Le risque cyber lié à l’IA dépasse les défenses des institutions financières

Gigamon a indiqué que 77 % des institutions financières interrogées avaient subi une violation liée à l’IA, alors même que 91 % déployaient des outils d’IA pour protéger leurs données. Ces conclusions, relayées par Google News en août 2026, révèlent un conflit difficile. Les banques automatisent leur sécurité plus rapidement, tandis que les attaquants utilisent une technologie similaire pour gagner en vitesse et exploiter la complexité qui en résulte.

L’enquête ne prouve pas que l’IA a causé chaque incident signalé. Elle montre toutefois que les institutions financières rencontrent de plus en plus l’IA quelque part dans la chaîne d’attaque, le système ciblé ou la réponse défensive. Parmi les répondants victimes d’une violation, 98 % ont déclaré un impact significatif sur leurs activités, notamment des pertes financières, des pertes de données, une hausse des primes d’assurance ou des conséquences réglementaires.

Cette tension dépasse désormais la seule enquête financée par un fournisseur. La Bank of England, la Financial Conduct Authority et le HM Treasury ont averti que les modèles de pointe peuvent accélérer la découverte et l’exploitation de vulnérabilités. Les institutions financières doivent donc gérer deux courses simultanément : adopter l’IA pour défendre leur infrastructure et empêcher l’automatisation de créer de nouvelles voies d’accès.

Ce que l’enquête relayée par Google News a réellement révélé

Le constat central n’est pas que les banques manquent d’outils de sécurité. C’est qu’une automatisation et des investissements accrus n’ont pas produit un contrôle systématiquement meilleur.

Gigamon a publié ses conclusions sur les services financiers le 8 juillet 2026. Les résultats proviennent de 139 responsables de la sécurité et de l’informatique en Australie, en France, en Allemagne, à Singapour, au Royaume-Uni et aux États-Unis. Ils font partie d’une étude annuelle plus large sur la sécurité du cloud hybride, couvrant plus de 1 000 répondants.

L’entreprise a indiqué que 66 % des organisations de services financiers autorisaient déjà l’IA à déclencher des fonctions de sécurité sans intervention humaine. Le chiffre correspondant, tous secteurs interrogés confondus, était de 53 %. Cette différence suggère que la finance évolue plus rapidement vers une défense autonome ou semi-autonome.

Ces systèmes peuvent effectuer des actions telles que classifier une alerte, isoler un appareil, modifier une politique ou lancer une enquête. Leur valeur réside dans leur rapidité. Un analyste humain ne peut pas examiner chaque signal produit par les terminaux, les charges de travail cloud, les systèmes d’identité, les applications et les connexions réseau d’une grande banque.

Pourtant, ces mêmes répondants ont décrit un environnement de sécurité qui restait difficile à observer et à contrôler. Selon l’enquête sur le secteur financier, 77 % avaient subi une violation impliquant l’IA. Par ailleurs, 54 % ont signalé une hausse de l’ingénierie sociale assistée par l’IA, notamment le phishing et la fraude par SMS.

Quarante-sept pour cent ont déclaré que les attaques ciblant les déploiements d’IA ou de grands modèles de langage avaient augmenté. Cette catégorie peut inclure des identifiants de modèle volés, des interfaces de programmation d’applications exposées, des entrées manipulées, des plug-ins non sécurisés ou des attaques contre des magasins de données connectés.

L’enquête a également révélé que 94 % avaient investi dans de nouvelles technologies de sécurité afin d’améliorer la détection et la visibilité. Toutefois, 42 % ont déclaré que la détection des violations prenait plus de temps. Ce résultat remet en cause l’idée selon laquelle l’achat d’un outil supplémentaire réduit automatiquement le temps de réponse.

La fragmentation semble être au cœur du problème. Cinquante-deux pour cent ont identifié les outils de sécurité déconnectés comme leur principal défi pour protéger une infrastructure de cloud hybride. Un cloud hybride combine des systèmes privés, des services de cloud public et souvent des technologies sur site plus anciennes au sein d’un même environnement opérationnel.

Chaque composant peut enregistrer l’activité différemment. Un outil peut voir une connexion d’identité, un autre une requête d’application, et un autre le trafic réseau. Si ces signaux ne peuvent pas être reliés rapidement, une réponse automatisée peut agir sur une image incomplète.

La source mérite également un examen attentif. Gigamon vend des produits de visibilité et d’observabilité réseau ; son enquête soutient donc directement son argument commercial. Ses conclusions représentent les expériences déclarées par les répondants, et non un inventaire des violations audité de manière indépendante.

L’échantillon est utile mais limité. Il couvre 139 dirigeants du secteur financier dans six pays, plutôt qu’un recensement représentatif du système financier mondial. Des définitions telles que « violation impliquant l’IA » et « impact significatif » peuvent également varier d’un répondant à l’autre.

Ces limites n’effacent pas le signal. Elles signifient que les pourcentages doivent être considérés comme des indicateurs d’exposition perçue, et non comme des mesures universelles. Le résultat important est la tendance observée dans les réponses : l’adoption augmente, les incidents liés à l’IA sont fréquents et la détection reste difficile malgré de lourds investissements.

Les institutions financières automatisent à la fois les opportunités et l’exposition

Les banques sont sous pression car la même autonomie qui améliore la vitesse de réponse élargit aussi le nombre de systèmes capables d’agir, de se connecter et d’échouer.

Les institutions financières ont de solides raisons d’automatiser la cybersécurité. Elles fonctionnent en continu, traitent des informations sensibles et assurent des services que les clients s’attendent à voir disponibles en permanence. Une détection tardive peut transformer un compte compromis en perturbation opérationnelle plus large.

L’IA aide les défenseurs à traiter des volumes de télémétrie que les équipes manuelles ne peuvent pas gérer. Elle peut prioriser les alertes, détecter les comportements inhabituels, résumer les incidents et recommander des mesures de confinement. Dans des environnements matures, l’automatisation peut également retirer des appareils compromis ou révoquer des accès suspects avant l’intervention d’un analyste.

La pression provient du fait que ces systèmes agissent sur une infrastructure réelle. Un agent de sécurité IA peut avoir besoin d’accéder aux contrôles d’identité, aux logiciels de terminaux, aux systèmes de tickets, aux consoles cloud ou aux politiques réseau. Chaque autorisation améliore sa capacité de réponse, mais accroît aussi les conséquences d’une erreur ou d’une compromission.

L’IA agentique rend cette tension plus vive. Un système agentique peut planifier et exécuter une séquence d’actions vers un objectif défini. Il fait plus que générer des conseils, ce qui signifie que les organisations doivent gouverner ce qu’il peut atteindre, modifier et transmettre.

L’étude 2026 du Cambridge Centre for Alternative Finance a révélé que 52 % de ses répondants déployaient de l’IA agentique. Son rapport mondial sur la finance a interrogé 352 participants du secteur, 144 fournisseurs d’IA et 130 régulateurs.

Cette étude a identifié l’ingénierie logicielle comme l’application de l’IA la plus mature du secteur financier. Quarante-deux pour cent ont déclaré un déploiement complet, tandis que 33 % avaient des systèmes en cours de développement. Ce point est important car l’ingénierie logicielle relie directement l’IA au code, aux dépôts, aux outils de développement et à l’infrastructure de production.

Le code généré par l’IA peut accélérer le travail légitime. Il peut aussi reproduire des schémas non sécurisés, introduire des dépendances que les équipes n’ont pas évaluées ou générer davantage de changements que les réviseurs ne peuvent examiner attentivement. Le rapport indique que le volume et la vitesse du code généré rendaient la revue manuelle traditionnelle moins efficace.

La perte de supervision humaine figurait parmi les principales préoccupations, citée par 51 % des répondants de l’ensemble des groupes de parties prenantes. Cela ne signifie pas que les entreprises doivent conserver une étape d’approbation manuelle pour chaque action de routine. Cela signifie qu’elles ont besoin de contrôles qui restent efficaces à la vitesse des machines.

Ces contrôles incluent des autorisations limitées, des journaux d’activité complets, des procédures de retour en arrière testées et des frontières claires entre recommandations et exécution autonome. Une institution doit aussi savoir quel modèle, quelle source de données, quel plug-in et quel compte système ont participé à chaque décision.

L’alternative est une automatisation sans responsabilité. Une équipe de sécurité pourrait savoir qu’un outil d’IA a modifié une règle de pare-feu, mais manquer de contexte pour établir pourquoi. Les enquêteurs pourraient alors consacrer un temps précieux à reconstituer l’action pendant qu’une attaque se poursuit.

Le défi grandit lorsque des employés déploient des services d’IA non approuvés. Un salarié peut coller des informations client dans un assistant public, connecter un plug-in d’IA à un disque partagé ou installer un outil de codage ayant accès à un dépôt. Ces actions peuvent créer une exposition des données en dehors des processus habituels d’approvisionnement et de sécurité.

Les attaquants profitent des mêmes barrières abaissées. Les modèles génératifs peuvent produire des messages de phishing crédibles, traduire des leurres, modifier le ton et personnaliser des escroqueries à l’aide d’informations volées. La génération de voix et d’images peut rendre les tentatives d’usurpation plus convaincantes.

L’IA n’élimine pas le besoin, pour les attaquants, d’accès, d’infrastructure et d’exécution. Elle réduit le temps et les compétences nécessaires à certaines étapes de l’opération. Ce changement permet de mener davantage de campagnes simultanément et laisse aux défenseurs moins de temps pour identifier des schémas répétitifs.

Les institutions financières font donc face à une réponse imposée. Elles doivent automatiser suffisamment pour répondre à des menaces à la vitesse des machines, tout en limitant l’autorité accordée à tout système automatisé. Avancer trop lentement laisse les analystes débordés. Avancer sans contrôles crée un nouvel acteur privilégié au sein du réseau.

Le véritable affrontement oppose l’automatisation au contrôle

Le conflit principal n’oppose pas les banques à un groupe d’attaquants. Il oppose l’automatisation à la vitesse des machines à des institutions construites autour de cycles de contrôle plus lents.

Les contrôles financiers traditionnels supposent que les changements importants passent par des étapes définies. Une personne demande un accès, une autre l’approuve, et un système enregistre la décision. Les versions logicielles font l’objet de tests, d’examens et de déploiements planifiés.

L’IA compresse ces cycles. Un agent défensif peut évaluer un signal et agir en quelques secondes. Un modèle offensif peut analyser un logiciel, proposer des exploits ou coordonner des étapes plus vite qu’un processus de sécurité conventionnel ne peut approuver un correctif.

Le Financial Stability Report de juillet 2026 de la Bank of England a décrit cette accélération comme une préoccupation potentielle à l’échelle du système. Son évaluation de stabilité indique que l’IA de pointe pourrait accroître la sophistication et l’impact des attaques contre les institutions et les infrastructures de marché.

Le rapport cite des éléments indiquant que des modèles récents pouvaient mener des attaques en plusieurs étapes contre des systèmes vulnérables avec une intervention humaine limitée. Dans une tâche contrôlée de rétro-ingénierie, un modèle de pointe a terminé le travail en 10 minutes et 22 secondes. Un expert humain a eu besoin d’environ 12 heures.

Les évaluations contrôlées ne se traduisent pas directement par des attaques réussies contre des banques bien défendues. Elles établissent néanmoins que l’écart de vitesse devient opérationnellement pertinent. Un processus de réponse conçu autour d’une priorisation hebdomadaire peut échouer lorsque la découverte de vulnérabilités s’étend en quelques heures.

Le rapport a également décrit une forte hausse des découvertes de vulnérabilités chez les grands fournisseurs de logiciels. Une hausse des découvertes légitimes profite aux défenseurs lorsque les fournisseurs peuvent les évaluer et les corriger en toute sécurité. Elle devient un fardeau lorsque le volume dépasse les capacités de test et de déploiement.

L’application de correctifs comporte elle-même des risques. Les banques dépendent de grandes applications interconnectées qui gèrent les paiements, l’identité, le trading, le service client et le reporting. Une mise à jour précipitée peut interrompre un service métier important, même lorsqu’elle corrige une véritable faiblesse de sécurité.

Cela crée un compromis inconfortable. Un cycle de correctifs plus lent laisse une faiblesse connue exposée. Un cycle plus rapide augmente le risque d’erreurs, de pannes ou de changements incompatibles entre des systèmes partagés.

Les fournisseurs technologiques courants peuvent amplifier les conséquences. De nombreuses institutions dépendent des mêmes plateformes cloud, services d’identité, bibliothèques logicielles et fournisseurs de modèles de fondation. Une seule faiblesse peut donc affecter plusieurs entreprises avant que chaque organisation ne comprenne son exposition.

Le rapport de Cambridge a constaté une concentration notable parmi les fournisseurs de modèles de fondation. OpenAI apparaissait dans 68,8 % des réponses pertinentes, Google dans 46,8 % et Anthropic dans 32 %. Ces chiffres reflètent les usages déclarés, et les répondants pouvaient identifier plusieurs fournisseurs.

La concentration ne rend pas ces services intrinsèquement dangereux. Elle crée une dépendance corrélée. Si de nombreuses institutions s’appuient sur le même service, la même interface ou la même famille de modèles, une défaillance ou une compromission peut se propager au-delà d’une seule entreprise.

Les régulateurs sont particulièrement préoccupés par cette exposition partagée. L’étude de Cambridge a relevé des priorités différentes entre fournisseurs, institutions et régulateurs. Cinquante-sept pour cent des régulateurs ont donné la priorité aux menaces d’IA adversariale, contre 50 % des répondants du secteur et 35 % des fournisseurs.

Un écart similaire est apparu concernant la cyberrésilience et la résilience opérationnelle. Cinquante-neuf pour cent des régulateurs en ont fait une priorité, contre 46 % des répondants du secteur et 32 % des fournisseurs. Ces différences suggèrent que les fournisseurs peuvent mettre l’accent sur la performance tandis que leurs clients réglementés supportent une part plus importante du fardeau de résilience en aval.

Les banques ne peuvent pas externaliser cette responsabilité. Un contrat peut attribuer des obligations, mais il ne peut pas rétablir instantanément les paiements, l’accès des clients ou les fonctions de marché après une perturbation. Les institutions financières restent responsables de la compréhension des services qui soutiennent leurs opérations importantes.

C’est pourquoi la visibilité est essentielle, même si elle ne constitue pas à elle seule la réponse. La télémétrie issue du réseau peut montrer comment les données circulent entre utilisateurs, applications, clouds et modèles. Elle peut aider à relier des signaux que les différents produits de sécurité perçoivent séparément.

Toutefois, collecter davantage de télémétrie peut créer un autre problème de surcharge. Les données n’ont de valeur que si les équipes peuvent les interpréter, les conserver de manière appropriée et les utiliser lors d’un incident. Un flux plus important d’alertes déconnectées ne fait qu’allonger la file d’attente.

Un contrôle efficace exige donc une chaîne complète. Les entreprises ont besoin d’inventaires précis, de mouvements de données observables, d’autorisations d’agents limitées, d’alertes corrélées, de remédiations rapides et d’une reprise testée. Une faiblesse à une étape peut compromettre le reste.

Les conclusions de Gigamon suggèrent que de nombreuses entreprises ont augmenté le nombre de composants défensifs sans achever cette chaîne. Quatre-vingt-quinze pour cent des répondants ont déclaré que la sécurité dépendait d’une visibilité sur les données en mouvement. Leurs délais de détection plus longs indiquent que cette prise de conscience ne s’est pas encore transformée en contrôle opérationnel cohérent.

Ce que les chiffres de l’enquête ne permettent pas d’établir

Les pourcentages alarmants mettent en évidence un problème de gouvernance, mais ils ne prouvent pas que l’IA autonome rend chaque institution financière moins sûre.

L’expression « violation impliquant l’IA » recouvre plusieurs types d’événements possibles. Un attaquant peut utiliser l’IA pour créer un leurre. Une organisation victime peut avoir une application d’IA parmi les systèmes touchés. L’incident peut également cibler un modèle, un plug-in, un pipeline de données ou le service cloud environnant.

Ces événements ont des causes différentes et exigent des contrôles différents. Un e-mail d’hameçonnage nécessite une protection des identités et une vérification des utilisateurs. Un endpoint de modèle compromis exige une gestion des identifiants, une surveillance et une isolation des applications. Les réunir dans un seul pourcentage peut masquer ces distinctions.

Les données d’enquête auto-déclarées présentent une autre limite. Les répondants peuvent appliquer des seuils différents pour déterminer si un incident a causé des dommages matériels. Une perte financière, une perte de données, une hausse d’assurance et une conséquence réglementaire sont des résultats graves, mais ils n’ont pas le même poids opérationnel.

L’affirmation selon laquelle 98 % des entreprises victimes d’une violation ont subi un impact matériel ne s’applique qu’aux organisations de l’enquête ayant signalé une violation. Cela ne signifie pas que 98 % de toutes les organisations financières ont subi des incidents dommageables.

L’étude ne peut pas non plus isoler si les investissements dans l’IA ont amélioré les résultats. Une entreprise disposant d’une détection avancée peut identifier des incidents qu’une organisation moins mature ne détecte pas. Cela pourrait accroître son nombre de violations signalées tout en démontrant une meilleure visibilité.

Les grandes institutions présentent également davantage de cibles. Elles peuvent exploiter plus d’applications, employer plus de personnes et intégrer davantage de fournisseurs. Leur volume élevé d’incidents peut refléter une exposition plus importante plutôt qu’un contrôle plus faible.

Le cadrage de Google News devrait donc rester plus restreint qu’une affirmation d’échec à l’échelle du secteur. Les éléments disponibles permettent de conclure que les risques liés à l’IA sont répandus parmi les dirigeants interrogés et que les mesures de visibilité existantes semblent souvent insuffisantes. Ils n’établissent pas un taux de violation universel.

Les conclusions réglementaires indépendantes renforcent néanmoins cette préoccupation plus large. L’enquête conjointe de la Bank of England et de la FCA auprès des services financiers britanniques a révélé que la cybersécurité était le principal risque perçu lié à l’IA. Selon l’enquête sur l’IA de 2024, seules 34 % des entreprises participantes ont déclaré avoir une compréhension complète de l’IA qu’elles utilisaient.

Quarante-six pour cent supplémentaires ont indiqué que leur compréhension était partielle. Quatre-vingt-quatre pour cent avaient désigné une personne responsable de l’IA, ce qui montre que les structures de gouvernance devenaient courantes. Toutefois, la responsabilité sur le papier ne garantit pas un inventaire à jour des modèles, des connexions de données et des dépendances tierces.

Cette distinction est importante lorsqu’une banque achète de l’IA par le biais d’un logiciel ordinaire. Un fournisseur peut ajouter des fonctionnalités de modèle à un produit existant sans exiger de déploiement séparé. Les modèles intégrés peuvent se répandre dans les flux de travail avant que les équipes centrales de sécurité n’enregistrent chaque utilisation.

La valeur défensive de l’IA mérite également d’être reconnue. Le UK National Cyber Security Centre prévoit que l’IA améliorera la cyberdéfense au fil du temps. Ses orientations sur l’IA de pointe soutiennent que les défenseurs peuvent utiliser cette technologie pour identifier et corriger les vulnérabilités tout en maintenant des protections de sécurité de base.

Les systèmes actuels présentent encore des limites importantes. Les modèles peuvent perdre le contexte lors d’opérations longues, produire des résultats incohérents et éprouver des difficultés avec des phases spécialisées telles que la cryptographie ou le développement de malwares complexes. Ces faiblesses limitent une automatisation fiable de bout en bout.

Les attaquants se heurtent également aux contraintes réelles des réseaux ciblés. Ils ont besoin d’un accès, d’identifiants utilisables, de systèmes accessibles et d’un moyen d’éviter la détection. Un plan généré par l’IA ne fournit pas automatiquement ces conditions.

Le danger à court terme est donc moins spectaculaire et plus concret. L’IA accroît le volume, la personnalisation et le rythme des activités autour de faiblesses existantes. Les institutions disposant d’inventaires incomplets, d’accès excessifs, de correctifs tardifs ou d’une surveillance fragmentée deviennent plus faciles à mettre sous pression.

Cette interprétation évite également de traiter chaque produit d’IA comme présentant le même risque. Un modèle qui résume des alertes dans un environnement isolé diffère d’un agent autorisé à modifier les accès de production. La gouvernance doit suivre les capacités, la sensibilité des données et l’impact potentiel.

Les entreprises financières ont besoin de preuves que les contrôles fonctionnent dans des conditions réalistes. Parmi les mesures utiles figurent le délai de détection, le délai de confinement, les taux de faux positifs, le succès des retours arrière, l’utilisation non autorisée de modèles et le pourcentage de systèmes critiques couverts par une surveillance testée.

Ces indicateurs opérationnels comptent davantage que le nombre d’outils d’IA achetés. Ils montrent si l’automatisation améliore la résilience ou ajoute simplement une couche supplémentaire que les équipes doivent superviser.

Les régulateurs sont passés des principes à la pression opérationnelle

Les autorités britanniques ne considèrent plus l’IA de pointe comme une question de politique lointaine. Elles demandent aux entreprises de préparer dès maintenant leurs défenses existantes à des attaques plus rapides.

Le 15 mai 2026, la Bank of England, la FCA et HM Treasury ont publié une déclaration commune sur les modèles de pointe et la cyberrésilience. Elle indiquait que les capacités de pointe actuelles dépassent déjà ce qu’un praticien qualifié peut accomplir dans certaines tâches, avec une vitesse accrue et un coût moindre.

La déclaration n’a pas créé de nouvelles règles. Elle a plutôt relié les menaces liées à l’IA aux attentes existantes en matière de résilience opérationnelle. Les entreprises réglementées ont déjà des responsabilités pour protéger les services importants, gérer les tiers, répondre aux incidents et se remettre des perturbations.

La déclaration commune sur l’IA a demandé aux conseils d’administration et aux dirigeants de comprendre le risque émergent. Elle a également appelé à une priorisation plus rapide des vulnérabilités, à des contrôles d’accès renforcés et à une gestion plus étroite des chaînes d’approvisionnement logicielles.

C’est significatif parce que cela place le cyberrisque lié à l’IA au sein des structures habituelles de responsabilité. Une banque ne peut pas traiter le problème comme un projet technologique expérimental détenu uniquement par une équipe d’innovation. La sécurité, les risques, la conformité, les achats et la direction opérationnelle ont tous un rôle à jouer.

Les autorités ont également déclaré que les entreprises devraient envisager des défenses automatisées et activées par l’IA capables d’opérer à une vitesse comparable à celle des attaques assistées par l’IA. Cette recommandation résume le compromis central. Les régulateurs reconnaissent que les processus manuels seuls ne pourront pas évoluer à l’échelle requise, mais l’automatisation doit rester gouvernée.

Le risque tiers fait l’objet d’une attention particulière. Les institutions financières doivent identifier les applications, bibliothèques et services externes connectés à leurs réseaux. Elles doivent également se préparer à remédier à un grand nombre de vulnérabilités découvertes par les fournisseurs.

Cette attente va au-delà des entreprises de modèles de fondation. Une application d’IA dépend souvent de l’hébergement cloud, des services d’identité, des bases de données vectorielles, des plug-ins, des outils de surveillance et de composants logiciels ordinaires. Chaque couche peut créer une dépendance ou un chemin d’accès.

L’examen de juillet de la FCA sur les services financiers de détail a ajouté une dimension consommateur. Il a identifié l’amplification de la fraude et du cyberrisque comme l’un des quatre grands changements induits par l’IA susceptibles de façonner le marché jusqu’en 2030 et au-delà.

Les recherches du régulateur auprès des consommateurs ont révélé un intérêt pour les services financiers agentiques. Un cinquième des répondants, représentant environ 11 millions d’adultes britanniques, semblait susceptible d’utiliser une IA agissant de manière autonome dans le cadre d’objectifs prédéfinis.

Cet intérêt peut inciter les entreprises à proposer des services qui formulent ou exécutent des recommandations pour les clients. Il augmente également le coût des défaillances impliquant l’identité, la manipulation, des actions non autorisées ou des résultats de modèles trompeurs.

Les agents destinés aux consommateurs créent des risques différents de ceux des agents de sécurité, mais tous deux dépendent d’un accès contrôlé et de données fiables. Un assistant financier compromis pourrait exposer des informations personnelles ou déclencher des actions préjudiciables. Un agent de sécurité compromis pourrait désactiver des protections ou dissimuler une activité suspecte.

La résilience opérationnelle constitue le lien entre ces cas. L’institution doit continuer à fournir des services importants lorsqu’un modèle, un fournisseur, une application ou un contrôle se comporte de manière inattendue. Prévenir chaque défaillance est irréaliste ; les entreprises doivent donc aussi contenir les défaillances et s’en remettre.

Cette orientation réglementaire met les conseils d’administration sous pression pour exiger des preuves. Les dirigeants ont besoin de plus qu’une déclaration affirmant qu’un système d’IA a passé l’examen des achats. Ils doivent connaître ses autorisations, ses modes de défaillance, ses dépendances, sa couverture de surveillance et son chemin de reprise.

Elle met également les fournisseurs sous pression. Les prestataires servant la finance réglementée devront répondre à davantage de questions sur les mises à jour de modèles, la notification des incidents, les pistes d’audit, la conservation des données, les sous-traitants et la continuité de service.

Le résultat immédiat n’est pas une restriction générale de l’IA financière. Les autorités britanniques continuent de décrire des avantages substantiels, notamment une meilleure détection de la fraude, un meilleur service client et une efficacité opérationnelle accrue. Leur position est que l’adoption et la résilience doivent progresser ensemble.

Cela fait des résultats de Gigamon bien plus qu’un instantané marketing. Ils arrivent au moment où les régulateurs se demandent si les entreprises peuvent transformer leurs dépenses de sécurité en contrôles mesurables. Une forte adoption associée à des délais de détection plus longs est précisément le décalage que les superviseurs examineront.

Trois signaux montreront si la sécurité de l’IA financière s’améliore

La prochaine phase sera jugée sur la rapidité de correction, l’encadrement plus strict des systèmes autonomes et des preuves plus claires concernant les fournisseurs communs.

Le premier signal est de savoir si la gestion des vulnérabilités s’accélère sans provoquer davantage de perturbations. Les modèles de pointe peuvent identifier les faiblesses plus vite, mais la découverte n’est qu’un début. Les entreprises doivent évaluer la gravité, identifier les actifs concernés, tester les correctifs, les déployer et confirmer que les services importants fonctionnent toujours.

Surveillez la publication, par les régulateurs et les grandes institutions, de données sur les délais d’application des correctifs et les tests de reprise. Une réduction durable des fenêtres d’exposition renforcerait l’idée que l’automatisation défensive maintient le rythme. Davantage de pannes liées à des corrections précipitées l’affaibliraient.

Le deuxième signal est de savoir si les entreprises imposent des limites applicables aux systèmes d’IA agentique. Les seules politiques ne peuvent pas arrêter un agent disposant d’autorisations excessives. Les institutions ont besoin de contrôles techniques qui limitent les actions, séparent les environnements sensibles, conservent des pistes d’audit et exigent une approbation pour les changements à fort impact.

Des éléments utiles incluraient moins de modèles non gérés, des inventaires complets des systèmes d’IA et des tests réguliers du comportement des agents face à des entrées hostiles. Si les banques peuvent démontrer que les actions autonomes sont traçables et réversibles, l’équilibre bascule en faveur d’une adoption maîtrisée.

Une hausse des actions non autorisées, des identifiants de modèles exposés ou des changements inexpliqués indiquerait la direction opposée. Elle suggérerait que la vitesse de déploiement continue de dépasser les capacités de gouvernance.

Le troisième signal concerne la manière dont les régulateurs traitent les dépendances technologiques concentrées. De nombreuses institutions s’appuient sur les mêmes fournisseurs cloud, développeurs de modèles et bibliothèques logicielles. Les superviseurs ont besoin de suffisamment d’informations pour identifier les expositions corrélées avant qu’un incident chez un fournisseur n’affecte plusieurs entreprises.

Les futurs travaux de la Bank of England sur la gestion des risques liés à la cybersécurité et aux technologies de l’information seront importants à cet égard. Les orientations internationales couvrant l’adoption responsable de l’IA et la supervision des tiers le seront également.

Des rapports plus détaillés sur les services d’IA critiques renforceraient la capacité du système financier à se préparer à des défaillances communes. La persistance d’écarts entre les priorités des fournisseurs et celles des régulateurs laisserait les institutions assumer des risques qu’elles ne peuvent pas observer pleinement.

Ces signaux comptent davantage qu’un nouveau pourcentage accrocheur. Les enquêtes peuvent identifier les pressions, mais les données opérationnelles déterminent si les défenses s’améliorent. Le temps de détection, la vitesse de confinement, la reprise testée, la couverture des autorisations et la concentration des fournisseurs devraient devenir les indicateurs suivis par les conseils d’administration.

L’enquête de Gigamon a mis en lumière un avertissement crédible : les entreprises financières automatisent la sécurité tout en signalant des incidents liés à l’IA généralisés et des lacunes persistantes de visibilité. Les recherches réglementaires étayent la préoccupation sous-jacente, même si les définitions propres à chaque enquête restent imparfaites.

Les lecteurs de Google News devraient résister à l’interprétation la plus simple selon laquelle l’IA vainc les banques ou les sauve. La réalité, plus difficile, est que ces deux processus se produisent simultanément. L’automatisation offre aux défenseurs une plus grande portée, tout en augmentant la vitesse, la complexité et l’interconnexion qu’ils doivent contrôler.

Les institutions financières doivent désormais prouver que la défense pilotée par l’IA produit de meilleurs résultats, et pas seulement davantage d’alertes et d’actions plus rapides. Les responsables de la sécurité devraient poser une question concrète à chaque nouveau système autonome : l’organisation peut-elle voir, contraindre, expliquer et inverser ce qu’il fait ?