Votre IA sait trop de choses : l’IA confidentielle n’est plus optionnelle

Les modèles génératifs passent des laboratoires de recherche aux processus commerciaux réguliers — et une faiblesse structurelle silencieuse grandit juste à côté d’eux.

Prenons cet exemple : Microsoft Copilot a accédé à près de trois millions de dossiers sensibles par organisation au premier semestre 2025. De tels chiffres signifient qu’il y a un problème systémique dans la façon dont l’IA est abordée. Les entreprises ont construit des moteurs puissants pour traiter les données, mais elles n’ont pas mis en place suffisamment de protections pour les données qu’elles utilisent.

Les grands modèles de langage et les outils d’assistance calculent souvent des documents, des messages et des bases de données sans aucune protection matérielle. Cette faille, qui révèle les “données en cours d’utilisation” pendant l’inférence, menace directement les entreprises qui donnent la priorité à la confidentialité, à la conformité et à la confiance des clients.

C’est là que l’exécution confidentielle entre en jeu. Le processus utilise des environnements d’exécution de confiance (TEEs) assistés par matériel pour garder le code et les données en sécurité pendant leur utilisation. Ces TEEs sont des zones de mémoire isolées qui sont protégées du système d’exploitation hôte et de l’hyperviseur.

Cette protection change le modèle de sécurité, permettant aux secrets d’être traités sans être exposés au reste de la pile. Microsoft et d’autres fournisseurs de cloud offrent désormais une inférence privée et des machines virtuelles (VM) qui intègrent l’inférence dans les TEEs.

Pourquoi la confidentialité est importante pour les règles et la gouvernance

Le cryptage conventionnel protège généralement les données qui sont soit au repos, soit en transit, les données qui sont actuellement traitées ne bénéficiant pas de la même protection, même si c’est là que l’IA générative interagit le plus avec les entrées privées.

Plus tôt dans l’année, une étude de chercheurs de l’Université Cornell sur les unités de calcul de confiance a révélé comment l’isolement et l’attestation matériels peuvent aider à réduire le besoin de confiance entre les parties. De plus, l’année dernière, les analystes ont estimé que la valeur de l’infrastructure de calcul privée était d’environ 13 milliards de dollars, avec des prévisions indiquant une croissance encore plus rapide à 350,04 milliards de dollars d’ici 2032.

Simplement dit, plus de personnes utilisent la technologie, ce qui amène les régulateurs et les équipes de conformité à s’intéresser davantage aux systèmes d’IA que jamais. Par conséquent, un cadre qui garantit que les données sensibles ne quittent jamais l’exécution protégée pendant les requêtes de modèle rendra les traces d’audit beaucoup plus faciles à suivre, réduisant le risque de problèmes juridiques.

Cependant, si les protections de runtime ne deviennent pas la norme, cette différence pourrait faire que les régulateurs mettront plus de temps à accepter l’IA dans les domaines qui sont étroitement réglementés.

Situations réelles où la confidentialité est indispensable

Il existe plusieurs scénarios d’entreprise qui montrent pourquoi l’IA confidentielle n’est pas un luxe, mais quelque chose que chaque organisation doit avoir.

Par exemple, dans le secteur financier, cela pourrait s’appliquer aux institutions qui doivent exécuter des modèles de détection de fraude et de risque contre les historiques de transactions des clients sans donner aux opérateurs de modèles externes l’accès aux dossiers bruts.

Dans le domaine de la santé, il pourrait y avoir des situations où les modèles de diagnostic doivent fonctionner sur des données cliniques protégées tout en préservant la confidentialité des patients et en respectant les obligations réglementaires strictes. De plus, les gouvernements et les agences de défense peuvent nécessiter une exécution attestée pour exécuter des charges de travail sensibles sur des clouds tiers.

Il existe également des pipelines de recherche qui combinent des ensembles de données de plusieurs sources, notamment la recherche fédérée sur la santé qui ne peut progresser que si chaque participant est convaincu que ses entrées resteront illisibles pendant le calcul.

Il y a également des recherches universitaires et industrielles qui continuent de documenter les approches de ML qui préservent la confidentialité pour les flux de travail médicaux qui s’accordent bien avec l’exécution confidentielle.

Comment l’exécution confidentielle protège réellement les données en cours d’utilisation

L’exécution confidentielle dépend de deux systèmes connectés : l’isolement matériel et l’attestation. L’isolement matériel empêche les logiciels à l’extérieur de l’enclave sécurisée de lire la mémoire de l’enclave.

L’attestation est un moyen vérifiable de vérifier le code qui s’exécute à l’intérieur de l’enclave et que l’enclave elle-même est authentique. Ces fonctionnalités permettent à un propriétaire de modèle de montrer qu’un modèle fonctionnera avec des entrées dans un environnement scellé et vérifié et que les sorties ne seront produites qu’après que les règles de l’enclave soient suivies.

Le résultat est un contrat entre les propriétaires de données, les opérateurs de modèles et les fournisseurs de cloud qui rend moins probable le besoin de contournements juridiques adverses ou de gymnastique politique fragile.

Limites et obstacles réalistes

Bien sûr, l’adoption de l’IA confidentielle comporte ses propres défis. L’attestation et le matériel qui peuvent fonctionner dans des enclaves rendent le déploiement plus compliqué, étant donné qu’il existe un écart dans l’écosystème entre les outils de service de modèles traditionnels et les runtime d’enclave. Certains runtime d’enclave imposent des surcoûts importants, coûtant jusqu’à dix fois plus cher pour exécuter, et il peut y avoir des compromis en termes de performances en fonction du volume de travail.

De plus, les coûts sont plus élevés maintenant qu’ils ne l’étaient pour l’inférence cloud simple, ce qui pourrait rendre difficile pour les petites entreprises de comprendre les chiffres. Il y a également le problème des normes d’interopérabilité changeantes, qui peuvent laisser certains premiers adoptants à risque d’être coincés avec leurs fournisseurs.

Cependant, ces problèmes ne sont que des problèmes d’ingénierie transitoires qui peuvent être résolus. Les fournisseurs de cloud et les fabricants de puces continuent de sortir de nouveaux produits, et les projets de logiciels créent des middleware qui relient les piles ML actuelles et les TEEs.

Si quoi que ce soit, les entreprises qui pensent que le cryptage standard et les contrôles d’accès suffisent sont à plus grand risque car elles seront vulnérables lorsque les modèles traiteront un grand nombre de dossiers sensibles.

Appel à des changements de pratique d’entreprise

Les équipes de gestion des risques doivent changer les règles pour l’achat et l’utilisation de l’IA. La classification et la gouvernance des données sont toujours importantes, mais elles doivent être étayées par des garanties techniques lorsqu’elles sont en cours d’utilisation.

Les contrats avec les fournisseurs de modèles tiers doivent exiger qu’ils prouvent l’attestation. Les équipes d’approvisionnement doivent demander des références de performance et des options auditées pour l’exécution confidentielle. Les exercices de test de pénétration doivent inclure des tests d’enclave comme partie de leur travail. Ces étapes déplacent la responsabilité des engagements ad hoc vers des contrôles qui peuvent être vérifiés.

De plus, les groupes de politique publique et les groupes de normes industrielles doivent établir des attentes. Les auditeurs, les agents de conformité et les régulateurs doivent exiger des garanties de runtime vérifiables pour les catégories de charges de travail qui traitent des données réglementées.

Ces règles réduiront le nombre de violations qui se produiront plus tard et donneront au secteur la liberté d’innover sans s’inquiéter des problèmes juridiques. Cela permettra aux flux de travail financiers, de soins de santé et du secteur public d’utiliser de nouveaux modèles sans aucun obstacle réglementaire.

La confidentialité comme norme

L’IA générative est devenue un outil utile pour les entreprises qui traitent des informations très privées. Cette réalité signifie que l’exécution confidentielle n’est plus juste une option de niche ; elle doit être une pratique standard pour tout système d’IA qui gère des données réglementées, propriétaires ou personnelles.

Il existe déjà des outils disponibles, tels que les TEEs, les services d’attestation et les offres de VM privées, et l’économie s’améliore très rapidement. L’autre option est de garder les actifs sensibles ouverts à la fuite d’inférence, ce qui pourrait avoir des effets juridiques, financiers et de réputation que les entreprises ne peuvent plus se permettre. Par exemple, selon le rapport 2025 de IBM sur le coût des violations de données, le coût moyen des violations de données a atteint près de 5 millions de dollars, avec des réglementations telles que le RGPD imposant des amendes allant jusqu’à 20 millions d’euros pour les violations graves.

Les entreprises qui donnent la priorité à la confidentialité dans la gouvernance de l’IA auront un avantage : elles pourront exécuter des tests plus complets et conformes et utiliser des modèles dans des domaines où l’innovation extérieure était autrefois interdite. En résumé, la protection des données pendant l’exécution des modèles n’est pas un obstacle à l’adoption ; c’est la base d’une IA responsable et évolutivite dans les entreprises et les gouvernements.