L’enquête de KPMG sur la cybersécurité liée à l’IA révèle que la maturité rend les entreprises plus prudentes, pas moins

KPMG a constaté un écart de 50 points dans la cyberdéfense active entre les premiers expérimentateurs de l’IA et les organisations qui déclarent déjà en tirer des retours. L’enquête de KPMG sur la cybersécurité liée à l’IA montre que la confiance n’élimine pas les préoccupations. Elle donne aux entreprises suffisamment d’expérience opérationnelle pour identifier davantage de risques, financer des contrôles plus robustes et confier à l’IA des missions de sécurité plus importantes.

Seules 8 % des organisations au stade de l’expérimentation ont déclaré déployer une cyberdéfense assistée par IA. Cette proportion atteignait 58 % parmi les organisations affichant des retours établis. Les premiers adopteurs étaient également plus susceptibles de s’en tenir à la surveillance, sans modifier leurs opérations de sécurité.

Il ne s’agit pas d’une simple histoire d’entreprises qui se sentent à l’aise avec l’IA. Il s’agit d’une histoire où cette aisance transforme ce que les entreprises attendent de l’IA. Les adopteurs matures vont au-delà de l’observation des menaces, tout en acceptant qu’une automatisation plus poussée accroisse l’exposition et la responsabilité.

Ces conclusions proviennent de l’étude trimestrielle Global AI Pulse de KPMG, qui a interrogé 2 131 dirigeants dans 20 pays. L’écart de maturité qui en ressort importe aux fournisseurs de sécurité, aux acheteurs en entreprise, aux conseils d’administration et aux employés dont les flux de travail dépendent de plus en plus d’agents IA.

L’enquête de KPMG sur la cybersécurité liée à l’IA révèle une fracture opérationnelle

L’écart déterminant ne tient pas à la reconnaissance par les entreprises du risque lié à l’IA, mais à la question de savoir si cette préoccupation a transformé les opérations quotidiennes de sécurité.

KPMG a interrogé, entre le 23 juillet et le 26 août 2026, des dirigeants responsables de la stratégie et des opérations de leur organisation. Les organisations éligibles déclaraient généralement au moins 50 millions de dollars de revenus annuels. Des seuils plus élevés s’appliquaient dans plusieurs grands marchés.

Les chercheurs ont comparé 268 organisations au stade de l’expérimentation à 208 organisations déclarant des retours établis. Cette comparaison a produit la conclusion la plus nette en matière de cybersécurité dans le Global AI Pulse.

Parmi les expérimentateurs, 26 % surveillaient les menaces liées à l’IA sans apporter de changements opérationnels. Ce chiffre tombait à 4 % parmi les adopteurs établis. Dans le même temps, la défense active assistée par IA est passée de 8 % à 58 %.

Ce contraste suggère que les programmes en phase initiale traitent souvent la sécurité comme une tâche d’observation. Les équipes collectent des alertes, mettent à jour les politiques et étudient les usages abusifs possibles. Elles hésitent à laisser l’IA influer directement sur la détection, l’enquête ou la réponse.

Les adopteurs établis ont franchi cette frontière. Leurs programmes d’IA ont produit suffisamment de preuves, d’infrastructures et de confiance interne pour soutenir des rôles de sécurité plus actifs. Cela ne signifie pas qu’un modèle autonome contrôle l’ensemble du processus de réponse.

La cyberdéfense assistée par IA peut couvrir plusieurs fonctions plus ciblées. Un système peut prioriser les alertes, relier des événements connexes, résumer des enquêtes, identifier une activité inhabituelle ou recommander des mesures de confinement. L’approbation humaine peut rester obligatoire pour les actions à fort impact.

Les pourcentages n’indiquent pas quelles fonctions chaque répondant a automatisées. Ils montrent néanmoins un basculement substantiel de l’observation vers l’intervention. Ce basculement modifie les conséquences des erreurs.

Un système de surveillance peut submerger les analystes de faux positifs. Un système opérationnel peut bloquer un compte, isoler un appareil, modifier des accès ou réorienter une enquête. Chaque action exige des autorisations, des tests et des examens plus explicites.

L’étude a également révélé que 86 % des répondants adaptaient leurs modèles opérationnels de cybersécurité aux menaces accélérées par l’IA. Selon le rapport, la plupart ont signalé des changements dans la gouvernance cyber ou la détection des menaces.

Cette réponse étendue étaye l’analyse publiée, mais la comparaison de maturité fournit le signal le plus important. Presque toutes les entreprises peuvent affirmer qu’elles réagissent. Bien moins peuvent montrer que cette réponse a atteint les opérations.

Un modèle opérationnel définit qui prend les décisions, quels systèmes les exécutent et comment l’organisation examine les résultats. Modifier ce modèle exige davantage que l’achat d’une fonctionnalité IA auprès d’un fournisseur de sécurité.

Les équipes ont besoin de données exploitables, de voies d’escalade définies, de critères d’évaluation et de registres expliquant les décisions automatisées. Elles ont également besoin d’un moyen d’annuler des actions nuisibles sans perdre les éléments de preuve.

Ces exigences expliquent pourquoi l’adoption opérationnelle reste en retard sur l’intérêt général. Les entreprises peuvent tester l’IA rapidement. Elles ne peuvent pas déléguer des décisions de sécurité au même rythme en toute sécurité.

La maturité en cybersécurité liée à l’IA accroît simultanément les dépenses et les préoccupations

Les utilisateurs matures de l’IA consacrent davantage à la sécurité parce que l’expérience révèle des dépendances que l’expérimentation peut laisser cachées.

Soixante et onze pour cent des adopteurs établis incluaient la cybersécurité et la sécurité des données parmi les priorités de leur budget IA. Seuls 36 % des expérimentateurs en disaient autant.

Le groupe mature a également exprimé davantage de préoccupations. La moitié a décrit la cybersécurité comme un obstacle à sa stratégie IA, contre 34 % des expérimentateurs. Un usage accru était donc corrélé à la fois avec davantage d’investissement et davantage de frictions perçues.

À première vue, ces résultats semblent contradictoires. Les organisations déploient davantage de défense assistée par IA, mais elles sont plus susceptibles de considérer la cybersécurité comme un obstacle.

La contradiction s’estompe lorsque l’IA entre dans les flux de travail réels. Un pilote peut fonctionner avec des données limitées et des autorisations restreintes. Un système de production se connecte souvent à des plateformes d’identité, des espaces de stockage documentaire, des services cloud, des dossiers clients et des applications internes.

Chaque connexion supplémentaire étend ce qu’une erreur ou un attaquant peut atteindre. Un modèle n’a pas besoin d’un contrôle administratif complet pour causer des dommages. L’accès à un contexte sensible, à des outils exécutables ou à des communications de confiance peut suffire.

Cela crée un arbitrage entre capacités et exposition. Une IA utile a besoin d’informations et d’autorité. Les équipes de sécurité doivent limiter les deux sans rendre le système inefficace.

Les adopteurs établis rencontrent cette tension à répétition. Ils apprennent quelles autorisations les modèles sollicitent, comment les résultats influencent les employés et où apparaissent les dépendances vis-à-vis des fournisseurs. Les expérimentateurs peuvent reporter nombre de ces questions, car leurs déploiements restent circonscrits.

Cette conclusion remet également en cause un récit familier sur l’adoption. L’aisance organisationnelle ne fait pas disparaître les préoccupations de sécurité. Elle les déplace des registres de risques hypothétiques vers les budgets, l’architecture et les décisions de direction.

Cette distinction importe aux acheteurs en entreprise. Une entreprise qui évalue des produits de sécurité pour l’IA ne devrait pas interpréter une longue liste de contrôles comme une preuve de résistance organisationnelle. Ces contrôles peuvent indiquer que l’entreprise a atteint des usages plus conséquents.

L’inverse est également vrai. Une organisation qui signale peu d’obstacles peut avoir un déploiement simple et isolé. Une faible préoccupation n’indique pas automatiquement une sécurité plus solide.

Les catégories de maturité de KPMG décrivent un parcours d’adoption de l’IA, et non une certification de sécurité. Des retours établis signifient que les répondants ont déclaré des résultats significatifs et des opportunités de croissance. Cette étiquette ne prouve pas que leurs défenses surpassent des références indépendantes.

L’association reste néanmoins utile. Les entreprises déclarant des retours étaient bien plus susceptibles de financer des contrôles cyber, de diversifier leurs fournisseurs, de formaliser la responsabilité et de déployer des défenses actives.

Cette tendance correspond également à l’environnement de menaces plus large. Le World Economic Forum a indiqué que 87 % des dirigeants interrogés voyaient les vulnérabilités liées à l’IA augmenter au cours de l’année précédente. Ses perspectives cyber sur l’IA ont également mis en évidence un accès inégal à l’expertise et aux technologies défensives.

Plus de la moitié de ces répondants ont cité des compétences et connaissances limitées comme un obstacle à la cybersécurité pilotée par l’IA. Les petites organisations étaient plus susceptibles de signaler une résilience insuffisante que les plus grandes.

Ce contexte apporte une réserve importante. Les répondants de KPMG provenaient d’organisations de taille importante, dont beaucoup disposaient des ressources nécessaires pour construire des couches de gestion formelles. Leur parcours ne peut pas être présumé pour toutes les entreprises.

Une multinationale mature peut répartir les coûts entre les équipes de sécurité, juridiques, de données et d’ingénierie. Une plus petite entreprise peut recevoir des capacités IA via un fournisseur existant sans disposer de ressources comparables pour les évaluer.

L’écart d’adoption pourrait donc devenir un écart de résilience. Les entreprises bien dotées en ressources peuvent utiliser l’IA pour accélérer leur défense tout en développant des contrôles autour d’elle. D’autres peuvent obtenir les mêmes fonctionnalités automatisées sans une visibilité équivalente sur leur comportement.

La défense active transforme le risque lié à l’IA en arbitrage de capacités

La question centrale n’est plus de savoir si l’IA a sa place dans la cybersécurité, mais quelle autorité les défenseurs peuvent lui accorder sans créer une voie d’attaque supplémentaire.

Les équipes de sécurité font face à une asymétrie difficile. Les attaquants peuvent utiliser l’automatisation sans respecter les règles d’approvisionnement, les exigences d’audit ou les contrôles de changement. Les défenseurs doivent agir rapidement tout en protégeant les systèmes de production et les éléments de preuve.

L’IA peut aider les analystes à traiter de grands volumes d’alertes et à relier des signaux faibles entre différents systèmes. Elle peut aussi produire des conclusions incohérentes, hériter d’un contexte empoisonné ou exécuter une action dangereuse par l’intermédiaire d’un outil intégré.

Le risque augmente avec l’IA agentique, c’est-à-dire des systèmes qui planifient et exécutent des tâches en plusieurs étapes avec une autonomie partielle. Ces systèmes peuvent rechercher, raisonner, appeler des outils logiciels et adapter leur approche en fonction des résultats.

KPMG a constaté que 38 % des répondants développaient ou mettaient en œuvre des systèmes multiagents. L’adoption significative d’agents IA par les employés a atteint 34 %, contre 25 % au premier trimestre.

Cette croissance accroît la pression sur la gestion des identités et des accès. Un agent doit fonctionner sous une identité définie, avec des autorisations adaptées à sa tâche. Les identifiants partagés et les jetons trop larges affaiblissent la responsabilité.

Les équipes de sécurité doivent également distinguer la protection de l’IA de l’utilisation de l’IA pour se protéger. Ces objectifs se recoupent, mais ils ne sont pas identiques.

Utiliser l’IA pour la cybersécurité signifie appliquer des modèles à la détection des menaces, à l’analyse des vulnérabilités, au triage des alertes ou à la réponse. La cybersécurité de l’IA signifie protéger les modèles, les données, les applications, les interfaces et les outils des agents contre la manipulation ou le vol.

Une troisième catégorie couvre l’utilisation malveillante de l’IA. Les attaquants peuvent appliquer des modèles à la reconnaissance, à l’usurpation d’identité, au soutien à l’exploitation ou à l’ingénierie sociale. Les organisations doivent se préparer à ces trois catégories sans les traiter comme un seul problème.

Ce cadrage plus large apparaît dans les orientations publiques depuis plusieurs années. Le cadre de gestion des risques liés à l’IA du NIST demande aux organisations de gouverner, cartographier, mesurer et gérer le risque lié à l’IA tout au long du cycle de vie du système.

Le NIST a également élaboré un Cyber AI Profile préliminaire, qui relie les résultats de cybersécurité aux opportunités et risques spécifiques à l’IA. Ce travail reflète la même convergence visible dans l’enquête de KPMG.

Le défi pratique est l’autorisation. Un système IA qui résume une alerte présente un niveau de risque. Un système qui désactive un utilisateur ou modifie des règles de pare-feu en présente un autre.

Les entreprises ont besoin de limites explicites pour chaque étape. Elles doivent définir quelles décisions restent consultatives, lesquelles nécessitent une approbation et lesquelles peuvent s’exécuter automatiquement dans des conditions strictement encadrées.

Elles ont également besoin de données d’évaluation qui reflètent les opérations réelles. Un modèle testé sur des exemples historiques propres peut échouer lors d’un incident bruyant. Les attaquants peuvent intentionnellement concevoir des entrées qui exploitent ses hypothèses.

L’examen humain reste important, mais il ne peut pas devenir une simple case à cocher. Les examinateurs ont besoin de suffisamment de contexte, de temps et d’autorité pour contester une recommandation. Sinon, le biais d’automatisation transforme une supervision théorique en approbation routinière.

Le modèle d’adoption mature suggère que les entreprises construisent cette confiance progressivement. La surveillance vient d’abord, car elle fournit des informations sans intervention directe. La défense active suit lorsque les organisations font confiance à leurs données, à leurs contrôles et à leur processus de réponse.

Cependant, la confiance peut engendrer de la complaisance. Un modèle qui a bien fonctionné lors d’incidents précédents peut se comporter différemment après une mise à jour. Un fournisseur peut modifier le comportement d’un système sans changer le flux de travail du client.

C’est pourquoi l’IA opérationnelle nécessite des tests continus. Les équipes devraient suivre les faux positifs, les actions annulées, les menaces manquées, la fréquence des escalades et les désaccords entre analystes. Les performances doivent être mesurées après le déploiement, et pas seulement avant l’approbation.

Les mêmes éléments doivent orienter les décisions d’achat. Les acheteurs doivent savoir si l’IA d’un fournisseur formule des recommandations, exécute des actions ou délègue des tâches à d’autres agents. Ces distinctions influencent davantage le risque qu’une étiquette « alimenté par l’IA ».

Les couches d’orchestration rapprochent la gouvernance du modèle

Les adopteurs les plus avancés de KPMG construisent des systèmes de contrôle autour de l’IA, mais l’enquête montre que de nombreuses organisations ne disposent toujours pas d’une couverture complète.

Cinquante-cinq pour cent des répondants exploitaient une couche formelle d’orchestration de l’IA. KPMG la définit comme l’ensemble des contrôles et outils situés entre les modèles d’IA et les cas d’usage métier.

Cette couche peut régir ce à quoi les modèles accèdent, les actions qu’ils exécutent et la manière dont leurs résultats parviennent aux employés ou aux systèmes. Elle peut aussi assurer la surveillance, l’évaluation, les pistes d’audit et le suivi des coûts.

Parmi les organisations déclarant des retours établis, 86 % disposaient d’une couche formelle interfonctionnelle ou à l’échelle de l’entreprise. Ce chiffre était de 31 % chez les expérimentateurs.

Les contrôles de sécurité et d’identité figuraient dans les couches de 43 % des répondants. Les contrôles d’accès aux données atteignaient également 43 %, tandis que 41 % surveillaient les résultats de l’IA.

Ces chiffres signifient que la plupart des répondants n’ont pas déclaré disposer de chacune de ces capacités. Une entreprise peut avoir une couche de gestion formelle tout en manquant de fonctions importantes en son sein.

L’examen humain apparaissait dans 34 % des couches. L’évaluation et les tests atteignaient 33 %, l’application des politiques 30 %, et les pistes d’audit figuraient dans 28 %.

Le routage des modèles était le moins fréquent, à 23 %. Le routage sélectionne le modèle chargé d’une tâche et peut aider les organisations à gérer la sensibilité, les performances, la disponibilité et le coût.

KPMG a résumé ce déséquilibre en indiquant que les entreprises construisent un portail avant un tableau de distribution. Beaucoup d’organisations peuvent restreindre l’accès, mais moins nombreuses sont celles qui peuvent orienter dynamiquement le travail entre modèles et fournisseurs.

Cette faiblesse est importante pour la résilience. Une entreprise peut disposer de solides contrôles d’accès autour d’un fournisseur tout en n’ayant pas d’alternative testée. Si ce fournisseur modifie ses conditions, sa disponibilité, son comportement ou sa couverture géographique, les opérations peuvent s’arrêter.

Les adopteurs établis semblaient mieux préparés à ce problème. Seuls 6 % dépendaient principalement d’un fournisseur mondial unique de modèles, contre 19 % des expérimentateurs.

Huit pour cent supplémentaires des adopteurs établis dépendaient d’un petit nombre de fournisseurs, contre 29 % des expérimentateurs. Le groupe mature accordait aussi davantage de valeur à la possibilité de basculer entre les modèles.

La diversité des fournisseurs ne réduit pas automatiquement le risque. Des intégrations multiples élargissent l’ensemble des systèmes que les équipes doivent évaluer et surveiller. Des modèles différents peuvent produire des résultats incohérents ou nécessiter des contrôles distincts.

L’avantage vient de la réduction de la dépendance concentrée. Une alternative testée offre aux organisations des options lors d’une panne, d’un changement de politique, d’un conflit réglementaire ou d’une défaillance grave du modèle.

C’est là que la cybersécurité, la souveraineté et la continuité se rejoignent. La souveraineté des modèles concerne le contrôle des modèles critiques, leurs lieux d’exploitation et la fiabilité de l’accès à ceux-ci.

Soixante-douze pour cent des répondants appliquaient des critères formels de souveraineté à au moins certaines décisions ou maintenaient une stratégie à l’échelle de l’entreprise. Seuls 8 % ont déclaré que les préoccupations de souveraineté ralentissaient le déploiement.

Ce résultat suggère que la plupart des entreprises considèrent la souveraineté comme une contrainte de conception, et non comme une raison de renoncer à l’IA. Elles tentent de préserver des options de changement et de maîtriser l’emplacement des données tout en poursuivant l’adoption.

La responsabilité constitue l’autre composante de la couche de gestion. KPMG a constaté que 53 % attribuaient la responsabilité des décisions éclairées par l’IA au niveau de la direction générale ou au-dessus.

Un dirigeant désigné détenait cette responsabilité dans 35 % des organisations. Dix-huit pour cent supplémentaires l’avaient confiée au CEO ou au comité exécutif.

La responsabilité au niveau exécutif peut résoudre les conflits entre rapidité, coût et risque. Elle peut aussi faciliter l’analyse des défaillances, car une personne possède l’autorité sur l’ensemble du modèle opérationnel.

Cependant, un titre de dirigeant ne garantit pas un contrôle efficace. La responsabilité exige des traces de décision, une télémétrie fiable, des droits d’escalade et du personnel technique capable d’expliquer le comportement du système.

KPMG a clairement formulé ce point : « La responsabilité transforme les contrôles en décisions que quelqu’un peut être amené à expliquer. » Cela est particulièrement pertinent lorsque les agents opèrent au-delà des frontières entre services.

Une équipe de sécurité ne peut pas gouverner ce qu’elle ne peut pas identifier. Les organisations ont besoin d’inventaires des modèles, agents, intégrations, sources de données, propriétaires et autorisations. Ces registres doivent rester à jour à mesure que les employés ajoutent des outils.

La charge documentaire est considérable. Les équipes stockent souvent les politiques, évaluations, notes d’incident et décisions d’architecture dans des systèmes distincts. Une base de connaissances interrogeable peut aider les examinateurs à relier ces éléments lors d’une évaluation.

L’objectif n’est pas la documentation pour elle-même. Les équipes ont besoin d’éléments leur permettant de répondre à trois questions : qui a approuvé un système, ce qui a changé et pourquoi une action automatisée s’est produite.

L’enquête montre une corrélation, pas la preuve d’une IA plus sûre

Les adopteurs matures déclarent davantage de contrôles et de défenses actives, mais une maturité autoévaluée ne permet pas d’établir que ces organisations subissent moins d’incidents.

L’enquête KPMG sur la cybersécurité de l’IA offre une vue détaillée des pratiques de gestion. Elle ne fournit pas de résultats de sécurité testés de manière indépendante.

Les répondants ont classé le parcours de leur organisation dans l’IA et décrit leurs propres contrôles, dépenses et priorités. L’étude n’a pas publié les taux de violation pour chaque groupe de maturité.

Elle n’a pas non plus comparé les taux de faux positifs, la vitesse de confinement, les pertes financières ou le temps de récupération. Ces mesures aideraient à déterminer si la défense assistée par IA améliore la résilience.

La relation avec la maturité peut étayer plusieurs explications. L’expérience peut conduire les entreprises à mettre en place de meilleurs contrôles. Les organisations plus solides peuvent également adopter l’IA plus rapidement parce qu’elles disposent déjà de budgets plus importants et de meilleures équipes de sécurité.

Un troisième facteur peut influencer les deux aspects. Les entreprises possédant des données précieuses, des activités réglementées ou une infrastructure complexe peuvent investir massivement dans l’IA et la cybersécurité simultanément.

Cela signifie que les lecteurs devraient éviter de traiter le taux d’adoption de 58 % comme la preuve qu’une défense active par IA a produit des retours établis. L’enquête identifie une association, pas un résultat causal.

Son échantillon limite également la généralisation. Les organisations participantes répondaient à des seuils de revenus importants, et l’échantillon de suivi américain se concentrait sur des entreprises générant au moins 1 milliard de dollars de revenus.

Les petites entreprises dépendent souvent davantage de logiciels packagés et de fournisseurs de services gérés. Elles peuvent avoir moins d’influence sur le choix des modèles, les méthodes d’évaluation ou la télémétrie des incidents.

Les catégories du rapport sont aussi très larges. La « cyberdéfense assistée par IA » peut décrire des systèmes présentant des degrés très différents d’autonomie, de précision et d’impact opérationnel.

Un répondant peut utiliser un modèle pour résumer des dossiers. Un autre peut autoriser un confinement automatisé. Placer les deux sous une même catégorie peut masquer des différences importantes.

Le rapport indique également que 89 % des organisations constatent une valeur mesurable de l’IA, alors que seulement 12 % comparent systématiquement cette valeur au coût à l’échelle de l’entreprise. Cet écart devrait tempérer les affirmations confiantes sur les retours.

La valeur déclarée peut inclure la productivité, les économies de coûts, la croissance des revenus ou l’amélioration des décisions. Cela ne signifie pas nécessairement qu’un programme a généré un retour financier complet.

La même prudence s’applique aux résultats de cybersécurité. Une analyse plus rapide des alertes peut faire gagner du temps aux analystes sans réduire l’impact d’un incident. Une action automatisée peut raccourcir le confinement tout en augmentant les perturbations ailleurs.

Les conseils d’administration devraient donc demander des mesures de résultats liées à des cas d’usage précis. Les indicateurs utiles incluent le temps d’enquête, la qualité des détections confirmées, les annulations d’actions, les incidents manqués et le rétablissement des services.

Ils devraient également examiner si les performances varient selon les équipes et les environnements. Un modèle qui réussit dans une charge de travail cloud bien instrumentée pourrait éprouver des difficultés avec une infrastructure héritée.

Le comportement des employés est une autre incertitude. KPMG a constaté une adoption significative des agents dans 34 % des organisations. L’adoption ne révèle pas si les employés ont utilisé des agents approuvés, respecté les règles relatives aux données ou compris les résultats automatisés.

L’IA fantôme peut s’étendre même lorsque la gouvernance formelle s’améliore. Les employés peuvent utiliser des outils externes parce que les systèmes approuvés sont lents, limités ou difficiles d’accès.

La cadence trimestrielle de l’enquête offre une orientation plutôt qu’une preuve d’un changement soudain. KPMG précise explicitement que les évolutions d’un trimestre à l’autre doivent être lues comme des tendances, et non comme des changements spectaculaires.

Cela rend le rapport précieux comme signal de gestion. Il montre où les organisations expérimentées concentrent leur attention. Il ne devrait pas être présenté comme une référence en matière d’efficacité de la sécurité.

Trois signaux montreront si la défense active par IA produit des résultats

Le prochain test consistera à déterminer si les entreprises peuvent transformer le confort déclaré en résultats de sécurité mesurables sans masquer de nouvelles défaillances derrière l’automatisation.

Le premier signal est la preuve opérationnelle. Les entreprises devraient commencer à indiquer si l’IA modifie la qualité de détection, la rapidité d’enquête, le temps de confinement ou l’impact des incidents.

Ces mesures renforceront l’argument de KPMG sur la maturité si les utilisateurs actifs affichent de meilleurs résultats après prise en compte de la taille de l’entreprise et des dépenses de sécurité. Des annulations fréquentes ou des incidents manqués l’affaibliraient.

Le deuxième signal est une mise en œuvre plus large de couches de gestion complètes. Les contrôles de sécurité et d’identité dominent aujourd’hui, tandis que les tests, l’auditabilité, l’examen humain et le routage restent moins courants.

Le progrès exige davantage qu’une hausse du taux global d’adoption de 55 %. Les organisations ont besoin de contrôles complémentaires couvrant le choix des modèles, les autorisations, les résultats, les actions et la reprise.

Le troisième signal est la responsabilité sous pression. Un dirigeant désigné compte surtout lorsqu’un modèle se comporte incorrectement, qu’un fournisseur change ou qu’un agent expose des données sensibles.

Les rapports d’incident devraient montrer si les organisations peuvent reconstituer le cheminement de décision. Ils devraient identifier le modèle, le contexte, les autorisations, les approbations et les contrôles impliqués.

Les orientations réglementaires et les normes sectorielles façonneront ces divulgations. Les fournisseurs subiront aussi une pression accrue pour expliquer comment leurs agents utilisent l’identité, préservent les journaux et prennent en charge les tests des clients.

Pour les acheteurs en entreprise, la tâche immédiate consiste à distinguer les promesses de capacité des preuves opérationnelles. Demandez où l’IA peut agir, quelles décisions nécessitent une approbation et à quelle vitesse une action peut être annulée.

Les responsables de la sécurité devraient aussi comparer les déploiements de surveillance seule aux défenses actives. L’objectif n’est pas une autonomie maximale. Il s’agit du niveau d’autorité approprié pour chaque tâche, soutenu par des tests et une responsabilité claire.

Les travailleurs du savoir ont un rôle à jouer dans ce processus. Ils devraient comprendre quels agents peuvent accéder à leurs documents, messages et applications. Ils devraient savoir comment contester une recommandation dangereuse.

L’enquête de KPMG sur la cybersécurité de l’IA suggère que l’expérience transforme la conversation sur la sécurité. Les organisations les plus avancées ne considèrent pas le risque comme une raison de reculer. Elles y voient une raison de bâtir des systèmes opérationnels plus solides.

Cette conclusion reste provisoire en attendant de meilleures données sur les résultats. Au cours des prochains trimestres, il faudra surveiller des gains de détection mesurés de manière indépendante, des couches de contrôle plus complètes et des examens d’incidents transparents.

Les organisations devraient commencer par une question concrète : quel système d’IA peut entreprendre une action aujourd’hui, et l’entreprise peut-elle ensuite expliquer cette action ? Si la réponse n’est pas claire, la confiance a progressé plus vite que le contrôle.