Zscaler Agentic SOC apporte le confinement autonome au centre des opérations de sécurité

Zscaler a lancé Zscaler Agentic SOC le 9 septembre, faisant passer les agents d’IA du travail de conseil au confinement direct des menaces sur les réseaux d’entreprise. Le conflit est immédiat. Des attaques plus rapides exigent des défenses plus rapides, mais une erreur automatisée peut aussi bloquer un utilisateur légitime ou perturber une application essentielle.

Le produit associe des agents spécialisés, la télémétrie de Zscaler, des alertes tierces, le contexte métier et les contrôles inline de Zero Trust Exchange. Ces agents peuvent trier les signaux, reconstituer les chemins d’attaque, attribuer des verdicts et lancer des workflows de réponse. Les clients peuvent conserver l’approbation humaine ou activer davantage d’automatisation à mesure que la confiance augmente.

Zscaler s’inscrit ainsi dans une compétition plus vaste autour de l’avenir des opérations de sécurité. Microsoft, Databricks, Dropzone AI et d’autres fournisseurs développent également des systèmes d’investigation et de réponse pilotés par des agents. Zscaler parie que sa position au sein du trafic réseau donne à ses agents de meilleures preuves et un chemin plus court entre détection et application des mesures.

Il ne s’agit pas simplement d’un autre chatbot de sécurité. La fonctionnalité déterminante est la remédiation en boucle fermée, où l’analyse peut mener directement au blocage du trafic, à l’isolement des identités ou à la restriction des accès. Sa valeur dépendra de la confiance des clients dans les preuves, les contrôles et le processus de rétablissement qui sous-tendent ces actions.

Zscaler Agentic SOC relie la détection au confinement

Le lancement déplace le point d’arrêt de l’automatisation : Zscaler veut que les agents d’IA accompagnent un incident depuis des signaux dispersés jusqu’à une décision de confinement.

Zscaler présente son nouveau produit comme un système d’opérations de sécurité conçu autour de l’IA, plutôt qu’un assistant ajouté à un tableau de bord existant. Il est devenu disponible mondialement lorsque l’entreprise l’a annoncé depuis San Jose, en Californie, le 9 septembre 2026.

Un centre des opérations de sécurité, ou SOC, désigne l’équipe et les technologies chargées de surveiller, d’enquêter sur et de répondre aux menaces numériques. La plupart des workflows de SOC répartissent encore ces responsabilités entre plusieurs produits et plusieurs analystes.

Zscaler Agentic SOC cherche à condenser cette séquence. Des agents spécialisés prennent en charge le triage, l’investigation des causes profondes, l’attribution de verdicts et l’orchestration de la réponse. Chaque agent remplit un rôle limité, puis transmet ses conclusions dans un récit partagé de l’incident.

Le système exploite les signaux de Zscaler relatifs au réseau, aux identités, aux terminaux, au cloud, à la protection des données et à la déception. Il peut également ingérer des alertes et du contexte provenant de produits externes. Zscaler indique que son graphe de contexte relie ces signaux à des éléments tels que l’importance des actifs, l’identité de l’utilisateur, l’état de sécurité de l’appareil et l’exposition connue.

Ce contexte compte car une alerte explique rarement à elle seule son importance pour l’entreprise. Une connexion suspecte depuis un appareil de test inutilisé présente un risque différent de la même connexion depuis l’ordinateur portable administré d’un dirigeant financier.

Zscaler affirme que ses agents peuvent associer l’activité au cadre MITRE ATT&CK, résumer un chemin d’attaque, afficher les preuves à l’appui et faire ressortir les éléments contradictoires. Cette dernière fonction répond à un problème fondamental de confiance. Les analystes doivent comprendre pourquoi un verdict automatisé a été rendu avant d’approuver une réponse perturbatrice.

Les détails du lancement de l’entreprise indiquent que le service utilise des modèles d’Anthropic et d’OpenAI, en plus de renseignements propriétaires sur les menaces. Zscaler n’a pas publiquement réduit le produit à un seul modèle fondationnel, ce qui lui laisse la possibilité d’orienter les tâches vers différents modèles.

L’étape la plus déterminante intervient après l’investigation. Zscaler affirme que la plateforme peut utiliser des contrôles inline natifs pour isoler les utilisateurs compromis, bloquer le trafic de commande et de contrôle et limiter les mouvements latéraux. Des intégrations tierces peuvent étendre ces options de réponse au-delà de la propre plateforme de Zscaler.

Les clients ne sont pas obligés de commencer par un confinement sans supervision. Les contrôles de réponse prennent en charge l’exécution manuelle, les playbooks approuvés par un humain et les actions automatisées. Ce modèle progressif permet aux équipes de commencer par des recommandations avant d’accorder aux agents une autorité plus large.

Cette distinction sépare le lancement des fonctions d’IA générative qui se limitent à résumer les alertes. Zscaler Agentic SOC place le raisonnement automatisé à côté des mécanismes capables de modifier les accès en temps réel.

Les attaques pilotées par l’IA réduisent le temps de réaction des défenseurs

Zscaler vend la vitesse de réponse parce que les attaquants automatisent de plus en plus les étapes de reconnaissance et d’exécution qui donnaient autrefois davantage de temps aux analystes.

L’entreprise soutient que les processus SOC conventionnels ne peuvent pas corréler, analyser et corriger suffisamment vite une activité hostile. Ses chercheurs de ThreatLabz ont observé des attaquants utilisant des sites web de confiance, des outils légitimes de gestion à distance et des techniques fondées sur le navigateur pour contourner les contrôles habituels.

Ces méthodes sont difficiles à détecter, car chaque action individuelle peut ressembler à un comportement autorisé. Un utilitaire d’administration à distance a des usages métier légitimes. Un domaine de confiance n’indique pas automatiquement que son contenu est sûr. Des invites dans le navigateur peuvent persuader des utilisateurs d’exécuter des commandes sans déposer de malware reconnaissable.

L’IA peut aider les attaquants à tester davantage de variantes, à réécrire des leurres, à recueillir des informations publiques et à coordonner des activités en plusieurs étapes. Elle ne rend pas chaque intrusion inédite. Elle augmente la vitesse et le volume auxquels des techniques connues peuvent être adaptées.

Cela met sous pression les analystes qui travaillent avec des outils fragmentés. Une console peut contenir les événements d’identité, tandis qu’une autre stocke les alertes des terminaux. Le trafic réseau, l’activité cloud, les résultats de détection des vulnérabilités et les registres de propriété métier peuvent se trouver ailleurs.

Chaque transfert fait perdre du temps. Les analystes doivent rechercher les événements associés, décider s’ils décrivent un même incident, identifier les actifs concernés et sélectionner une réponse proportionnée. L’automatisation devient utile lorsqu’elle élimine ces délais mécaniques sans dissimuler les preuves.

Zscaler affirme que son Zero Trust Exchange traite plus de 750 milliards de transactions chaque jour. L’entreprise présente cette échelle comme un avantage en matière de données, car son service se trouve déjà sur le chemin de nombreuses connexions de ses clients.

Cette affirmation doit être interprétée avec prudence. Un important volume de télémétrie ne produit pas automatiquement des verdicts d’incident exacts. La qualité des données, la couverture client, la logique de corrélation, le comportement des modèles et le contexte propre à chaque environnement restent déterminants.

Toutefois, la visibilité inline peut raccourcir le chemin entre observation et action. Un outil de surcouche peut identifier une activité suspecte tout en dépendant d’une autre plateforme pour la bloquer. Zscaler peut relier une détection à des contrôles qui appliquent déjà des politiques d’accès.

Cette pression ne se limite pas aux clients de Zscaler. Microsoft décrit un modèle de SOC agentique dans lequel des défenses autonomes verrouillent des comptes, isolent des appareils et rassemblent des preuves avant qu’un analyste n’ouvre la file d’attente.

Databricks a emprunté une voie différente avec Lakewatch, en appliquant une analyse agentique aux données de sécurité stockées dans un lakehouse. Son approche met l’accent sur les formats ouverts, une conservation étendue des données et l’analyse au plus près des données métier sous-jacentes.

Dropzone AI se concentre sur l’investigation des alertes à travers une pile de sécurité existante avant d’escalader les menaces confirmées. Ce modèle de surcouche peut séduire les acheteurs qui veulent de l’automatisation sans remplacer leurs outils établis.

Ces produits diffèrent, mais leur argument commercial est similaire. L’attention humaine est devenue la ressource limitée. Les fournisseurs veulent donc que les logiciels clôturent les cas routiniers, priorisent les incidents graves et préparent les investigations complexes pour l’examen par des experts.

La réponse imposée aux responsables de la sécurité est opérationnelle, non rhétorique. Ils doivent décider quelles décisions un agent peut prendre, quelles preuves il doit présenter et quelles actions exigent encore une approbation explicite.

La véritable compétition oppose la télémétrie native à l’intégration neutre

Le principal avantage de Zscaler constitue aussi son compromis central : les données natives peuvent améliorer le contexte de réponse, tandis que la dépendance à une plateforme peut limiter ce que le système voit.

Zscaler présente de nombreux produits SOC agentiques concurrents comme des surcouches placées au-dessus d’alertes fragmentées. Selon elle, ces outils héritent du même contexte insuffisant et des mêmes signaux tardifs qui pèsent déjà sur les analystes humains.

Son alternative commence avec la télémétrie générée au sein du Zero Trust Exchange. La plateforme peut associer une connexion à l’identité de l’utilisateur, à l’état de l’appareil, à l’application, à la politique de données et aux conditions d’accès. Les agents évaluent ensuite un incident à partir de ce contexte consolidé.

Le produit peut enquêter sur le trafic Zscaler sans transférer tous les journaux bruts vers un système distinct de gestion des informations et des événements de sécurité. Un SIEM est une plateforme qui collecte des enregistrements de sécurité à des fins d’analyse, d’investigation, de conformité et de conservation.

Zscaler ne dit pas que chaque client devrait supprimer son SIEM. L’entreprise positionne Agentic SOC comme une couche opérationnelle pouvant envoyer des incidents synthétisés au SIEM, tout en y laissant le stockage à long terme et l’agrégation étendue.

Cette architecture peut réduire le déplacement redondant de journaux réseau à fort volume. Elle peut aussi permettre aux agents de réponse d’agir par l’intermédiaire de la même plateforme qui a observé le trafic. Ces deux résultats dépendent de l’étendue de la couverture réelle de l’environnement pertinent du client par Zscaler.

Une plateforme native voit ses propres signaux avec une profondeur inhabituelle. Elle peut néanmoins avoir besoin de données externes pour reconstituer l’activité à travers les e-mails, le code source, les applications software-as-a-service, les technologies opérationnelles et les produits de sécurité d’autres fournisseurs.

C’est pourquoi l’intégration tierce n’est pas une fonctionnalité secondaire. Elle détermine si le graphe de contexte représente un chemin d’attaque complet ou un fragment détaillé de celui-ci.

Databricks présente la voie opposée. Sa conception Lakewatch met l’accent sur les formats ouverts et l’analyse à travers les données de sécurité et métier déjà stockées dans un lakehouse. Elle peut fournir un vaste contexte historique sans partir d’une plateforme d’application inline.

Microsoft dispose d’un autre avantage structurel. Defender, Entra, Sentinel, Microsoft 365 et Azure peuvent fournir des signaux liés aux terminaux, aux identités, aux e-mails, au cloud et à la collaboration. Sa stratégie agentique s’appuie sur un vaste parc d’entreprises déjà installées.

Des spécialistes comme Dropzone AI offrent de la neutralité. Leurs systèmes peuvent s’intégrer à des produits existants de SIEM, de détection sur les terminaux, de gestion de cas et d’orchestration. Cette flexibilité peut réduire la dépendance à une plateforme unique, même si les agents doivent normaliser les données provenant de nombreuses sources.

La réponse de Zscaler est un modèle d’intégration ouvert associé à une application native des mesures. L’entreprise veut faire entrer des preuves externes dans son investigation tout en maintenant le confinement près de ses propres contrôles inline.

L’issue ne sera pas déterminée par le nombre d’intégrations affichées sur une page produit. Les acheteurs doivent vérifier si ces connexions transportent un contexte suffisant, fonctionnent dans les deux sens et préservent les preuves après une action automatisée.

Une intégration superficielle peut importer le titre d’une alerte sans les événements environnants. Une intégration plus solide peut récupérer des preuves brutes, mettre à jour un dossier, initier une réponse contrôlée et enregistrer le résultat.

C’est la question concurrentielle centrale derrière Zscaler Agentic SOC. La télémétrie native offre vitesse et cohérence. Les plateformes neutres offrent un choix plus large. Les acheteurs en entreprise doivent déterminer quelle faiblesse présente le risque le plus élevé dans leur environnement.

La réponse autonome crée une nouvelle surface de défaillance

Un agent capable d’arrêter un attaquant peut aussi interrompre des activités légitimes, ce qui rend la précision du confinement plus importante que des résumés d’incident fluides.

Un résumé erroné fait perdre du temps aux analystes. Une réponse automatisée erronée peut désactiver un compte, bloquer un service de confiance, interrompre la production ou isoler un équipement critique pendant un processus métier urgent.

Ce risque ne rend pas le confinement autonome inutilisable. Il change le niveau de preuve requis. Les équipes de sécurité doivent évaluer un agent comme un contrôle opérationnel, et non simplement comme une fonctionnalité de productivité.

La première exigence est la traçabilité des preuves. Zscaler affirme que ses agents affichent les signaux étayant et contredisant chaque détermination. Les clients devraient vérifier que ces explications renvoient à des événements sous-jacents plutôt qu’à un récit convaincant dépourvu de preuves reproductibles.

La deuxième exigence est une autorité limitée. Un agent autorisé à bloquer un fichier malveillant présente un risque opérationnel différent d’un agent autorisé à isoler des dirigeants, révoquer des identifiants ou modifier une politique réseau étendue.

Les autorisations doivent correspondre à la gravité de l’incident, au niveau de confiance, à la criticité des actifs et au coût de récupération. Les actions à faible risque peuvent être exécutées automatiquement. Les actions à plus fort impact devraient exiger une approbation jusqu’à ce que l’organisation ait établi une fiabilité démontrée.

La troisième exigence est la réversibilité. Chaque playbook automatisé doit disposer d’un chemin de retour testé. Les analystes doivent savoir comment restaurer l’accès, annuler un blocage et rétablir l’état initial lorsque le verdict change.

La quatrième exigence est l’auditabilité. Les équipes de sécurité et de conformité ont besoin d’enregistrements indiquant ce que l’agent a observé, quels modèles ou politiques ont influencé la décision, quelle action a été effectuée et qui l’a approuvée.

La cinquième exigence est la résistance à la manipulation. Un attaquant peut tenter d’empoisonner les données, de créer des corrélations trompeuses ou d’exploiter les instructions ingérées par un agent. Un accès accru aux outils donne à un agent compromis davantage de moyens de causer des dommages.

L’analyse de sécurité des agents du NIST a constaté un large consensus selon lequel les principes établis de cybersécurité restent pertinents, mais doivent être adaptés aux agents d’IA. L’identité, l’autorisation, la surveillance et la gouvernance deviennent plus difficiles lorsque les logiciels peuvent planifier et agir avec une supervision limitée.

L’approbation humaine à elle seule ne résout pas tous les problèmes. Les analystes peuvent approuver des recommandations trop rapidement lorsque le volume d’alertes est élevé ou que les explications semblent faire autorité. La supervision doit donc inclure des règles d’escalade claires, de l’échantillonnage, un examen des performances et une validation indépendante.

La qualité de la télémétrie sous-jacente constitue une autre incertitude. Une critique du secteur concernant le déficit de visibilité soutient que les agents peuvent mal réagir lorsque les preuves issues des terminaux, des identités, du cloud et du réseau restent fragmentées.

Le graphe de contexte de Zscaler répond directement à cette critique, mais l’entreprise n’a pas fourni publiquement de références universelles de précision pour chaque environnement client. Ses performances et ses bénéfices demeurent des affirmations du fournisseur tant que les déploiements ne produisent pas de preuves comparables de manière indépendante.

Les faux positifs ne sont qu’un aspect du problème. Un agent peut également produire des faux négatifs, clôturer un dossier suspect ou manquer une chaîne inédite d’actions individuellement bénignes.

Les clients devraient évaluer des incidents complets plutôt que des classifications d’alertes isolées. Parmi les tests utiles figurent les identités compromises, l’abus d’outils de gestion à distance, les attaques via navigateur, les mouvements latéraux et les activités couvrant Zscaler ainsi que des systèmes tiers.

Les équipes devraient également comparer les modes assisté et automatisé. Une recommandation que les analystes rejettent régulièrement ne devrait pas devenir une action sans surveillance simplement parce qu’un score de confiance franchit un seuil arbitraire.

Le confinement agentique exige une adoption progressive. Commencez par l’observation et les résumés, passez aux recommandations, automatisez des actions ciblées et réversibles, puis élargissez l’autorité seulement après que des preuves mesurées justifient ce changement.

Les partenariats IA de Zscaler comptent moins que son plan de contrôle

Les modèles peuvent améliorer le raisonnement, mais la différenciation durable de Zscaler provient des données, des autorisations et des systèmes d’application qui les entourent.

Zscaler a cité Anthropic et OpenAI comme partenaires de modèles pour Agentic SOC. Cela donne à la plateforme accès à des modèles de pointe sans lier chaque tâche à un fournisseur unique.

Une stratégie multi-modèles peut orienter différentes tâches vers le modèle le plus adapté. Un modèle peut résumer un incident complexe, tandis qu’un autre évalue les preuves ou génère un plan de réponse.

Cependant, les modèles fondamentaux deviennent accessibles à de nombreux fournisseurs de cybersécurité. Y avoir accès ne crée pas à lui seul un avantage durable. Les concurrents peuvent obtenir sous licence des capacités similaires ou remplacer les modèles à mesure que leurs performances évoluent.

Le travail le plus difficile se situe autour du modèle. Les agents de sécurité ont besoin de preuves normalisées, d’outils contraints, de politiques propres à l’organisation, de contrôles d’identité, de journaux durables et de mécanismes de réponse. Ils ont également besoin de systèmes d’évaluation qui testent leur comportement face à des schémas d’incidents réels.

Zscaler affirme que ses agents s’appuient sur plus de dix ans d’expérience en SOC, détection gérée, réponse et chasse aux menaces. L’entreprise affirme également que les renseignements issus de milliers d’environnements clients alimentent le système.

Ces déclarations décrivent les données d’entraînement et de réglage, et non une précision vérifiée de manière indépendante. Les acheteurs ont toujours besoin de résultats provenant d’environnements semblables aux leurs.

L’architecture offre à Zscaler plusieurs leviers pratiques. Elle peut enrichir une connexion suspecte avec le contexte des politiques et de la posture de sécurité. Elle peut recommander une réponse fondée sur l’impact métier. Elle peut ensuite l’exécuter via des contrôles en ligne sans attendre le système d’un autre fournisseur.

Cette boucle fermée n’est utile que si la gouvernance reste attachée à chaque étape. Un modèle ne devrait pas recevoir un accès illimité simplement parce que la plateforme qui l’entoure dispose d’une large visibilité.

Les équipes de sécurité ont besoin d’un contrôle d’accès basé sur les rôles, d’identifiants à portée limitée, de limites d’action, de politiques d’approbation et d’une isolation entre les clients. Elles devraient également savoir si les données d’incident sont conservées, où l’inférence est effectuée et comment les fournisseurs de modèles traitent le contenu soumis.

Les mises à jour de modèles créent un autre enjeu opérationnel. Un modèle plus récent peut se comporter différemment même lorsque le workflow environnant reste inchangé. Les fournisseurs doivent effectuer des tests de régression avant de modifier un modèle qui influence les décisions de confinement.

Les clients devraient demander si Zscaler enregistre la version du modèle, la configuration de l’agent, l’état des politiques et les preuves utilisées pour chaque action. Sans ces détails, l’enquête sur une réponse incorrecte devient beaucoup plus difficile.

L’explicabilité exige également plus que du texte. Une vue d’incident efficace devrait permettre aux analystes d’examiner les horodatages, les identités, les sessions réseau, les actifs affectés, les signaux contradictoires et la séquence des décisions de l’agent.

C’est là que la proposition Agentic SOC de Zscaler devient concrète. Le titre met en avant des agents d’IA, mais le produit réussira grâce à une ingénierie de contrôle fiable.

Les modèles de pointe peuvent aider les agents à interpréter l’ambiguïté. Ils ne peuvent pas compenser l’absence de preuves, des autorisations excessives, des intégrations faibles ou un plan de récupération non testé.

Trois signaux montreront si Zscaler Agentic SOC fonctionne

Le prochain test n’est pas une nouvelle annonce de fonctionnalité ; il s’agit de savoir si les clients peuvent automatiser un confinement significatif sans accroître les perturbations métier.

Le premier signal est une performance mesurable en production. Les acheteurs devraient rechercher des évolutions documentées du temps d’investigation, du temps de confinement, de la charge de travail des analystes, des actions fondées sur des faux positifs et des décisions annulées.

Le témoignage d’un client sur une analyse plus rapide apporte un contexte utile, mais n’établit pas une fiabilité générale. Des preuves solides compareraient les workflows automatisés et pilotés par des humains dans des catégories d’incidents définies.

Les rapports les plus précieux distingueront le triage du confinement. De nombreux outils peuvent résumer ou prioriser les alertes. Beaucoup moins peuvent exécuter en toute sécurité une réponse sur une identité, un équipement, une destination ou une application en direct.

Si les déploiements démontrent un confinement plus rapide avec peu d’actions inutiles, l’argument de Zscaler en faveur de la télémétrie native gagne en crédibilité. Des annulations fréquentes ou des goulots d’étranglement liés aux approbations affaibliraient l’argument en faveur de l’automatisation en boucle fermée.

Le deuxième signal est la profondeur de l’intégration tierce. Zscaler doit prouver qu’Agentic SOC peut reconstituer des incidents cohérents lorsque les preuves s’étendent au-delà de sa propre plateforme.

Les acheteurs devraient surveiller quelles intégrations SIEM, terminal, identité, cloud, ticketing et orchestration prennent en charge des workflows bidirectionnels. Ils devraient également examiner quel contexte chaque connecteur transfère.

Une intégration étendue renforcerait l’affirmation de Zscaler selon laquelle télémétrie native et outils ouverts peuvent coexister. Un contexte limité laisserait aux clients une autre vue partielle, même si cette vue est détaillée.

Le troisième signal est la manière dont les concurrents relient le raisonnement à l’application. Microsoft peut construire des workflows autonomes couvrant Defender, Entra, Sentinel, Azure et Microsoft 365. Databricks peut mettre l’accent sur les données ouvertes et le contexte à long terme. Les fournisseurs spécialisés peuvent défendre leur indépendance vis-à-vis de la plateforme d’application.

Une réponse concurrentielle offrant un confinement comparable avec des preuves plus larges réduirait la différenciation de Zscaler. À l’inverse, des intégrations faibles ou tardives entre les piles concurrentes rendraient la position en ligne de Zscaler plus attrayante.

Les responsables de la sécurité ne devraient pas attendre un vainqueur universel. Ils peuvent définir une classe d’incidents restreinte, établir une référence examinée par des humains et tester le même workflow sur les systèmes candidats.

L’évaluation devrait mesurer la qualité des preuves, la cohérence des décisions, la vitesse de confinement, la profondeur des intégrations, l’intervention des analystes et le succès du retour en arrière. Elle devrait également inclure des tests adversariaux conçus pour induire l’agent en erreur.

Les équipes ont besoin d’un registre fiable de ces essais. Une base de connaissances technique interrogeable peut préserver les playbooks, les verdicts rejetés, les limites d’intégration et les enseignements post-incident entre les groupes de sécurité et d’ingénierie.

Le lancement de Zscaler Agentic SOC fait de la défense autonome une décision d’achat actuelle plutôt qu’un concept lointain. Sa proposition la plus forte est l’union du contexte et de l’action en ligne.

Sa question la plus difficile est tout aussi directe. Les organisations peuvent-elles accorder aux agents suffisamment d’autorité pour devancer les attaquants sans permettre à un verdict incertain de devenir une panne automatisée ?

Commencez par un workflow réversible, définissez le seuil de preuve et mesurez chaque intervention. L’avenir des opérations de sécurité agentiques sera décidé par ces données, et non par l’assurance avec laquelle une IA raconte l’incident.