F5 étend AI Gateway pour contrôler le trafic d’IA en entreprise

F5 a étendu son AI Gateway le 18 août, alors que les entreprises font déjà face à un marché saturé de routeurs de modèles, de garde-fous et d’outils de sécurité pour agents. Le titre de Google News ressemble à une simple mise à jour produit. En réalité, il s’agit d’une tentative de contrôler chaque requête reliant employés, applications, modèles d’IA, agents et outils d’entreprise.

La passerelle mise à jour réunit trois fonctions sous une même couche de politiques. Un Model Gateway gère l’accès aux modèles, le routage et l’utilisation des tokens. Un MCP Gateway régit la manière dont les agents accèdent aux outils, tandis que AI Guardrails analyse les prompts et les réponses afin d’y détecter les menaces ou les données sensibles.

Cette combinaison est au cœur du véritable affrontement. Les entreprises peuvent assembler des produits spécialisés pour chaque fonction, ou placer plusieurs formes de trafic d’IA derrière un même fournisseur d’infrastructure. F5 parie que la cohérence opérationnelle primera sur la liberté et la profondeur offertes par des outils distincts.

L’entreprise arrive sur un terrain disputé. Kong, Cloudflare, Citrix, Palo Alto Networks, les fournisseurs cloud et les startups spécialisées dans l’IA poursuivent tous une version de cette opportunité de plan de contrôle. Chacun cherche à devenir l’intermédiaire qui décide quelle requête d’IA s’exécute, à quelles ressources elle accède et combien elle coûte.

F5 dispose d’un avantage au sein des organisations qui utilisent déjà BIG-IP, NGINX ou ses services cloud distribués. Ces installations se trouvent à proximité du trafic applicatif et API, là où l’application des politiques existe déjà. Toutefois, une position établie dans le trafic ne garantit pas automatiquement un leadership en matière de gouvernance de l’IA.

La question importante n’est donc pas de savoir si les entreprises ont besoin de meilleurs contrôles. Elle est de déterminer si une seule passerelle peut gouverner les modèles, les agents, les données et les coûts sans devenir un nouveau risque concentré.

Ce que F5 a réellement changé

F5 transforme son AI Gateway, d’un point de contrôle de sécurité en un plan de contrôle opérationnel plus vaste.

L’entreprise a présenté F5 AI Gateway pour la première fois en novembre 2024. Son positionnement initial mettait l’accent sur la protection et la gestion du trafic entre applications, API et grands modèles de langage.

La dernière version élargit ce périmètre. F5 présente désormais trois passerelles et couches de sécurité connectées comme un seul système, plutôt que comme des produits distincts dotés de politiques différentes.

Le Model Gateway traite les requêtes envoyées aux modèles d’IA. Selon F5, il enregistre l’utilisation des tokens par fournisseur, modèle, équipe et utilisateur individuel. Les administrateurs peuvent également définir des budgets et les appliquer pendant le traitement des requêtes.

Le routage ajoute une fonction économique. La passerelle peut envoyer les tâches simples vers des modèles moins coûteux, réutiliser des réponses en cache appropriées ou répartir les charges de travail selon la capacité GPU disponible. La passerelle devient ainsi à la fois un produit de sécurité, un gestionnaire de trafic et un contrôleur des dépenses.

F5 affirme que ces fonctionnalités peuvent réduire les dépenses en tokens de 30 % à 60 % sans nécessiter de modifications des applications. Sa présentation actuelle d’AI Gateway indique également que l’élimination des appels redondants aux outils des agents peut réduire jusqu’à 90 % le gaspillage de tokens associé.

Ces chiffres sont des affirmations du fournisseur, et non des benchmarks indépendants. Les économies réelles dépendront des schémas de requêtes, de la réutilisation du cache, des choix de modèles, des exigences de latence et des efforts d’optimisation déjà en place. Une organisation appliquant déjà des politiques de routage strictes pourrait constater un gain plus limité.

Le MCP Gateway traite un chemin de trafic différent. Model Context Protocol, ou MCP, fournit aux applications d’IA une méthode standard pour se connecter à des outils et à des sources de données. Ces connexions peuvent atteindre des bases de données, des API internes, des référentiels de documents et des systèmes métier.

F5 indique que son registre peut cataloguer des serveurs MCP publics, distants et privés. Les administrateurs peuvent appliquer des listes d’autorisation, des listes de refus, des quotas, des budgets et des contrôles d’accès basés sur les rôles à chaque outil.

Le système enregistre également chaque invocation d’outil. Cet enregistrement peut indiquer quelle identité a initié une requête, à quelle ressource un agent a accédé et quelle action a eu lieu. De telles preuves sont importantes lorsqu’un processus autonome modifie des données métier ou accède à des informations réglementées.

AI Guardrails analyse le contenu qui circule dans la passerelle. F5 affirme que ces politiques peuvent masquer les informations personnellement identifiables, bloquer les tentatives d’injection de prompts et arrêter les techniques de jailbreak. L’application fail-closed rejette le trafic lorsque la couche d’inspection ne peut pas l’évaluer en toute sécurité.

Ensemble, ces composants répondent à trois questions distinctes. Quel modèle doit traiter une requête ? Quels outils un agent peut-il utiliser ? Quelles informations ou instructions peuvent franchir l’une ou l’autre frontière ?

F5 a également intégré la passerelle à sa plateforme AI Security Platform plus large. Cette plateforme regroupe la gouvernance de l’IA, les contrôles d’utilisation, les tests de sécurité et la protection à l’exécution autour des systèmes actifs qui transportent le trafic d’IA.

L’intégration compte davantage que l’image de marque. Une passerelle qui se contente de router les requêtes ne voit qu’une partie d’un flux de travail d’IA. Une passerelle reliée à la sécurité applicative, aux contrôles API et à la surveillance à l’exécution peut corréler davantage d’activités autour de cette requête.

F5 prévoit une prise en charge des déploiements SaaS, SaaS hybride et multicloud hybride. La prise en charge des environnements isolés du réseau est prévue pour les environnements réglementés qui ne peuvent pas faire transiter du trafic sensible par un service externe.

Cette variété de déploiements cible les organisations dont les systèmes d’IA couvrent une infrastructure privée et plusieurs fournisseurs cloud. Elle renforce également le principal argument de F5 : la couche de contrôle doit suivre le trafic à travers les environnements au lieu d’appartenir à un seul fournisseur de modèles.

Pourquoi le titre de Google News compte maintenant

L’article de Google News reflète une transition plus large : du test des modèles d’IA à la gouvernance de l’inférence d’IA à grande échelle.

L’étude 2026 State of Application Strategy de F5 a révélé que 77 % des organisations interrogées considéraient l’inférence comme leur principale activité liée à l’IA. Selon l’entreprise, les répondants géraient en moyenne sept modèles d’IA.

L’inférence est l’étape de production au cours de laquelle un modèle entraîné traite une requête en direct. Elle comprend les assistants pour employés, les systèmes de support client, les outils de code, les applications de recherche et les agents exécutant des tâches métier.

Gérer sept modèles crée bien plus de sept relations techniques. Les équipes doivent suivre les identifiants, les régions, les formats de requêtes, les règles de conservation, les filtres de sécurité, les comportements de repli, les performances et la consommation dans l’ensemble de ces systèmes.

Un agent introduit une autre structure d’autorisations. Le modèle peut décider d’appeler un outil externe, tandis que cet outil peut exposer des données ou exécuter une action. Les équipes de sécurité doivent gouverner ensemble l’utilisateur, l’agent, le modèle, l’outil et le système cible.

MCP facilite l’intégration d’outils, mais la standardisation accélère aussi leur prolifération. Les développeurs peuvent connecter de nouveaux outils sans concevoir une interface personnalisée pour chaque application d’IA. Les équipes centrales peuvent rapidement perdre la visibilité sur les serveurs existants et sur les personnes qui peuvent y accéder.

Des chercheurs en sécurité ont déjà décrit cette surface d’attaque élargie. Un article de 2025 sur les contrôles de sécurité MCP a identifié l’empoisonnement d’outils, l’exfiltration de données, la compromission de la chaîne d’approvisionnement et l’escalade de privilèges entre systèmes parmi les principaux risques.

Les chercheurs ont recommandé une autorisation à périmètre limité, le suivi de provenance, le sandboxing, des contrôles des données en ligne et une application centralisée par passerelle. L’architecture de F5 s’aligne sur plusieurs de ces recommandations, même si une liste de fonctionnalités produit ne démontre pas une mise en œuvre efficace.

La pression économique augmente parallèlement au risque de sécurité. Chaque prompt, réponse, document récupéré et résultat d’outil peut ajouter des tokens à une requête de modèle. Un agent peut générer plusieurs appels de modèle en accomplissant une seule tâche utilisateur visible.

Il devient alors difficile d’attribuer les dépenses. Une entreprise peut connaître sa facture totale auprès de ses fournisseurs, tout en manquant d’une attribution fiable entre équipes, applications, utilisateurs et flux de travail autonomes.

Les budgets cloud traditionnels arrivent également trop tard pour certaines charges de travail d’IA. Un agent peut répéter une étape défaillante ou générer des appels d’outils inutiles avant qu’un rapport mensuel n’identifie le problème. Des quotas en temps réel et des politiques de routage peuvent intervenir plus tôt.

Kunal Anand, chief product officer de F5, a décrit le problème comme un contrôle fragmenté des requêtes ayant des conséquences économiques, sécuritaires et de gouvernance. Cette présentation sert la stratégie de plateforme de F5, mais le problème de fragmentation est réel.

La catégorie attire également des investissements importants. WitnessAI a levé 58 millions de dollars pour étendre sa plateforme de sécurité de l’IA en entreprise, selon un rapport d’Axios. PitchBook a estimé que les entreprises de cybersécurité agentique avaient levé près de 250 millions de dollars dans le cadre de presque deux douzaines d’opérations au cours de 2025.

Toutefois, le déploiement reste inégal. Le même rapport d’Axios citait une étude de McKinsey indiquant qu’environ un quart des répondants déployaient de manière significative des systèmes agentiques à grande échelle.

Cet écart explique pourquoi les fournisseurs bougent maintenant. Ils veulent établir le point de contrôle avant que la plupart des agents d’entreprise n’atteignent la production, et non après que les clients se sont standardisés ailleurs.

La couverture de Google News marque donc plus qu’une sortie de fonctionnalité F5. Elle saisit une compétition d’infrastructure qui se dessine avant que l’architecture d’entreprise dominante ne se soit stabilisée.

Un plan de contrôle contre des outils d’IA spécialisés

Le principal adversaire de F5 n’est pas un fournisseur unique. C’est la pile spécialisée assemblée à partir de produits distincts de routage, de sécurité, d’observabilité et de gouvernance des agents.

Une architecture spécialisée permet à une entreprise de choisir un routeur de modèles pour les performances, un fournisseur de garde-fous pour l’inspection du contenu et un autre produit pour l’autorisation MCP. Les équipes peuvent remplacer un composant sans déplacer l’ensemble du système.

Cette flexibilité compte parce que la catégorie est récente. Les techniques de sécurité, les protocoles d’agents et les interfaces de modèles continuent d’évoluer. Une plateforme étroitement couplée peut devenir difficile à ajuster lorsqu’un composant plus performant apparaît ailleurs.

Les spécialistes peuvent également se concentrer davantage sur des problèmes précis. Un service d’observabilité natif de l’IA peut offrir des traces de prompts ou des flux de travail d’évaluation plus riches. Une entreprise de sécurité dédiée peut détecter des attaques qu’une plateforme applicative généraliste ne voit pas.

La contrepartie est la fragmentation opérationnelle. Chaque composant peut introduire un autre langage de politiques, tableau de bord, agent, magasin de données, intégration d’identité et format d’audit. Des lacunes apparaissent lorsque deux produits interprètent différemment le même utilisateur ou la même requête.

F5 affirme que des politiques partagées réduisent ces lacunes. Son système applique des budgets, des contrôles d’accès basés sur les rôles, des enregistrements d’audit et de l’observabilité au trafic des modèles comme aux appels d’outils des agents.

L’argument le plus fort s’applique aux environnements F5 existants. Une entreprise qui utilise déjà BIG-IP ou NGINX peut placer des contrôles d’IA à proximité de l’infrastructure qui traite le trafic applicatif et API ordinaire.

F5 a renforcé cette stratégie en mars 2026. Son extension ADSP a ajouté la visibilité sur le trafic MCP et des contrôles centrés sur les agents à l’ensemble de son portefeuille de livraison d’applications.

NGINX peut inspecter les métadonnées MCP dans le chemin de trafic, selon l’annonce. Les opérateurs peuvent observer les schémas de requêtes, la latence, le débit et les erreurs dans l’activité connue ou jusque-là non suivie des agents.

Cette position peut réduire les frictions de déploiement. Les équipes peuvent étendre une couche de trafic existante au lieu d’insérer un autre proxy et d’établir un processus opérationnel distinct.

Les concurrents avancent un argument similaire. Citrix a ajouté des fonctions MCP Gateway à NetScaler AI Gateway en juillet, quelques mois seulement après le lancement du produit sous-jacent.

La mise à jour de NetScaler associe routage des modèles, suivi des tokens et gouvernance des outils des agents. Citrix met également l’accent sur une plateforme et un tableau de bord uniques pour le trafic des modèles comme pour celui de MCP.

Kong aborde cette catégorie depuis l’infrastructure API. Cloudflare peut associer le routage IA à un vaste réseau edge. Palo Alto Networks intègre des capacités de passerelle IA à un portefeuille plus large de sécurité d’entreprise.

Les fournisseurs cloud disposent d’un autre avantage. Amazon, Microsoft, Google et Databricks peuvent placer les contrôles d’accès aux modèles à proximité de leurs services respectifs d’identité, de données et d’IA.

Cette concurrence met sous pression les fournisseurs indépendants de passerelles IA. Ils doivent démontrer que des fonctionnalités plus approfondies et spécifiques à l’IA justifient l’ajout d’un produit supplémentaire dans le chemin du trafic.

Elle met également F5 sous pression. L’entreprise doit démontrer que son infrastructure applicative familière comprend suffisamment en profondeur le comportement des agents pour gouverner davantage que les simples requêtes réseau.

Une passerelle traditionnelle vérifie l’identité, la destination, la forme de la requête et les limites de débit. Une passerelle IA doit aussi analyser le contenu des prompts, le choix du modèle, l’intention d’utilisation des outils, la sensibilité des données et les comportements en plusieurs étapes.

Ces décisions interviennent à différents niveaux. Bloquer un outil de base de données non autorisé est une action claire de contrôle d’accès. Déterminer si un agent autorisé est manipulé par du contenu récupéré exige une analyse davantage contextualisée.

La stratégie de plateforme réussit si l’identité et la télémétrie partagées améliorent ces décisions. Elle s’affaiblit si l’intégration ne produit essentiellement qu’une console unique tandis que les contrôles spécialisés restent superficiels.

Les achats amplifieront cette tension. Les responsables de la sécurité préfèrent souvent moins de fournisseurs et des preuves cohérentes, tandis que les équipes de développement privilégient des outils qui évoluent rapidement et restent portables.

L’issue différera selon les organisations. F5 n’a pas besoin de remporter chaque nouveau projet d’IA. Elle doit amener ses clients existants à considérer sa passerelle comme la voie par défaut vers la production.

Une passerelle peut appliquer une politique, mais elle ne peut pas prouver la sécurité

L’application centralisée améliore le contrôle, mais elle ne rend pas intrinsèquement fiables les sorties des modèles ni le comportement des agents.

Une passerelle IA voit le trafic qui traverse sa frontière. Elle peut authentifier les identités, inspecter le contenu, enregistrer les décisions, limiter les débits et bloquer les destinations non autorisées.

Elle ne peut pas toujours déterminer si une action autorisée est correcte. Un employé peut légitimement accéder aux dossiers clients tout en demandant à un agent d’effectuer une mise à jour erronée. La requête peut respecter toutes les politiques et néanmoins causer un préjudice.

L’injection de prompt présente un problème similaire. Des instructions malveillantes peuvent apparaître dans des pages web, documents, messages ou enregistrements récupérés. Un agent peut interpréter ce contenu comme une commande plutôt que comme des données non fiables.

F5 affirme que ses garde-fous bloquent les tentatives d’injection de prompt et de jailbreak. Elle indique également que sa bibliothèque de menaces reçoit plus de 10 000 schémas d’attaque chaque mois. Ces affirmations exigent une évaluation attentive au regard des applications et des données de chaque client.

La couverture des schémas ne garantit pas une protection complète. Les attaquants peuvent modifier leur formulation, répartir les instructions entre plusieurs entrées, exploiter la logique applicative ou cibler un outil autorisé après avoir franchi l’inspection de contenu.

Les faux positifs créent un autre risque opérationnel. Un filtre strict pourrait bloquer du code source valide, du langage médical, des recherches en sécurité ou des informations client nécessaires à un flux de travail approuvé.

Un comportement de refus par défaut limite l’exposition lorsque la passerelle ne peut pas inspecter une requête. Il peut aussi interrompre des applications critiques lors d’une défaillance du service de politiques ou d’une classification incertaine.

Les entreprises auront besoin de procédures d’exception claires. Elles doivent savoir qui peut outrepasser une décision, comment cette action est enregistrée et si l’accès d’urgence crée une lacune durable dans les politiques.

La latence mérite également un examen attentif. Chaque décision de routage, inspection de contenu, classification des données et opération d’audit prend du temps. Même de petits délais s’accumulent lorsque des agents effectuent plusieurs appels séquentiels à des modèles et à des outils.

F5 décrit la plateforme comme adaptée à un trafic à haut débit, mais l’entreprise n’a pas publié de benchmarks indépendants complets pour chaque mode d’inspection. Les acheteurs devraient tester des prompts réalistes, des réponses en streaming et de longues sessions d’agents.

Le plan de contrôle devient lui-même une infrastructure sensible. Il peut contenir des identifiants de modèles, des identités utilisateurs, du contenu de prompts, des inventaires d’outils, des règles budgétaires et des enregistrements d’activité interne.

Une compromission pourrait exposer bien plus qu’une seule application. La centralisation concentre la visibilité et l’application des politiques, mais elle concentre également les conséquences opérationnelles et de sécurité.

La conception du déploiement importe donc. Les organisations réglementées devraient vérifier où l’inspection a lieu, quelles données atteignent les services F5, comment les journaux sont conservés et si du contenu sensible apparaît dans la télémétrie.

La prise en charge des environnements air-gapped pourrait répondre à certaines préoccupations de résidence des données une fois disponible. D’ici là, les acheteurs doivent distinguer les capacités actuellement fournies des options de déploiement prévues.

Le langage relatif à la conformité exige également de la retenue. L’alignement sur SOC 2, les normes ISO ou les contrôles liés à HIPAA ne rend pas automatiquement un déploiement client conforme.

La conformité dépend de la configuration, des procédures opérationnelles, des contrats, des revues d’accès, des politiques de conservation et de l’application environnante. Une passerelle fournit des contrôles et des preuves, pas une certification automatique.

Les équipes devraient également conserver des enregistrements en dehors de la passerelle. Les enquêtes sur incident nécessitent le contexte de l’application, les versions des modèles, les documents récupérés, les résultats des outils et les validations humaines.

Une base de connaissances techniques bien entretenue peut relier ces enregistrements à la documentation système. Ce contexte aide les enquêteurs à comprendre pourquoi une requête apparemment valide a produit un résultat inattendu.

Enfin, une passerelle ne gouverne que le trafic routé à travers elle. Les employés peuvent encore utiliser des services de chat non approuvés, des extensions de navigateur, des identifiants directs de fournisseurs ou des modèles locaux.

F5 peut s’intégrer à des contrôles plus larges pour le shadow AI, mais aucune passerelle ne capture le trafic qui contourne son point d’application. Les schémas d’architecture devraient distinguer les flux gouvernés de ceux qui sont simplement détectés.

L’affirmation de F5 sur les coûts nécessite des preuves fondées sur des charges de travail réelles

La promesse de dépenses en tokens inférieures de 30 % à 60 % est plausible pour certaines charges de travail, mais cette fourchette en dit peu sans base de mesure.

La mise en cache sémantique peut éviter des appels répétés aux modèles. Au lieu de faire correspondre un texte identique, elle cherche à réutiliser une réponse lorsqu’une nouvelle requête présente un sens très similaire.

Cette méthode fonctionne le mieux pour des requêtes stables et répétitives. Les réponses du support client, les questions relatives aux politiques internes et les demandes courantes des développeurs peuvent produire une réutilisation significative du cache.

Elle fonctionne moins fiablement lorsque les réponses dépendent de données actuelles, d’autorisations spécifiques à l’utilisateur ou d’un contexte conversationnel évolutif. Réutiliser une réponse inadaptée peut réduire les coûts tout en introduisant des informations inexactes.

Le routage intelligent offre une autre voie d’économies. Une passerelle peut orienter les tâches courantes de classification ou d’extraction vers un modèle plus petit, tout en réservant les modèles plus grands aux demandes difficiles.

La difficulté consiste à décider quelle requête nécessite quel modèle. Une politique trop agressive peut réduire la facture du fournisseur tout en diminuant la qualité des réponses ou en augmentant les tentatives répétées.

La hiérarchisation des modèles nécessite également des données d’évaluation. Les équipes ont besoin de tests spécifiques aux tâches comparant exactitude, latence, sécurité et coût total entre les modèles. Le prix seul ne peut pas déterminer la bonne voie.

L’équilibrage de charge tenant compte des GPU s’applique principalement lorsque les organisations exploitent une infrastructure d’inférence privée ou auto-hébergée. Il peut améliorer l’utilisation en dirigeant les requêtes loin des accélérateurs surchargés.

Toutefois, les économies d’infrastructure et les économies de tokens ne sont pas identiques. Une entreprise devrait distinguer dans son analyse les frais des fournisseurs, l’utilisation des GPU, les coûts de la passerelle, le temps d’ingénierie et les surcoûts liés aux requêtes échouées.

L’attribution des tokens peut néanmoins apporter une valeur immédiate. Les organisations manquent souvent d’une méthode cohérente pour relier la consommation des modèles aux équipes, aux utilisateurs et aux applications.

Les budgets par équipe de F5 peuvent arrêter une charge de travail avant qu’elle ne dépasse une limite définie. C’est plus actionnable que de découvrir un dépassement après l’arrivée de la facture du fournisseur.

Cependant, les budgets peuvent créer des incitations qui déforment les comportements. Les équipes pourraient répartir les applications entre plusieurs comptes, contourner les contrôles ou choisir des modèles moins performants pour rester sous une limite arbitraire.

La politique de coûts devrait donc être liée aux objectifs de niveau de service. Un système de détection de fraude et un assistant interne de rédaction ne devraient pas recevoir les mêmes règles de routage ou de dépenses.

Les appels aux outils des agents compliquent encore davantage la comptabilité. Une requête d’employé peut déclencher une planification, une récupération, plusieurs appels d’outils, une validation et une réponse finale du modèle.

F5 affirme que sa MCP Gateway peut supprimer les appels redondants et réduire jusqu’à 90 % le gaspillage de tokens associé. Les acheteurs devraient demander comment le produit définit la redondance et s’il modifie le plan d’exécution d’un agent.

Empêcher un appel répété à l’identique est relativement sûr. Supprimer deux appels apparemment similaires peut être risqué si les données sous-jacentes ont changé entre eux.

Les équipes devraient tester la passerelle à l’aide de traces de production enregistrées. Elles devraient comparer les taux globaux de réussite des tâches, et pas seulement les tokens consommés par requête individuelle.

Une évaluation utile devrait inclure plusieurs dimensions. Mesurez les résultats obtenus, les tentatives répétées, les erreurs de cache, les blocages de sécurité, la latence, les dépenses des fournisseurs, l’utilisation de l’infrastructure et l’effort des opérateurs.

La base de référence doit aussi refléter les contrôles existants. Comparer F5 à une application entièrement non optimisée produira un gain apparent plus important que la comparaison avec une couche de routage mature.

Cela n’invalide pas l’affirmation d’économies. Cela signifie que le bénéfice appartient à une charge de travail et à une conception de politiques spécifiques, et non à l’étiquette de passerelle elle-même.

L’argument économique de l’entreprise élargit le public acheteur. Les équipes de sécurité obtiennent l’application des politiques, les équipes plateforme obtiennent le routage et les équipes financières obtiennent l’attribution.

Cette coalition peut accélérer l’adoption. Elle peut aussi produire des objectifs contradictoires lorsque la réduction des dépenses, une inspection plus forte et des réponses plus rapides orientent les décisions de routage dans des directions différentes.

Trois signaux montreront si la stratégie de F5 fonctionne

Le prochain test n’est pas une autre annonce de fonctionnalité. Il s’agit de savoir si les entreprises font passer un trafic de production significatif par le plan de contrôle combiné.

Le premier signal est l’adoption par les clients, documentée de manière indépendante. F5 devrait montrer des déploiements en production qui utilisent ensemble Model Gateway, MCP Gateway et AI Guardrails.

Ces exemples devraient inclure l’échelle du trafic, l’architecture de déploiement, la couverture des politiques et des résultats opérationnels mesurables. Des affirmations anonymes sur de grandes entreprises inspireront moins confiance que des implémentations détaillées.

Les preuves provenant de secteurs réglementés seraient particulièrement significatives. Les clients des services financiers, de la santé et du gouvernement font face à des exigences strictes en matière d’identité, de résidence des données, d’audit et de disponibilité.

Des déploiements réussis dans ces secteurs renforceraient l’argument de F5 en faveur d’une plateforme unifiée. Une utilisation limitée dans des applications expérimentales suggérerait que le produit reste une couche supplémentaire plutôt qu’une infrastructure centrale.

Le deuxième signal est la validation des affirmations relatives aux coûts et aux performances. Les clients ont besoin de preuves reproductibles pour la fourchette de réduction des tokens de 30 % à 60 %.

Des benchmarks utiles devraient divulguer les types de charges de travail, les taux de cache, les combinaisons de modèles, les règles de routage, la qualité des réponses et la latence de la passerelle. Sans ces détails, les économies en pourcentage restent difficiles à comparer.

Des tests indépendants devraient également évaluer les garde-fous sous charge. Les acheteurs doivent savoir comment l’inspection du contenu modifie la latence, le débit, les faux positifs et la disponibilité lors de défaillances.

Des résultats solides étayeraient l’idée que sécurité et optimisation peuvent partager un même chemin de requête. Des résultats faibles favoriseraient des architectures qui séparent le routage à haute vitesse de l’analyse asynchrone plus approfondie.

Le troisième signal concerne la réaction de la concurrence. Citrix associe déjà gouvernance des modèles et des MCP, tandis que Kong, les plateformes cloud et les fournisseurs de sécurité continuent d’étendre leurs passerelles respectives.

Il faudra observer si ces fournisseurs s’alignent sur le modèle de politiques partagées de F5, ses options de déploiement et son intégration de la sécurité des applications. Il faudra aussi voir si les entreprises exigent des interfaces ouvertes leur permettant de remplacer des composants individuels de passerelle.

Une évolution vers des formats de politiques ouverts affaiblirait les plateformes étroitement intégrées. Un virage vers des achats de sécurité consolidés renforcerait F5 et les autres fournisseurs d’infrastructure établis.

Google News continuera de mettre en avant des annonces décrivant une gouvernance unifiée de l’IA. Le travail le plus important intervient après ces titres, lorsque les équipes plateforme décident par quels points les requêtes doivent passer avant d’atteindre un modèle ou un outil.

Les acheteurs en entreprise devraient cartographier leurs flux de trafic IA réels avant de choisir une passerelle. Ils doivent identifier les appels directs aux modèles, les outils d’agents, les chemins de données sensibles, les services non approuvés et les systèmes ne pouvant pas tolérer de latence supplémentaire.

Ils devraient ensuite tester de bout en bout un flux de production représentatif. Il faut mesurer la qualité des tâches, les requêtes bloquées, l’exposition des données, le temps de réponse, le coût total et l’effort nécessaire pour expliquer chaque décision.

F5 a présenté une réponse cohérente à la prolifération des outils d’IA : un plan de contrôle unique couvrant les modèles, les agents et la sécurité. Les trois prochains mois devraient révéler si les clients considèrent ce point de contrôle comme une fondation ou comme un produit supplémentaire à gouverner.