Qu’est-ce que l’IA agentique en cybersécurité ?

Les systèmes d’IA agentique sont souvent conçus avec une supervision humaine intégrée pour concilier autonomie et contrôle.

Dans l’approche Microsoft de l’IA agentique pour la cybersécurité, cela prend la forme d’un modèle collaboratif dans lequel les opérateurs humains peuvent surveiller et guider le comportement du système.

Voici quelques exemples courants :

• Raisonnement transparent. Les systèmes Microsoft fournissent un contexte et des justifications à l’appui des recommandations pour aider les analystes à comprendre les résultats du système et les chemins de décision.

• Approbation et ajustement. Les équipes peuvent examiner, approuver, rejeter ou affiner les actions du système, en intégrant les retours pour améliorer en continu les résultats dans Teams.

• Contrôles vérifiables. Les activités sont régies par des contrôles de sécurité d’entreprise tels que l’accès basé sur les rôles, les journaux d’audit et les garde-fous de workflow afin de soutenir les exigences de responsabilité et de conformité.

L’IA agentique peut répondre de manière dynamique à des conditions changeantes et ajuster son comportement en fonction du contexte grâce à un processus appelé boucle agentique, une séquence d’étapes que l’agent répète jusqu’à atteindre son objectif.

Percevoir → Raisonner → Planifier → Agir → Apprendre

• Perceive. Le système rassemble des informations depuis son environnement, notamment les journaux, les alertes, l’activité des utilisateurs, la veille sur les menaces et les données provenant des outils et systèmes connectés.
• Raison. Il analyse les informations, identifie les schémas, évalue les risques et détermine ce que les données signifient dans leur contexte.
• Plan. En fonction de ses objectifs, le système élabore une séquence d’actions pour atteindre le résultat souhaité.
• Acte. L’agent exécute des tâches, comme isoler un appareil, ouvrir un ticket, faire remonter une alerte ou recueillir des preuves supplémentaires, en interagissant avec des outils, des systèmes ou des workflows.
• Apprendre. Le système évalue les résultats de ses actions et utilise les retours, les nouvelles données et les résultats antérieurs pour améliorer ses décisions et réponses futures.

Pour que l’IA agentique fonctionne efficacement, les équipes doivent aussi décider si elles souhaitent utiliser un système à agent unique ou un système multiagent. Un système à agent unique s’appuie sur un seul agent pour gérer les tâches et les décisions, ce qui fonctionne bien lorsque les workflows restent relativement circonscrits et que les décisions sont centralisées. Si les workflows sont complexes ou nécessitent différents types d’expertise, les entreprises mettent souvent en place un système multiagent qui utilise plusieurs agents IA spécialisés en cybersécurité travaillant ensemble vers un objectif commun.

Même avec des capacités autonomes, la supervision humaine reste importante. De nombreuses entreprises utilisent des points de contrôle avec intervention humaine et des étapes d’approbation pour les actions sensibles ou à haut risque afin de maintenir la gouvernance, la responsabilité et le contrôle opérationnel.

Les différences entre l’automatisation traditionnelle, l’IA générative et l’IA agentique deviennent plus claires lorsqu’on les compare selon des dimensions clés.

Malheureusement, les entreprises et les pouvoirs publics ne sont pas les seuls à adopter l’IA à un rythme rapide. Les acteurs malveillants utilisent des systèmes agentiques pour augmenter la vitesse et l’échelle de leurs cyberattaques, ce qui crée ou aggrave plusieurs défis en cybersécurité, notamment :

• Le défi d’échelle. Les équipes de sécurité sont souvent confrontées à des volumes d’alertes écrasants, à une complexité croissante des données et à une pénurie persistante d’analystes.
• Le défi de vitesse. Les cyberattaquants automatisent de plus en plus leurs opérations, tandis que de nombreux défenseurs s’appuient encore sur des processus manuels de triage et de réponse aux incidents.
• Le défi de fiabilité et de précision. Une exposition prolongée aux équipes de nuit et à de grands volumes de tâches répétitives peut entraîner de la fatigue et du burnout chez les analystes, ce qui augmente le risque d’incohérence et d’erreur humaine.
• Le défi de résilience. Les entreprises modernes opèrent dans des environnements hybrides qui incluent des plateformes cloud, des points de terminaison, des identités, des applications et des services tiers. L’élargissement de cette surface d’attaque augmente le risque opérationnel et offre davantage d’opportunités aux cyberattaquants.

L’IA agentique dans la cybersécurité aide les équipes de sécurité à travailler plus efficacement dans des environnements qui deviennent trop complexes, trop rapides et trop interconnectés pour des opérations de sécurité (SecOps) entièrement manuelles . Cela diffère de la sécurité de l’IA agentique au sens large, qui se concentre sur la protection des systèmes d’IA eux-mêmes.

Plutôt que de remplacer les équipes de sécurité, l’IA agentique agit comme un multiplicateur de force dans l’ensemble des opérations de cybersécurité, ce qui apporte des avantages tels que :

• Temps moyen de détection et de réponse (MTTD/MTTR) plus court. L’IA agentique peut examiner les alertes, corréler les signaux et coordonner rapidement les actions de réponse, ce qui aide les équipes à réduire les délais de détection et de réponse.
• Réduction de la fatigue des analystes et plus de temps pour les tâches à forte valeur ajoutée. En prenant en charge les tâches répétitives et chronophages, l’IA agentique aide à réduire la fatigue liée aux alertes et permet aux analystes de se concentrer sur des enquêtes et une prise de décision plus stratégiques.
• Triage et réponse cohérents et reproductibles. L’IA agentique applique les workflows et les processus de façon cohérente sur l’ensemble des incidents, ce qui améliore la fiabilité opérationnelle en réduisant les variations liées aux opérations manuelles.
• Couverture 24 h/24, 7 j/7 et capacité d’adaptation élastique. Contrairement aux équipes humaines, l’IA agentique peut fonctionner en continu et évoluer pour traiter de grands volumes d’alertes, d’événements et de données sans nécessiter de personnel supplémentaire.
• Meilleur rapport signal-bruit et meilleure priorisation. L’IA agentique peut analyser de grandes quantités de données contextuelles pour aider à identifier les menaces les plus importantes, réduire les alertes inutiles et améliorer la priorisation.
• Résilience renforcée et gestion proactive des risques. L’IA agentique peut surveiller en continu les environnements, identifier les vulnérabilités potentielles et prendre en charge des mesures de sécurité proactives qui aident les entreprises à réduire les risques et à améliorer la résilience opérationnelle au fil du temps.

Plusieurs cas d’usage montrent comment les personnes et les agents peuvent travailler ensemble pour renforcer la sécurité.

Les équipes de sécurité font souvent face à plus d’alertes qu’elles ne peuvent en examiner manuellement, ce qui rend la priorisation essentielle à une réponse efficace.

Le rôle de l’agent :

• Enrichit les alertes avec des renseignements sur les menaces, le contexte des ressources et les données de comportement des utilisateurs.
• Priorise les incidents en fonction du risque et du score de confiance.
• Recommande les prochaines étapes pour l’enquête ou la remédiation.

Le rôle de l’agent :

• Examine les incidents prioritaires.
• Valide les résultats et les décisions d’escalade.
• Gère les enquêtes complexes ou sensibles.

Les équipes de sécurité s’appuient sur de grands volumes de données sur les menaces, ce qui rend difficile l’extraction rapide d’informations pertinentes et exploitables.

Le rôle de l’agent :

• Collecte et synthétise les renseignements sur les menaces provenant de plusieurs sources.
• Fournit une visibilité situationnelle en temps réel et des rapports rapides.
• Corrèle l’activité des menaces dans l’ensemble des environnements.

Le rôle de l’analyste :

• Interprète les risques stratégiques et les tendances des menaces.
• Valide la pertinence et l’impact des renseignements.
• Guide les priorités et la planification de la réponse.

L’identification des menaces cachées ou émergentes nécessite une analyse continue sur des ensembles de données volumineux et complexes.

Le rôle de l’agent :

• Génère des hypothèses de chasse et interroge les sources de données.
• Itère sur de grands ensembles de données pour identifier les activités suspectes.
• Effectue des chasses en arrière-plan continues pour détecter les menaces émergentes.

Le rôle de l’analyste :

• Valide les résultats et détermine l’impact métier.
• Enquête sur des activités de cyberattaque avancées ou ciblées.
• Affine les stratégies et les priorités de chasse.

Répondre aux incidents de sécurité nécessite une coordination rapide entre les activités de détection, d’enquête et de confinement.

Le rôle de l’agent :

• Automatise la collecte des preuves et la documentation des incidents.
• Rédige les chronologies et résume les activités de cyberattaque.
• Exécute les actions de confinement avec l’approbation des analystes.
• Aide à protéger les points de terminaison et à automatiser les workflows de remédiation des vulnérabilités.

Le rôle de l’analyste  :

• Approuve les actions de réponse à haut risque.
• Supervise les efforts de remédiation et de reprise.
• Coordonne la communication et l’examen post-incident.

Les entreprises doivent identifier et hiérarchiser les faiblesses de sécurité avant qu’elles ne soient exploitées par des acteurs malveillants.

Le rôle de l’agent :

• Priorise les vulnérabilités en fonction du niveau de risque et de la valeur des ressources exposées.
• Identifie les expositions dans les environnements cloud, de points de terminaison et d’identités.
• Recommande des parcours de remédiation et des actions d’atténuation.

Le rôle de l’analyste :

• Détermine les priorités de remédiation en fonction des risques métier.
• Valide les actions recommandées.
• Coordonne les efforts de correctif et de réduction des risques.

La surveillance de l’activité des identités est essentielle pour détecter les accès non autorisés et empêcher l’utilisation abusive des privilèges.

Rôle de l’agent :

• Détecte les schémas de connexion et d’accès inhabituels.
• Identifie les autorisations à risque et les risques d’élévation de privilèges.
• Surveille en continu les menaces liées à l’identité.

Le rôle de l’administrateur d’identité et d’accès :

• Examine les événements d’accès à haut risque.
• Approuve les changements de stratégie ou d’autorisation.
• Enquête sur les activités potentielles d’un collaborateur malveillant ou d’une compromission de compte.

Les équipes de sécurité doivent continuellement créer et affiner la logique de détection pour suivre le rythme de l’évolution des menaces.

Rôle de l’agent :

• Écrit et teste la logique de détection.
• Valide la couverture de détection et identifie les lacunes.
• Suggère des améliorations de réglage pour réduire les faux positifs.

Le rôle de l’analyste :

• Examine et approuve les mises à jour de détection.
• Aligne les détections sur les priorités de l’entreprise.
• Supervise l’architecture et la stratégie de sécurité à long terme.

La protection des données sensibles nécessite une surveillance continue, une classification et l’application des stratégies de sécurité.

Le rôle de l’agent :

• Enquête sur les risques de protection contre la perte de données et d’initié et les hiérarchise.
• Automatise la découverte et l’analyse des risques liés aux données sensibles dans l’ensemble des environnements.
• Identifie les violations de stratégie et les lacunes de conformité.

Le rôle de l’administrateur(-trice) de sécurité des données :

• Examine les événements d’exposition des données à haut risque.
• Détermine les exigences de conformité et de gouvernance.
• Supervise la remédiation et les décisions d’application des stratégies.

L’IA agentique dans la cybersécurité offre le plus de valeur lorsqu’elle aide les équipes à analyser les données, enrichir les alertes et répondre aux vulnérabilités et aux menaces sur l’ensemble de l’environnement. Pour ce faire, les entreprises utilisent des API pour connecter les agents de sécurité aux outils qu’elles utilisent déjà, tels que les solutions SOAR, la détection et la réponse étendues (XDR), la gestion de la posture de sécurité cloud (CSPM), la gestion des identités et des accès (IAM), la gestion des informations et des événements de sécurité (SIEM), les outils de détection et de réponse sur les points de terminaison (PEPT) et les solutions de gestion des tickets. Cela permet aux systèmes d’IA agentique de récupérer des informations, de coordonner les workflows, de déclencher des actions et de mettre à jour les systèmes en temps réel.

L’Automatisation permet aux équipes de gagner beaucoup de temps, mais il reste important de conserver le contrôle et la responsabilisation pour éviter les actions involontaires. Les équipes de sécurité demandent généralement aux analystes de vérifier les décisions à risque élevé, tout en laissant davantage d’autonomie pour les actions à risque faible. Dans les deux cas, il est important d’établir la gouvernance des données et des contrôles d’accès pour aider à garantir que l’IA interagit uniquement avec les systèmes et les données approuvés.

Les équipes de sécurité qui obtiennent les meilleurs résultats avec l’IA agentique mettent en place des outils de mesure pour évaluer dans quelle mesure elles atteignent leurs objectifs. Cela leur fournit les informations nécessaires pour ajuster et affiner leurs implémentations.

Les indicateurs clés de réussite incluent :

Les données qui aident à déterminer l’efficacité des opérations de sécurité comprennent :

• Le MTTD et le MTTR.
• Nombre d’alertes triées ou clôturées automatiquement.
• Réduction du taux de faux positifs.
• Temps nécessaire pour investiguer et résoudre les incidents.

Ces métriques donnent aux dirigeants un aperçu de la façon dont l’IA agentique modifie la manière dont les équipes de sécurité consacrent leur temps :

• Heures d’analyste récupérées grâce à l’investigation et au triage manuels.
• Taux d’escalade pour les alertes nécessitant l’intervention d’un analyste.
• Délai d’intégration des nouveaux analystes utilisant des workflows assistés par l’IA.
• Réduction des tâches répétitives ou à faible valeur ajoutée.

Les dirigeants peuvent également voir comment les améliorations de sécurité ont un impact sur l’ensemble de l’entreprise grâce à des métriques telles que :

• Coût par incident de sécurité.
• Couverture sur les environnements, les identités, les terminaux et les ressources cloud
• Niveau global de conformité et préparation aux audits.
• Réduction de l’exposition au risque opérationnel au fil du temps.

Parce que les systèmes agentiques fonctionnent avec différents niveaux d’autonomie, la gouvernance, la transparence et le contrôle sont essentiels à un déploiement sécurisé.

• Agents fantômes et automatisation non gérée. À mesure que les systèmes agentiques se développent, les organisations peuvent créer involontairement des agents non gérés ou en double. Sans supervision appropriée, ces « agents fantômes » peuvent entraîner un comportement incohérent ou des actions non autorisées.
• Hallucinations et faux positifs. Comme d’autres systèmes d’IA, l’IA agentique peut produire des conclusions erronées ou mal interpréter des données, ce qui peut entraîner des alertes inutiles ou des actions incorrectes si les résultats ne sont pas validés.
• Sur-automatisation et perte de supervision. Une dépendance excessive à l’automatisation peut réduire la visibilité sur les processus de prise de décision, ce qui augmente le risque de contexte manquant ou d’actions inappropriées.
• Confidentialité des données et contrôle d’accès. Les systèmes d’IA agentique nécessitent l’accès à des données de sécurité sensibles, ce qui rend essentiels des contrôles stricts autour des autorisations, des limites des données et de l’accès au privilège minimum.
• Dérive du modèle et manipulation adverse. Au fil du temps, les performances du modèle peuvent se dégrader à mesure que les environnements changent. En outre, les cyberattaquants peuvent essayer de manipuler les entrées ou les métriques pour influencer le comportement de l’agent.

• Le NIST AI Risk Management Framework (AI RMF) fournit des orientations pour gérer les risques liés à l’IA tout au long du cycle de vie, notamment la gouvernance, la cartographie, la mesure et la gestion.
• ISO/IEC 42001 établit les exigences d’un système de management de l’IA, en mettant l’accent sur le développement et l’utilisation responsables des systèmes d’IA.
• EU AI Act introduit une classification basée sur les risques et des exigences de conformité pour les systèmes d’IA qui opèrent dans l’Union européenne ou l’impactent.
• Les réglementations sectorielles sont des exigences propres à certains secteurs, comme la loi américaine HIPAA (Health Insurance Portability Accountability Act) pour la protection des données de santé, la norme Payment Card Industry Data Security Standard (PCI DSS) pour la sécurité des paiements et la loi Sarbanes-Oxley Act (SOX) pour les contrôles liés à la gestion des états financiers.

À mesure que les équipes de sécurité déploient et étendent l’IA agentique pour la cybersécurité dans leurs organisations, une stratégie réfléchie permet d’améliorer les résultats de sécurité tout en maintenant la transparence, la responsabilisation et la confiance entre les équipes.

Les organisations mettent généralement en place l’IA agentique par étapes contrôlées, en commençant par des cas d’utilisation à faible risque et à caractère d’assistance, avant de passer à des actions ayant un impact plus important. Il est également important de donner la priorité à la transparence dans la façon dont les agents de sécurité prennent des décisions.

Des garde-fous bien définis aident à limiter le comportement des agents à des limites sûres et attendues. Pour réduire le risque de comportements inattendus, les équipes définissent les actions que les agents IA dédiés à la cybersécurité peuvent effectuer de manière autonome, établissent des workflows d’approbation pour les opérations à fort impact ou sensibles, et définissent des seuils à partir desquels les agents de sécurité doivent faire remonter les incidents aux analystes.

Le contrôle d’accès en fonction du rôle (RBAC) aide à réduire le risque d’activité involontaire en limitant l’accès des agents aux systèmes, aux données et aux actions nécessaires à leur fonction spécifique. Pour cette raison, les équipes identité appliquent aux agents les mêmes principes de privilège minimum qu’aux personnes.

Pour conserver la visibilité sur le comportement des agents, les équipes de sécurité consignent et auditent toutes les actions des agents, y compris les décisions, l’utilisation des outils et les résultats. Cela les aide à enquêter sur les incidents, à satisfaire aux exigences de conformité et à détecter les problèmes d’implémentation qui doivent être affinés.

Les analystes sont plus susceptibles d’adopter l’IA agentique s’ils se sentent informés et en contrôle. Les organisations peuvent instaurer la confiance en veillant à ce que les recommandations des agents soient claires et faciles à comprendre. Elles obtiennent également de meilleurs résultats lorsqu’elles utilisent l’IA pour augmenter, plutôt que remplacer, la prise de décision des analystes.

Les centres des opérations de sécurité (SOC), l’IT et les équipes de conformité jouent tous un rôle dans le déploiement sécurisé et efficace de l’IA agentique, en accord avec la tolérance au risque de l’entreprise. Une équipe pluridisciplinaire aide les organisations à définir des cas d’usage opérationnels, à gérer l’intégration et l’infrastructure, et à satisfaire aux exigences réglementaires.

La création de workflows entièrement agentiques qui fonctionnent sur plusieurs domaines de sécurité est un processus en plusieurs étapes. À mesure que les organisations gagnent en maturité opérationnelle, elles ont besoin d’une gouvernance et d’une supervision plus solides.

À l’étape la plus précoce, les organisations utilisent des scripts et des workflows prédéfinis pour gérer les tâches de sécurité répétitives.

À quoi ressemble le succès :

• Exécution cohérente des tâches de routine, comme l’enrichissement des alertes ou la création de tickets.
• Réduction des efforts manuels dans les workflows à faible complexité.
• Dépendance à des règles statiques et à des playbooks.

Indicateurs de préparation :

• Intégrations SIEM, SOAR et de gestion des tickets stables.
• Processus de sécurité clairement définis et reproductibles.
• Un volume élevé de tâches répétitives pour les analystes.

À ce stade, l’IA aide les analystes en améliorant la visibilité, la synthèse et la prise de décision, mais elle n’effectue pas d’action directe.

À quoi ressemble le succès :

• Une investigation plus rapide grâce à des synthèses et des informations générées par l’IA.
• Une meilleure compréhension des alertes et un enrichissement du contexte.
• Les analystes restent entièrement responsables des décisions et des actions.

Indicateurs de préparation :

• Pipelines de données matures et indicateurs centralisés.
• Processus de sécurité opérationnelle établis.
• Besoin d’accélérer le triage et d’appuyer l’investigation.

Ici, l’IA agentique commence à effectuer des actions limitées dans des garde-fous définis, tandis que les personnes conservent le pouvoir d’approbation pour les opérations à plus haut risque.

À quoi ressemble le succès :

• Tri automatisé, enrichissement et étapes de remédiation recommandées.
• Réduction de la charge de travail des analystes sur les tâches d’investigation répétitives.
• Approbation humaine dans la boucle pour les actions de confinement et de remédiation.

Indicateurs de préparation :

• Contrôles d’identité et d’accès robustes pour les systèmes d’automatisation.
• Workflows d’escalade et d’approbation bien définis.
• Confiance dans la qualité des données et les intégrations système.

Au stade le plus avancé, l’IA agentique opère dans plusieurs domaines et coordonne les actions avec une intervention minimale de l’analyste, dans les limites établies. Cela permet une orchestration de sécurité de bout en bout dans l’entreprise.

À quoi ressemble le succès :

• Détection, investigation et réponse continues et autonomes dans tous les environnements.
• Coordination interdomaines entre les systèmes de sécurité, d’IT, d’identité et de conformité.
• Les personnes se concentrent sur la gouvernance, la stratégie et la gestion des exceptions.

Indicateurs de préparation :

• Cadres de gouvernance matures pour l’IA et l’automatisation.
• Indicateurs à forte confiance et intégrité des données dans tous les systèmes.
• Forte harmonisation interfonctionnelle entre les équipes de sécurité, d’IT et de conformité.
• Confiance établie dans la prise de décision automatisée, avec auditabilité et supervision.

L’IA agentique en est encore aux débuts de son adoption, mais plusieurs tendances claires façonnent son évolution dans le domaine de la sécurité.

• Équipes rouges autonomes. Les agents IA simuleront de plus en plus le comportement des adversaires pour tester en continu les défenses, identifier les faiblesses et valider les contrôles de sécurité en temps réel.
• Boucles d’agents. L’IA agentique pour les opérations de sécurité deviendra plus continue et auto-améliorée, les agents percevant, agissant et tirant des enseignements des résultats pour affiner la détection et la réponse.
• Conflit cybernétique IA contre IA. À mesure que les cyberattaquants adoptent eux aussi l’IA, les futures cyberopérations pourraient mettre en présence des systèmes agentiques défensifs et offensifs s’affrontant directement.
• Défense prédictive. Au lieu de réagir aux incidents, les systèmes agentiques anticiperont les menaces en analysant les schémas, les données d’exposition et le comportement des attaquants pour empêcher les cyberattaques avant qu’elles ne se produisent.
• Agents IA collaboratifs. Plusieurs agents spécialisés se coordonneront entre différentes tâches, comme la détection, l’investigation, la remédiation et le reporting, pour créer des workflows de sécurité plus évolutifs et plus résilients.
• Le rôle en constante évolution de l’analyste. Les analystes s’éloigneront des tâches répétitives d’investigation et de réponse pour se consacrer à des responsabilités à plus forte valeur, comme la supervision des agents, la conception des stratégies et la gestion stratégique des risques.

Les entreprises peuvent détecter, investiguer et répondre aux menaces sur l’ensemble de leur parc numérique avec une plateforme de sécurité unifiée et optimisée par l’IA de Microsoft. Au centre se trouve Microsoft Security Copilot, une solution de sécurité assistée par l’IA et en langage naturel, qui permet aux analystes de raisonner sur les incidents, de résumer les menaces et de coordonner les actions de réponse dans tous les environnements. Des agents intégrés étendent ces fonctionnalités à l’ensemble des solutions Sécurité Microsoft.

Les équipes de sécurité sont souvent submergées par le volume d’alertes, le tri manuel et des investigations fragmentées. Dans Microsoft Defender XDR, l’IA agentique aide à hiérarchiser les problèmes à haut risque, à investiguer les incidents plus rapidement et à améliorer l’efficacité de la réponse.

• assistant de triage des alertes de sécurité – Priorise les alertes pour réduire le bruit et aider les analystes à se concentrer plus rapidement sur les incidents à haut risque.
• Assistant analyste de sécurité – Investigue les incidents, corrèle les signaux et recommande des actions de réponse pour rationaliser les workflows du SOC.
• Assistant de repérage des menaces – Recherche dans les différents environnements pour découvrir les menaces cachées, les comportements suspects et les schémas d’attaque émergents.
• Assistant de détection dynamique des menaces – Analyse en continu les activités et adapte la logique de détection pour identifier les menaces et les anomalies en évolution.
• Assistant de synthèse de veille des menaces – Résume la veille des menaces en informations exploitables pour que les équipes gardent une longueur d’avance sur les risques émergents.

Ensemble, ces agents aident à réduire les investigations manuelles et à accélérer la réponse aux incidents sur les terminaux, les identités, les e-mails et les charges de travail cloud.

Dans Microsoft Sentinel, Security Copilot aide les analystes à passer d’une investigation manuelle à des workflows pilotés par des invites et des promptbooks en langage naturel. Les analystes peuvent générer du KQL, résumer des incidents, enrichir les entités, analyser les utilisateurs et les appareils, et automatiser les étapes d’investigation via Logic Apps et des promptbooks.

Un agent personnalisé de reporting des incidents Sentinel peut extraire des conclusions d’investigation, des entités, des insights et des étapes de remédiation à partir des incidents. Les promptbooks peuvent aussi automatiser l’analyse des utilisateurs et ajouter directement les conclusions aux journaux d’activité des incidents.

Ces fonctionnalités aident à réduire la rédaction manuelle des requêtes, à améliorer la cohérence des investigations et à faire gagner du temps aux analystes en automatisant les tâches répétitives.

Dans Microsoft Purview, Security Copilot aide les équipes à sécuriser et à gouverner les données dans Gestion de la posture de sécurité des données, la protection contre la perte de données Gestion des risques internes, eDiscovery, Audit et Conformité des communications.

• Assistant de triage de sécurité des données – Priorise les alertes DLP et de risque interne, explique le contexte du risque et peut lancer des workflows de remédiation avec les propriétaires des données.
• Assistant de la posture de sécurité des données – Découvre les données sensibles, identifie les risques cachés et les informations d’identification exposées, améliore l’étiquetage de confidentialité et génère des synthèses prêtes pour les dirigeants.

Ces agents aident les équipes de sécurité à réduire le triage manuel, à hiérarchiser plus rapidement les risques critiques et à renforcer les opérations de sécurité et de conformité des données.

Dans Microsoft Entra, Security Copilot aide les équipes à investiguer les utilisateurs à risque, les connexions inhabituelles, les accès privilégiés et les menaces liées à l’identité. Copilot peut résumer le contexte d’identité, expliquer les signaux de risque et recommander des actions telles que la révocation de session, les révisions d’accès ou l’ajustement des stratégies d’Accès conditionnel.

Les fonctionnalités incluent les agents d’identité et d’accès ainsi que l’identifiant d’assistant Microsoft Entra, qui aide les entreprises à inscrire, gérer et gouverner les identités des agents IA avec des contrôles de gestion du cycle de vie, de gouvernance des accès et de protection des identités.

Ces fonctionnalités aident les entreprises à réduire les risques liés aux identités et à appliquer les principes de Confiance zéro aux identités humaines comme aux identités IA.

Dans Microsoft Intune, Security Copilot aide les équipes de terminaux et le département informatique à comprendre la conformité des appareils, les dérives de configuration, l’exposition aux vulnérabilités et les besoins de remédiation. Copilot peut résumer le risque lié aux appareils, expliquer les problèmes de non-conformité, recommander les étapes suivantes et aider les équipes à répondre plus rapidement.

Les agents de gestion des terminaux aident à automatiser les contrôles de conformité, à investiguer les problèmes des appareils et à guider la remédiation sur les terminaux gérés.

Ces fonctionnalités aident à réduire les investigations manuelles sur les terminaux, à améliorer les opérations de conformité et à corriger plus rapidement les écarts de configuration.

Ensemble, Microsoft Security Copilot et les agents intégrés aident les entreprises à passer d’opérations de sécurité réactives et manuelles à une défense adaptative, assistée par l’IA, qui améliore la protection, la rapidité et l’échelle tout au long du cycle de vie de la sécurité.