugement. Les personnes et les agents travaillent côte à côte. L’IA prend en charge une plus grande part de l’exécution, tandis que les personnes décident de ce qu’il vaut la peine de créer et pourquoi.
L’objectif est que chaque équipe fasse davantage avec les mêmes ressources, avance plus vite et travaille mieux avec les autres, sans compromettre la qualité.
Vous avez fait valoir que les gains de productivité liés à l’IA peuvent rapidement s’évaporer lorsque les flux de travail sous-jacents sont inefficaces. Quels sont les goulots d’étranglement opérationnels les plus courants qui empêchent les entreprises de tirer pleinement parti de l’IA, et comment les dirigeants devraient-ils s’y prendre pour repenser ces flux de travail ?
Accélérer des tâches individuelles n’accélère pas automatiquement l’organisation. Si les processus, les dépendances et les communications entre les équipes restent inchangés, une grande partie des gains de productivité générés par l’IA se perd en chemin.
Les goulots d’étranglement les plus courants ne sont pas d’ordre technique. Ils tiennent à des exigences imprécises, qui entraînent des reprises répétées, à la lenteur des transmissions entre les équipes et au travail qui reste en attente d’approbation. L’IA accélère chaque étape, mais le temps se perd entre les étapes.
Les dirigeants devraient commencer par mesurer où le temps est réellement consacré, car le véritable goulot d’étranglement n’est souvent pas celui que tout le monde imagine. Ils devraient ensuite repenser le flux de travail de bout en bout en améliorant les transmissions, la définition des tâches et les boucles de rétroaction, plutôt que de se limiter aux tâches individuelles. Enfin, ils devraient relier chaque initiative d’IA aux indicateurs clés de performance dont les équipes sont déjà responsables.
Surtout, les dirigeants doivent faire évoluer les mentalités. L’automatisation et l’accélération devraient devenir la norme. Au lieu d’accepter les processus existants, les équipes devraient continuer à remettre en question les méthodes de travail afin d’avancer plus vite et d’accroître leur impact sans compromettre la qualité.
L’un des principes que vous mettez en avant est l’importance de définir clairement les exigences avant d’intégrer des agents d’IA à un processus de travail. Comment les organisations devraient-elles repenser la définition des tâches, la communication des attentes et l’établissement des critères de réussite lorsque des agents d’IA sont chargés d’exécuter une part importante du travail ?
Lorsque des agents d’IA réalisent une grande partie du travail, les organisations doivent repenser la façon dont elles communiquent et définissent les tâches. Une demande vague n’empêche pas un agent d’agir. Il fait des suppositions, et chacune d’elles, si elle est erronée, entraîne davantage de reprises.
Je vois cela en trois volets :
Des tâches, des objectifs et un contexte clairs. L’agent doit comprendre ce qu’il faut faire, pourquoi c’est important et quel est le contexte. Avant le début du travail, il doit pouvoir poser des questions sur tout ce qui n’est pas clair, afin de combler les lacunes dès le départ plutôt que de les découvrir en cours de route.
L’auto-validation. Les critères de réussite doivent être définis à l’avance de façon à ce que l’agent puisse les vérifier lui-même. En développement logiciel, par exemple, un agent devrait pouvoir exécuter le code, vérifier qu’il fonctionne comme prévu et confirmer que les tests sont réussis avant qu’une personne ne l’examine.
Les humains comme dernier niveau de contrôle. Les personnes devraient recevoir un résultat que l’agent a déjà affiné au fil de plusieurs itérations, en fonction des critères convenus. Leur rôle est d’exercer leur jugement, et non de corriger des erreurs élémentaires.
Plus la définition est précise, moins chaque résultat exige de temps humain.
Vous préconisez de permettre aux agents d’IA de valider leur propre travail avant de le soumettre à des évaluateurs humains. À quoi ressemble concrètement un processus de validation efficace piloté par l’IA, et comment les organisations peuvent-elles s’assurer que les contrôles qualité automatisés ne reproduisent pas simplement les mêmes erreurs que celles commises pendant l’exécution ?
Un processus de validation efficace met le travail à l’épreuve dans les conditions réelles de son utilisation. L’agent devrait exécuter le système réel de bout en bout, vérifier que le résultat répond aux critères de réussite et corriger tout ce qui échoue avant qu’une personne n’intervienne.
Quelques principes sont essentiels pour éviter que la validation ne reproduise les erreurs de l’agent :
Dissocier les critères de l’exécution. Les personnes devraient définir ce qu’est une réussite avant le début du travail. Si un agent décide lui-même de ce que signifie « terminé », il se donne sa propre note.
Établir des garde-fous stricts. Tous les contrôles ne devraient pas reposer sur le jugement d’un agent. Certains doivent être des tests fixes et déterministes, qui vérifient des paramètres, des normes et des politiques précis. Ils définissent des limites claires que l’agent ne peut pas contourner par son raisonnement.
Faire appel à un évaluateur indépendant. Un deuxième agent, doté d’un contexte neuf et sans intérêt dans l’approche initiale, repère les erreurs qui échappent au premier.
Présenter des éléments probants, pas seulement un verdict. Les résultats des tests, les captures d’écran et les enregistrements permettent aux personnes de voir ce qui s’est passé au lieu de se fier à une simple mention « réussi ».
L’attention humaine se porte alors là où les risques sont les plus élevés. L’objectif n’est pas d’exclure les personnes du processus, mais de veiller à ce qu’elles consacrent leur temps à exercer leur jugement plutôt qu’à effectuer des contrôles mécaniques.
Les organisations traditionnelles s’appuient souvent sur plusieurs échelons hiérarchiques, des approbations et des transferts entre équipes. Comment un modèle opérationnel conçu autour de l’IA transforme-t-il la collaboration entre les équipes d’ingénierie, de produits, de sécurité et les équipes commerciales, et que deviennent les rôles et responsabilités traditionnels à mesure que les agents prennent en charge une part croissante de l’exécution ?
L’IA permet à chaque personne et à chaque équipe de produire davantage. Mais si les transferts, les approbations et la coordination restent inchangés, cette production supplémentaire ne fait que s’accumuler en attendant l’étape suivante. L’organisation n’avance pas plus vite. Elle crée de nouveaux goulots d’étranglement. Un modèle opérationnel conçu autour de l’IA doit repenser la façon dont les équipes travaillent ensemble, et pas seulement celle dont chacune travaille.
Cela commence par la circulation de l’information. Une plus grande part de celle-ci devrait passer par l’automatisation, afin que les réunions soient consacrées aux décisions plutôt qu’aux mises à jour. Lorsque les retours du terrain parviennent directement aux équipes produit, les décisions sont plus rapides et plus précises, ce qui permet ensuite de mieux définir les besoins et d’améliorer l’exécution.
Il faut aussi repenser les approbations, et c’est la partie la plus difficile, car cela implique de changer ce que l’organisation considère comme normal. Les approbations restent importantes, mais elles ne devraient pas traiter chaque changement de la même manière. Par exemple, intégrer une évaluation des risques à un processus d’approbation précis peut réduire les approbations manuelles pour les tâches à faible risque, tout en maintenant un examen humain là où il est nécessaire. Ce n’est qu’une façon d’accélérer un processus sans renoncer au contrôle.
Les rôles sont eux aussi en train d’être redéfinis. À mesure que les agents prennent en charge une part croissante de l’exécution, les personnes passent de la responsabilité des tâches à celle des résultats. Elles doivent comprendre l’ensemble du contexte, remettre en question les hypothèses et dépasser les limites traditionnelles de leur rôle. Les organisations qui réussiront seront celles qui repenseront la façon dont les personnes travaillent ensemble, et pas seulement celles qui ajouteront le plus d’IA.
Ocean utilise lui-même des agents d’IA spécialisés pour enquêter sur des menaces sophistiquées véhiculées par courriel. Comment votre expérience du développement d’une IA agentique pour la cybersécurité a-t-elle influencé votre déploiement de l’IA en interne, et quelles leçons tirées de la création de systèmes de sécurité autonomes peuvent s’appliquer à la gestion d’une organisation conçue autour de l’IA ?
La création d’agents autonomes pour la sécurité des courriels a façonné notre utilisation interne de l’IA de deux façons.
La première leçon, c’est que les agents ne sont performants qu’à la mesure de leur compréhension du contexte. Un agent de sécurité prend de meilleures décisions lorsqu’il comprend l’organisation qu’il protège. Il en va de même en interne. Pour obtenir de bons résultats avec les agents, nous devons leur donner une véritable compréhension du fonctionnement de l’organisation, de l’objectif de chaque tâche et de son lien avec l’ensemble.
La deuxième leçon, c’est que les agents doivent être évalués en continu. En production, nous évaluons constamment leurs performances, les situations où ils échouent et les outils ou données qui leur manquent. En interne, nous adoptons la même approche. Nous avons besoin d’un espace dédié pour tester et entraîner les agents, et recueillir des retours à leur sujet. Sans cela, il est difficile de savoir si un agent progresse ou de quoi il a besoin ensuite.
Diriger une organisation nativement fondée sur l’IA ressemble beaucoup à la mise en place d’un système de sécurité autonome : il faut donner aux agents un contexte approfondi, évaluer sans cesse leurs performances et maintenir les humains dans la boucle lorsque le discernement est essentiel.
À mesure que les organisations accordent davantage d’autonomie aux agents d’IA, des préoccupations émergent en matière de responsabilité, de sécurité et de conséquences imprévues. Fort de votre expérience en cybersécurité, comment les entreprises devraient-elles mettre en place des garde-fous permettant aux agents d’agir de manière autonome sans compromettre la sécurité ni se priver d’une véritable supervision humaine ?
Les agents évoluent vers davantage d’autonomie, et les organisations devraient avancer étape par étape. Il faut commencer par des cas où les conséquences sont bien comprises, démontrer la valeur, puis élargir le champ d’action.
Les véritables garde-fous ne sont pas de simples consignes. Dire à un agent « ne fais pas ça » ne constitue pas une mesure de sécurité. Les garde-fous doivent être appliqués : limiter strictement les accès de l’agent, vérifier qu’il ne peut rien atteindre en dehors de son périmètre et assurer une surveillance continue qui bloque les actions non prévues. Comme toute autre composante du système, ils doivent être testés et validés régulièrement.
La responsabilité commence avec la personne qui utilise l’agent. C’est elle qui en définit les limites : ce qu’il peut faire seul, ce qui nécessite une approbation et les domaines auxquels il ne doit pas accéder. Prenons l’exemple d’un agent chargé de répondre aux menaces reçues par courriel. Il peut mettre en quarantaine les messages suspects de manière autonome, rapide et fiable. Pour les actions ayant des conséquences plus étendues, comme le blocage d’un expéditeur dans toute l’organisation, l’opérateur peut commencer par prévoir une étape de vérification. À mesure que l’agent fait ses preuves, ces limites peuvent être élargies en toute confiance. Des garde-fous clairs rendent possible une plus grande autonomie.
C’est d’autant plus important que les attaquants ciblent de plus en plus les agents d’IA. L’entreprise veut aller plus vite, mais les équipes de sécurité ne disposent toujours pas de procédures claires pour protéger ces agents. C’est pourquoi les fondements doivent être des autorisations appliquées strictement et une surveillance constante.
De nombreuses entreprises mesurent l’adoption de l’IA en fonction du temps gagné, des tâches automatisées ou de la productivité des employés. Selon vous, quels indicateurs permettent réellement de déterminer si un modèle opérationnel fondé sur l’IA crée une valeur durable pour l’entreprise, notamment en tenant compte des reprises, de la qualité et des coûts de coordination ?
Le temps gagné est un indicateur important et souvent le premier signe manifeste que l’IA crée de la valeur. Mais son impact réel apparaît lorsqu’on le met en regard d’indicateurs montrant ce que l’organisation fait de ce temps et si les gains se maintiennent à long terme.
La qualité. Aller plus vite n’est un avantage que si la qualité se maintient ou s’améliore. Suivez les reprises, les défauts et la fréquence à laquelle les résultats doivent être corrigés après leur livraison. Lorsque la rapidité et la qualité progressent ensemble, les gains sont réels et durables.
Développement de l’activité. La véritable valeur d’une organisation nativement fondée sur l’IA tient à ce que le temps gagné permet de réaliser. Nous mesurons le nombre de nouvelles capacités et initiatives que nous pouvons prendre en charge sans augmenter les effectifs.
La rapidité de bout en bout. Le temps qu’un agent met à développer une fonctionnalité n’est qu’un élément du tableau. Le véritable indicateur porte sur l’ensemble du processus, y compris chaque transfert, depuis le moment où nous décidons de donner la priorité à un projet jusqu’à sa mise en ligne dans le produit. C’est ainsi que nous mesurons notre vitesse réelle et les coûts de coordination que les indicateurs mesurés à l’échelle d’une tâche ne reflètent pas. Dans le domaine de la sécurité, la rapidité de bout en bout est essentielle. Les attaquants utilisent déjà des agents d’IA : le temps nécessaire pour détecter une menace et y répondre doit donc continuer à diminuer.
Le temps gagné montre que l’IA est efficace. Ces indicateurs montrent qu’elle crée une valeur durable pour l’entreprise.
Vous avez avancé que les entreprises technologiques plus petites et plus agiles pouvaient acquérir un avantage concurrentiel important en repensant leurs activités autour de l’IA. Quels avantages les jeunes entreprises nativement fondées sur l’IA ont-elles sur les acteurs établis, et comment imaginez-vous l’évolution de la structure des entreprises technologiques qui réussiront au cours des trois à cinq prochaines années ?
Les jeunes entreprises nativement fondées sur l’IA bénéficient d’un avantage structurel. Dès le premier jour, elles peuvent concevoir leurs processus, leurs technologies et leurs équipes autour des agents d’IA, tandis que les acteurs établis doivent composer avec des décennies d’infrastructures anciennes et une grande complexité organisationnelle. Le principal écart n’est pas d’ordre technique. Tout le monde a accès aux mêmes outils d’IA. L’avantage revient aux entreprises capables de repenser leur manière de travailler sans avoir d’abord à démanteler des strates d’approbations, de transferts et de rôles figés.
Au cours des trois à cinq prochaines années, je pense que les entreprises technologiques qui réussiront dépasseront l’automatisation de base par l’IA pour adopter des modèles opérationnels agentiques, dans lesquels des agents d’IA spécialisés exécutent des flux de travail entiers. Les équipes humaines ne disparaîtront pas, mais les personnes consacreront moins de temps à exécuter les tâches manuellement et davantage à fournir du contexte, à définir des garde-fous et à orienter les résultats. Il en résultera des organisations plus légères, capables de se développer plus rapidement, de fonctionner plus efficacement et de rivaliser avec des entreprises plusieurs fois plus grandes qu’elles.
Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus sur la sécurité agentique des e-mails peuvent consulter Ocean Security.












