Les dépenses de sécurité de l’IA chez Kaspersky augmentent alors que la shadow AI fait voler en éclats le modèle de contrôle
Kaspersky affirme que l’adoption de l’IA a conduit 41 % des entreprises à accroître leurs investissements dans la sécurité de l’information, alors même que les employés continuent d’introduire des outils d’IA externes dans leur travail. Les données de Kaspersky sur les dépenses de sécurité de l’IA révèlent un conflit que les équipes de sécurité ne peuvent résoudre en achetant un produit isolé supplémentaire. Les entreprises veulent accélérer l’adoption de l’IA, mais leurs contrôles existants ne permettent souvent pas de voir où l’IA est déjà utilisée.
Ces conclusions proviennent d’une enquête mondiale menée auprès de 1 800 décideurs et spécialistes de l’informatique et de la cybersécurité dans 18 pays. Les répondants représentaient notamment les secteurs de la technologie, de l’industrie manufacturière, de la finance, du commerce de détail et du commerce de gros. Kaspersky a publié les résultats mondiaux le 29 juillet 2026, avant que des rapports régionaux ne remettent les chiffres sous les projecteurs en septembre.
Il ne s’agit pas simplement d’une nouvelle histoire de budget de sécurité. Le problème le plus difficile est l’écart grandissant entre l’IA d’entreprise approuvée et la shadow AI, c’est-à-dire des outils d’IA utilisés sans approbation ni supervision formelles. Les organisations financent simultanément l’adoption et la protection, tandis que les employés peuvent toujours faire transiter des informations d’entreprise via des comptes personnels, des extensions de navigateur, des assistants spécialisés et des fonctionnalités d’IA intégrées.
L’enjeu central oppose donc une adoption contrôlée de l’IA à une adoption pilotée par les employés. Bloquer les outils externes peut repousser davantage l’activité hors de vue. Tout autoriser peut exposer des données sensibles, des identifiants, des documents internes et des processus métier à des systèmes que les équipes de sécurité n’ont pas évalués.
Ce que disent réellement les données de Kaspersky sur les dépenses de sécurité de l’IA
Le chiffre principal importe, car l’adoption de l’IA est devenue un moteur direct des budgets de sécurité, et non plus simplement un élément de plus dans une liste de menaces.
Selon l’enquête mondiale de Kaspersky, 41 % des entreprises ont augmenté leurs investissements dans la sécurité de l’information en raison de l’adoption de l’IA. Parmi les autres moteurs cités figuraient la hausse du coût des violations, la migration vers le cloud et les incidents de sécurité récents.
Ce résultat ne signifie pas que 41 % des entreprises ont augmenté leurs budgets uniquement à cause de la shadow AI. Il ne révèle pas non plus l’ampleur de chaque hausse. Les conclusions publiées établissent un lien entre l’adoption et les décisions de dépense, mais ne fournissent ni montants en dollars ni répartition de la croissance des budgets.
Les réponses plus générales aident à comprendre pourquoi les budgets évoluent. Dix-neuf pour cent des répondants ont classé les vulnérabilités de l’IA parmi leurs menaces actuelles les plus dangereuses. Le phishing arrivait devant avec 22 %, suivi des attaques de malwares de masse à 20 %.
Ces chiffres placent le risque lié à l’IA près des menaces établies pour les entreprises, sans les supplanter. Les responsables de la sécurité doivent protéger les systèmes conventionnels tout en ajoutant l’accès aux modèles, les prompts, les plugins, les agents, les données d’entraînement et le code généré par IA à leurs responsabilités.
Selon Kaspersky, la pression est particulièrement forte dans la finance, le secteur public et la technologie. Ces secteurs traitent des données précieuses et exploitent des systèmes que les attaquants ont tout intérêt à cibler. Ils subissent aussi une forte pression pour automatiser le travail de connaissance et les processus en contact avec les clients.
L’adoption n’attend pas que les programmes de sécurité rattrapent leur retard. Kaspersky a indiqué que 81 % des entreprises interrogées exploraient ou déployaient des outils internes alimentés par de grands modèles de langage. Dix-huit pour cent avaient intégré ces technologies à leurs flux de travail.
Les entreprises disposant de systèmes d’IA internes ont cité trois motivations tout aussi fréquentes. L’amélioration de l’efficacité des processus, la réduction des erreurs humaines et de meilleurs livrables pour les clients ont chacune été sélectionnées par 59 % de ces organisations.
Une publication connexe de Kaspersky a révélé que les employés utilisaient déjà l’IA dans plusieurs catégories de travail. L’analyse et la visualisation de données arrivaient en tête avec 54 %, suivies par la gestion de projet à 49 % et la recherche d’informations à 47 %. Le travail propre à chaque service atteignait 46 %, tandis que la génération et l’édition de texte atteignaient 41 %.
Ces cas d’usage couvrent de nombreux types de données. Un assistant de projet peut recevoir des exigences clients, des échéances et des affectations d’employés. Un outil d’analyse peut traiter des registres financiers, des indicateurs opérationnels ou du contenu exporté de bases de données.
La frontière de sécurité change chaque fois que ces informations atteignent un modèle, un plugin ou un service doté d’IA. Les équipes doivent savoir qui a fourni les données, quel compte les a traitées, combien de temps elles restent disponibles et quels systèmes connectés l’outil peut atteindre.
C’est pourquoi l’évolution des dépenses dépasse la protection des modèles contre les attaques techniques. Elle couvre aussi l’identité, la classification des données, l’évaluation des fournisseurs, la visibilité réseau, le développement logiciel, la réponse aux incidents et la formation des employés.
Kaspersky a un intérêt commercial évident à souligner ces besoins. L’entreprise vend des produits de sécurité et recommande ses propres services parallèlement à l’étude. Les lecteurs devraient considérer ces pourcentages comme des données d’enquête parrainées par un fournisseur, et non comme une mesure indépendante de l’ensemble du marché.
Néanmoins, l’échantillon regroupait 1 800 professionnels de la sécurité dans 18 pays. Les conclusions font ressortir une préoccupation organisationnelle claire : les projets d’IA génèrent des dépenses qui dépassent le budget initial des licences logicielles ou de l’infrastructure.
Chaque assistant supplémentaire peut créer un nouveau parcours d’identité, un nouveau flux de données et une nouvelle dépendance fournisseur. Chaque modèle interne peut ajouter des besoins d’infrastructure, de surveillance, d’accès et de tests. Les dépenses de sécurité deviennent une partie du coût d’exploitation de l’IA d’entreprise.
C’est le premier changement important. La sécurité de l’IA ne commence plus après le déploiement d’un modèle majeur par une entreprise. Elle commence lorsque les employés cherchent des moyens plus rapides d’accomplir des tâches ordinaires.
L’adoption de l’IA élargit la surface d’attaque
Les entreprises ne se défendent pas seulement contre des attaquants assistés par IA ; elles ajoutent des systèmes d’IA qui créent de nouveaux espaces propices aux erreurs et à l’exploitation.
Une surface d’attaque comprend les systèmes, identités, interfaces et chemins de données qu’un attaquant peut potentiellement atteindre. L’adoption de l’IA l’élargit via les points de terminaison des modèles, les systèmes de récupération, les plugins, les entrées de prompts, les actions autonomes et les intégrations tierces.
Ces composants introduisent des risques logiciels familiers dans des combinaisons inédites. Un contrôle d’accès faible reste un contrôle d’accès faible, mais un agent IA peut exercer cet accès sur plusieurs outils. Un identifiant exposé reste dangereux, mais un assistant connecté peut l’utiliser à la vitesse d’une machine.
Kaspersky a signalé une forte hausse des failles recensées touchant les services d’IA et de grands modèles de langage. Son analyse des vulnérabilités a dénombré 935 vulnérabilités au deuxième trimestre 2026.
Ce chiffre était dix fois supérieur au niveau enregistré au quatrième trimestre 2025, selon les données de gestion des vulnérabilités de l’entreprise. Kaspersky a classé 119 des vulnérabilités du deuxième trimestre comme critiques, soit presque cinq fois le niveau de fin 2025.
Les catégories les plus courantes comprenaient de faibles contrôles d’accès, une authentification ou une autorisation défaillante, et des vulnérabilités d’injection. Une injection se produit lorsqu’une entrée manipulée modifie la manière dont un système interprète des instructions ou exécute des actions connectées.
Cette augmentation exige une interprétation prudente. Davantage de vulnérabilités recensées peuvent refléter un déploiement accru, une attention plus soutenue des chercheurs, de meilleures divulgations ou une véritable baisse de la qualité logicielle. Les totaux publiés ne distinguent pas ces effets.
Même ainsi, les catégories renvoient à des problèmes d’ingénierie concrets. Les entreprises doivent sécuriser les logiciels qui entourent les modèles, et non se contenter d’examiner les modèles eux-mêmes. L’authentification, les limites de permissions, le traitement des entrées, la journalisation et la gestion des dépendances restent essentiels.
Les agents IA augmentent les enjeux parce qu’ils peuvent agir plutôt que seulement produire du texte. Un assistant connecté aux e-mails, au stockage cloud, aux dépôts de code et aux calendriers a un impact potentiel plus important qu’un chatbot autonome.
L’agent complique aussi l’attribution. Un employé légitime peut autoriser une action, tandis qu’un contexte manipulé modifie ce que le système fait finalement. Les journaux de sécurité doivent conserver la demande de l’utilisateur, la décision du modèle, l’appel d’outil, la ressource cible et la modification résultante.
Les orientations sur la sécurité agentique de l’OWASP Foundation abordent ce problème plus large de gouvernance. Ses travaux de 2026 portent sur la sécurisation des systèmes autonomes au moyen de contrôles couvrant le développement, le déploiement, l’identité et la supervision.
Cette approche importe, car la protection traditionnelle des terminaux ne voit qu’une partie du flux de travail. Une session de navigateur peut sembler légitime même lorsqu’un employé colle du contenu restreint dans un site web approuvé. Un jeton d’agent valide peut tout de même autoriser une action dangereuse.
Les équipes de sécurité ont donc besoin de plusieurs couches de preuves. Elles ont besoin d’un inventaire des services d’IA, d’une visibilité sur les mouvements de données, de contrôles sur les identités connectées et d’un processus de revue pour les actions à fort impact.
Le même principe s’applique au code généré par IA. Un développeur peut accepter une dépendance ou une configuration suggérée sans en comprendre les propriétés de sécurité. Le résultat entre alors dans la chaîne d’approvisionnement logicielle habituelle et peut atteindre la production.
Kaspersky a également indiqué que ses systèmes avaient détecté plus de 33 300 attaques contre des petites et moyennes entreprises durant les quatre premiers mois de 2026. Ces attaques déguisaient des logiciels PC malveillants ou indésirables en services d’IA populaires.
Ce total était presque cinq fois supérieur à celui de la période comparable de 2025, selon l’entreprise. Cette conclusion montre comment les attaquants peuvent exploiter la demande pour l’IA sans compromettre un véritable modèle. L’ingénierie sociale classique peut s’appuyer sur l’image de marque de l’IA.
La leçon pratique va au-delà de l’achat d’outils de détection spécifiques à l’IA. Les entreprises doivent relier la gouvernance de l’IA aux disciplines de sécurité existantes. La gestion des actifs, les contrôles d’identité, le développement sécurisé, l’évaluation des fournisseurs et la réponse aux incidents doivent partager la même vision du déploiement.
Cela exerce une pression sur les responsables de la sécurité des systèmes d’information, mais concerne aussi les dirigeants technologiques et métiers. Un service qui achète un service d’IA prend une décision de sécurité, même lorsque l’achat ne passe jamais par le budget de sécurité.
Une équipe qui construit un assistant interne prend une autre décision lorsqu’elle choisit les sources de données et les permissions. Le risque évolue encore lorsque cet assistant acquiert la capacité d’envoyer des messages, de modifier des enregistrements ou d’initier des transactions.
La surface d’attaque est donc façonnée par la conception métier. Les équipes de sécurité ne peuvent la réduire sans comprendre quelles fonctions d’IA apportent de la valeur et quelles connexions sont inutiles. Cela exige une coopération avant le déploiement, et non une réunion d’approbation après le lancement.
La shadow AI transforme la productivité en dette de gouvernance
La shadow AI se développe lorsque les outils approuvés ne correspondent pas à la rapidité, aux capacités ou à la commodité que les employés peuvent obtenir de façon indépendante.
Kaspersky a constaté que 31 % des répondants mondiaux considéraient l’utilisation non contrôlée par les employés d’outils d’IA tiers comme un facteur de risque courant. L’entreprise a notamment cité des services tels que ChatGPT et DeepSeek.
Le risque ne se limite pas aux employés qui enfreignent délibérément les règles. Les fonctionnalités d’IA apparaissent désormais dans les outils d’écriture, les produits de recherche, les assistants de réunion, les environnements de programmation, les plateformes d’analyse et les extensions de navigateur. Les employés peuvent ne pas reconnaître chaque fonction alimentée par IA comme un processeur de données distinct.
Kaspersky a indiqué que 59 % des organisations autorisaient l’IA tierce sous certaines restrictions. Ces restrictions incluaient l’interdiction de téléverser des noms d’entreprise ou des documents internes. 23 % supplémentaires autorisaient un accès sans restriction tout en fournissant des conseils et des formations.
Ensemble, ces chiffres montrent que la plupart des organisations interrogées ne cherchaient pas à instaurer une interdiction totale. Elles tentaient de préserver un accès utile tout en limitant les comportements préjudiciables.
Ce compromis est difficile à faire respecter. Une règle interdisant le téléversement de documents internes paraît claire jusqu’à ce que les employés travaillent avec des fragments. Un prompt peut révéler des informations sensibles sans contenir un fichier entier.
Un commercial peut coller les objections de clients dans un assistant. Un ingénieur peut soumettre un bloc de code contenant des points de terminaison internes. Un recruteur peut demander à un outil de résumer des notes sur des candidats ou des discussions sur la rémunération.
Chaque action peut sembler moins importante que le téléversement d’un document confidentiel. Collectivement, ces prompts peuvent exposer des relations organisationnelles, des plans produits, des informations clients et une architecture technique.
L’IA fantôme inclut également les comptes personnels utilisés pour le travail de l’entreprise. Un service approuvé pour une utilisation en entreprise peut encore créer des risques lorsque les employés choisissent des comptes grand public. Les équipes de sécurité peuvent perdre les contrôles administratifs, les paramètres de conservation, les traces d’audit et la suppression centralisée des accès.
Cela révèle la principale faiblesse des réponses reposant uniquement sur des politiques. Une règle écrite décrit le comportement attendu, mais elle ne peut pas automatiquement découvrir des outils, classifier les prompts ou révoquer des intégrations inconnues. La formation aide les personnes à reconnaître les risques, mais la mémoire n’est pas un contrôle technique.
Une interdiction totale crée une faiblesse différente. Les employés doivent toujours respecter des échéances et des attentes de performance. Si un assistant externe réduit plusieurs heures de travail, certains utilisateurs chercheront des appareils personnels, des comptes alternatifs ou des services moins visibles.
L’entreprise perd alors la visibilité limitée dont elle disposait via les systèmes gérés. Le blocage peut réduire l’usage occasionnel, mais il peut aussi rendre l’activité restante plus difficile à mesurer.
La meilleure comparaison n’oppose donc pas un accès permissif à une sécurité stricte. Elle oppose un accès visible et gouverné à un accès invisible et improvisé. La sécurité s’améliore lorsque la voie approuvée est suffisamment utile pour susciter une adoption volontaire.
Cette voie exige davantage qu’un abonnement d’entreprise. Les employés ont besoin de directives claires sur les données acceptables, les tâches prises en charge et les voies d’escalade. Ils ont également besoin d’alternatives approuvées adaptées à différents métiers.
Un développeur peut avoir besoin d’une assistance tenant compte du code et du contexte des dépôts. Un chercheur peut avoir besoin d’analyser des documents avec des sources traçables. Un chef de projet peut avoir besoin de synthèses couvrant les réunions, les tâches et les décisions.
Pour les flux de travail intensifs en connaissances, les équipes devraient comprendre la différence entre un référentiel d’entreprise partagé et un système personnel avant d’accorder un accès à l’IA. Un guide pratique sur les bases de connaissances peut aider à cadrer les décisions relatives à la propriété, au périmètre et à la recherche d’informations.
La dette de gouvernance s’accumule lorsque les entreprises déploient des capacités avant d’en définir les limites. Comme la dette technique, elle reste cachée tant que les systèmes semblent fonctionner. Son coût devient visible lors d’un audit, d’un incident, du départ d’un employé ou d’un changement de fournisseur.
L’IA peut accélérer cette accumulation, car son adoption est souvent décentralisée. Une équipe marketing peut activer un assistant sans attendre un déploiement centralisé. Un développeur peut connecter un modèle via une interface de programmation d’applications en quelques heures.
L’IA intégrée crée un autre angle mort. Une entreprise peut approuver une plateforme logicielle avant que ce fournisseur n’y ajoute un assistant ou un agent automatisé. L’évaluation initiale de l’organisation peut ne pas couvrir le nouveau cheminement des données ou le fournisseur du modèle.
L’évaluation des fournisseurs doit donc devenir suffisamment continue pour saisir les évolutions importantes des fonctionnalités. Les contrats devraient traiter de l’utilisation des données, de leur conservation, des sous-traitants, de la notification des incidents et des contrôles administratifs. Les équipes techniques doivent vérifier que le comportement configuré correspond à ces conditions.
L’inventaire est le point de départ, mais l’inventaire seul ne constitue pas une gouvernance. Les équipes de sécurité doivent distinguer l’expérimentation de la production, la rédaction à faible risque de l’analyse sensible, et les assistants en lecture seule des agents capables de modifier des systèmes.
Cette classification détermine les contrôles. Un outil de brainstorming public ne devrait pas recevoir de dossiers clients. Un assistant de recherche interne a besoin d’autorisations reflétant les sources sous-jacentes. Un agent capable d’agir nécessite une autorité plus restreinte et des contrôles d’approbation plus solides.
Le compromis central reste inévitable. Chaque garde-fou ajoute de la friction, tandis que chaque contrôle supprimé accroît l’exposition. La meilleure conception n’éliminera pas cette tension, mais elle peut placer la friction là où les conséquences sont les plus importantes.
Les entreprises devraient réserver les contrôles les plus stricts aux informations sensibles et aux actions à fort impact. Les tâches à faible risque peuvent utiliser des contrôles plus simples. Ce modèle fondé sur le risque offre aux employés une voie crédible sans considérer chaque prompt comme également dangereux.
L’enquête révèle une pression, pas une preuve
Les conclusions de Kaspersky montrent que les responsables de la sécurité ressentent une pression, mais elles ne prouvent pas que des dépenses plus élevées ont produit une adoption plus sûre de l’IA.
Le chiffre de 41 % mesure les organisations qui ont augmenté leurs investissements en raison de l’adoption de l’IA. Il ne mesure pas si ces organisations ont réduit les incidents, découvert de l’IA fantôme ou empêché l’exposition de données.
L’enquête regroupe également des décideurs et des spécialistes issus de multiples secteurs et pays. Cette diversité rend la tendance pertinente, mais elle peut masquer des différences importantes de taille organisationnelle, de réglementation, de maturité et d’exposition aux menaces.
La publication de Kaspersky ne fournit pas un questionnaire complet, la répartition des réponses, la procédure d’échantillonnage ou la marge d’erreur. Elle ne ventile pas non plus le chiffre de 41 % par catégories d’investissement. Les acheteurs peuvent financer des produits, du personnel, du conseil, de la formation ou des infrastructures.
Ces limites n’invalident pas les résultats. Elles restreignent ce que les lecteurs devraient en conclure. La recherche étaye une affirmation sur les comportements budgétaires déclarés, et non un verdict sur l’efficacité de la sécurité.
Le parrainage par un fournisseur constitue une autre raison de rester prudent. Kaspersky recommande son propre portefeuille de sécurité dans la même publication. Sa position commerciale ne rend pas l’enquête fausse, mais une validation indépendante renforcerait les affirmations plus générales sur le marché.
Les indicateurs de risque dépendent aussi de la perception des répondants. Dix-neuf pour cent ont qualifié les vulnérabilités de l’IA de danger majeur, tandis que 31 % ont identifié l’IA fantôme comme un facteur courant. Ces réponses décrivent une prise de conscience et une expérience, et non des décomptes d’incidents vérifiés indépendamment.
Une publication distincte de Kaspersky a indiqué que 82 % des organisations avaient exprimé des inquiétudes concernant le risque lié à l’IA. Parmi les 87 % ayant connu un cyberincident au cours de l’année précédente, 13 % ont signalé des menaces découlant spécifiquement de vulnérabilités liées à l’IA.
Là encore, l’attribution est difficile. Un incident impliquant un logiciel malveillant estampillé IA diffère de l’exploitation d’un service de modèle. Une fuite de données via le prompt d’un employé diffère d’un agent agissant sur des instructions malveillantes.
Regrouper tous les cas sous le terme de « risque lié à l’IA » peut conduire à des dépenses vagues. Les entreprises pourraient acheter des produits de surveillance qui se chevauchent sans définir les expositions qu’elles doivent réduire. Elles pourraient aussi considérer la gouvernance comme la seule responsabilité de l’équipe de sécurité.
Le National Institute of Standards and Technology propose un point de départ plus structuré. Son profil sur l’IA générative adapte le cadre de gestion des risques liés à l’IA aux risques présents tout au long du développement, du déploiement et de l’utilisation de l’IA générative.
Le cadre organise le travail autour de la gouvernance, de la cartographie, de la mesure et de la gestion des risques. Cette séquence encourage les organisations à définir le contexte avant de choisir des contrôles. Elle traite également la gestion des risques comme un processus de cycle de vie.
Pour une entreprise, « gouverner » inclut la propriété, la responsabilité et les politiques. « Cartographier » signifie comprendre les systèmes, les utilisateurs, les données et les conséquences. « Mesurer » couvre les tests, la surveillance et les preuves. « Gérer » transforme ces éléments en actions hiérarchisées.
Cette structure révèle une faiblesse des réponses axées sur les dépenses. Une entreprise peut acheter des outils avant de cartographier les endroits où l’IA apparaît. Elle peut collecter des alertes avant de décider quels comportements importent. Elle peut former les employés sans mesurer si les pratiques risquées évoluent.
Des dépenses efficaces devraient produire des résultats observables. L’organisation devrait savoir quels services d’IA sont actifs, quelles catégories de données les atteignent et quelles identités peuvent autoriser des actions externes.
Elle devrait aussi savoir si les employés préfèrent les outils approuvés. Une faible adoption des services autorisés peut signaler des capacités manquantes, une friction excessive, une communication insuffisante ou de la méfiance. Il s’agit d’une mesure de gouvernance, et non simplement d’un indicateur logiciel.
Les équipes de sécurité devraient suivre les délais d’examen des nouveaux outils. De longs cycles d’approbation peuvent encourager des alternatives non autorisées. Des examens plus rapides n’exigent pas des normes moins élevées si les organisations utilisent des catégories de risque reproductibles et des configurations préapprouvées.
Les exercices de simulation d’incident offrent un autre test. Les entreprises peuvent simuler une fuite d’identifiants d’IA, un plugin malveillant, un prompt sensible ou un agent effectuant un changement non autorisé. La réponse met en lumière des lacunes que les totaux budgétaires ne peuvent révéler.
Les achats devraient mesurer les dépendances envers les fournisseurs et les options de sortie. Une organisation doit savoir si elle peut exporter les journaux, supprimer les données, révoquer les intégrations et migrer les flux de travail. Ces capacités deviennent importantes lorsque les produits modifient leurs conditions ou leur posture de sécurité.
Rien de cela ne garantit la sécurité. Les systèmes d’IA évoluent rapidement, et les organisations devront composer avec des informations imparfaites. L’objectif raisonnable est un apprentissage contrôlé fondé sur des preuves, et non la promesse que chaque risque a été éliminé.
La tendance des dépenses de sécurité liées à l’IA chez Kaspersky ne devient significative que lorsque l’investissement améliore la visibilité et limite les conséquences. Sinon, des budgets en hausse peuvent coexister avec une IA fantôme croissante et une faible responsabilisation.
Trois signaux qui mettront à l’épreuve l’évolution des dépenses
Le prochain test consistera à déterminer si des budgets plus élevés produisent un contrôle mesurable sans pousser les employés vers des outils encore moins visibles.
Le premier signal est la découverte. Au cours des prochains mois, les entreprises devraient indiquer si elles peuvent identifier les services d’IA, les comptes personnels, les fonctionnalités intégrées et les intégrations d’agents dans leurs environnements.
La découverte est importante, car les politiques ne peuvent pas gouverner une activité inconnue. Un inventaire utile devrait relier chaque service à un propriétaire, un objectif opérationnel, une classification des données, une méthode d’identité et un ensemble de connexions externes.
Si les organisations publient des indicateurs de visibilité plus solides, la thèse des dépenses gagne en crédibilité. Cela montrerait que l’investissement en sécurité transforme une activité inconnue en activité gérée. Une visibilité stable suggérerait que les dépenses restent déconnectées de l’adoption.
Le deuxième signal est le taux d’adoption des outils autorisés. Les entreprises devraient comparer l’utilisation approuvée aux tentatives bloquées, aux demandes d’exception et à la demande des employés pour des systèmes alternatifs.
Une forte adoption des outils approuvés indiquerait que la gouvernance et la productivité peuvent coexister. Elle réduirait également l’incitation à utiliser des comptes personnels pour le travail courant. Des contournements persistants affaibliraient les affirmations selon lesquelles les programmes existants répondent à l’IA fantôme.
La qualité des outils approuvés compte davantage que le nombre de licences achetées. Un assistant autorisé qui ne peut pas accéder aux informations nécessaires ou prendre en charge des tâches spécialisées ne remplacera pas de meilleures options externes.
Les organisations devraient examiner quels groupes évitent la voie approuvée. Les ingénieurs, les chercheurs, les équipes commerciales et les analystes ont des besoins différents. Un seul assistant généraliste peut ne pas satisfaire chaque flux de travail.
Le troisième signal concerne les preuves issues des incidents. Les entreprises ont besoin de définitions cohérentes pour les événements liés à l’IA, notamment les vulnérabilités de modèles, les identifiants exposés, le code généré non sécurisé, les prompts sensibles, les plugins malveillants et les actions non autorisées d’agents.
Des catégories claires amélioreraient les comparaisons entre périodes et entre organisations. Elles permettraient aussi de déterminer si l’exposition principale provient d’attaquants, de défauts logiciels, du comportement des employés ou de permissions excessives.
Une baisse des incidents récurrents renforcerait l’argument en faveur des dépenses actuelles. Une hausse des détections exigerait davantage de contexte. Elle pourrait refléter une exposition accrue, ou montrer qu’une meilleure surveillance détecte enfin une activité jusque-là cachée.
Les responsables de la sécurité devraient donc associer les totaux d’incidents au délai de détection, au délai de confinement, aux données affectées et à l’impact métier. Ils devraient également documenter le contrôle qui a échoué et la mesure corrective mise en place.
Le marché technologique apportera une autre couche de preuves. De nouvelles normes de sécurité des agents, des recommandations actualisées sur les vulnérabilités et un soutien plus étendu aux audits indiqueront si les fournisseurs peuvent proposer des contrôles interopérables.
L’interopérabilité est essentielle, car les flux de travail liés à l’IA traversent de nombreux systèmes. Un fournisseur de modèles, une plateforme d’identité, une source de données, un navigateur, un terminal et un service de sécurité peuvent tous observer différentes parties d’une même transaction.
Les organisations ont besoin de traces pouvant être reliées entre ces différentes couches. Sans ce lien, une enquête devient une reconstitution manuelle à partir de journaux partiels. Les actions autonomes rendent ce délai plus coûteux.
Les investissements en sécurité doivent également inclure des personnes qui comprennent à la fois les flux de travail et les contrôles. Une plateforme de surveillance ne peut pas décider si une tâche est appropriée pour un service. Ce jugement requiert les responsables métier, les équipes juridiques, les spécialistes de la sécurité et les utilisateurs.
La formation des employés reste nécessaire, mais les entreprises devraient éviter de présenter les travailleurs comme l’unique problème. Le personnel adopte souvent des outils externes parce que les processus officiels ne répondent pas aux besoins opérationnels.
La réponse durable consiste à faciliter les comportements sûrs. Cela implique des outils approuvés et utiles, des limites claires sur les données, des canaux de validation rapides, des permissions strictement limitées et une responsabilité visible pour les actions à fort impact.
Les recherches de Kaspersky illustrent une véritable transition budgétaire. L’IA n’est plus financée uniquement par l’expérimentation, l’infrastructure ou les programmes de productivité. La sécurité fait désormais partie de la facture de l’adoption.
La question non résolue est de savoir si les entreprises achètent du contrôle ou simplement de la réassurance. La croissance des budgets ne peut à elle seule y répondre. La couverture de l’inventaire, les usages autorisés et les résultats des incidents le peuvent.
Pour les acheteurs en entreprise, l’action immédiate est simple : demander quelles nouvelles preuves chaque investissement en sécurité produira. Si un produit ne peut pas améliorer la visibilité, limiter l’accès ou raccourcir la réponse, son lien avec le risque lié à l’IA reste incertain.
Les développeurs devraient se demander de quelles permissions un assistant a réellement besoin. Les travailleurs du savoir devraient vérifier quelles données peuvent être soumises sans risque et quel compte régit l’interaction. Les dirigeants devraient comparer les politiques au comportement réel des employés.
Les dépenses de sécurité liées à l’IA de Kaspersky resteront un signal de marché utile, mais l’IA fantôme constitue le test opérationnel le plus difficile. Au cours du prochain trimestre, observez si les entreprises parviennent à intégrer le travail réel dans des systèmes gouvernés sans supprimer la valeur qui a motivé l’adoption.
