Alors que les organisations accélèrent l’adoption de l’IA, nombreuses sont celles qui se tournent vers l’IA générative (GenAI) comme pierre angulaire de leur stratégie de sécurité.
Mais selon Melissa Ruzzi, directrice de l’IA chez AppOmni, s’appuyer uniquement sur la GenAI pourrait créer davantage de lacunes qu’elle n’en résout.
« La GenAI est non déterministe et axée sur le langage : ce n’est donc pas l’outil le plus approprié dans certains cas », a expliqué Ruzzi dans un e-mail adressé à eSecurityPlanet.
Elle a ajouté : « C’est comme remplacer une calculatrice par un dé lorsque l’on veut additionner des nombres. »
Son point de vue reflète une prise de conscience croissante dans le secteur : aussi puissante soit-elle, la GenAI ne constitue qu’un élément d’une boîte à outils d’IA bien plus vaste, nécessaire pour gérer efficacement les enjeux actuels de la cybersécurité.
Pourquoi la GenAI ne suffit pas en matière de sécurité
Les équipes de sécurité sont confrontées à un volume et à une complexité des données sans précédent, avec des millions de signaux générés dans les environnements cloud, les plateformes SaaS et les terminaux.
Si la GenAI peut aider à résumer et à interpréter les données, elle peine à accomplir les tâches déterministes, les analyses mathématiques approfondies et les corrélations à grande échelle.
Ruzzi a souligné que la réussite d’une stratégie de sécurité fondée sur l’IA dépend moins de la sophistication des modèles que de la capacité des équipes à combiner différentes approches. « La connaissance du domaine de la sécurité, et non des algorithmes d’IA sophistiqués, est le principal facteur de réussite », a-t-elle déclaré.
Cela signifie que les organisations doivent dépasser l’idée selon laquelle les grands modèles de langage seuls peuvent résoudre les problèmes de sécurité, et adopter à la place une approche plus équilibrée intégrant l’apprentissage automatique traditionnel, les statistiques et la science des données.
Pourquoi la GenAI peine avec les données de sécurité brutes
L’une des principales limites de la GenAI dans le domaine de la sécurité tient à sa dépendance au langage et aux résultats probabilistes. Lorsqu’elle est appliquée à des données de sécurité brutes dépourvues de contexte ou de structure, elle peut produire des résultats génériques, voire trompeurs.
Ruzzi a souligné que l’injection de grands volumes de données non affinées dans les systèmes de GenAI limite souvent leur efficacité. Sans données propres et de haute qualité, ainsi qu’un contexte métier approprié, les résultats de l’IA manquent de profondeur pour fournir des informations exploitables.
C’est pourquoi de nombreuses organisations commencent à repenser leurs stratégies — en passant d’approches centrées sur la GenAI à des cadres d’IA plus intégrés.
Appliquer la bonne IA au bon problème
Pour tirer une valeur concrète de l’IA, les organisations doivent appliquer les bons outils aux bons problèmes. Cela implique de combiner :
- Apprentissage automatique traditionnel pour détecter les schémas et identifier les anomalies.
- Statistiques avancées pour l’analyse quantitative et le scoring du risque.
- GenAI et agents d’IA pour la compréhension contextuelle, la synthèse et l’automatisation des flux de travail.
Cette approche à plusieurs niveaux permet aux équipes de combler le fossé entre l’analyse numérique et la compréhension contextuelle — ce qu’aucune méthode d’IA unique ne peut accomplir seule.
Ruzzi a également souligné que le risque de sécurité est intrinsèquement contextuel.
Il ne s’agit pas seulement de détecter les anomalies, mais de comprendre les relations — par exemple la manière dont les autorisations d’un utilisateur interagissent avec les données sensibles et les configurations des systèmes.
La combinaison de plusieurs techniques d’IA permet d’établir des corrélations plus approfondies et une évaluation des risques.
Comment utiliser efficacement l’IA au sein des équipes de sécurité
Les organisations qui cherchent à rendre l’IA opérationnelle dans la cybersécurité doivent se concentrer sur plusieurs domaines clés.
Privilégier la qualité des données à la complexité des modèles
L’efficacité des systèmes d’IA ne peut dépasser celle des données sur lesquelles ils reposent.
Des jeux de données propres et complets — comprenant les journaux d’audit, les configurations et la télémétrie des API — sont bien plus précieux que l’adoption de modèles toujours plus complexes.
Une mauvaise qualité des données entraîne des hallucinations et des résultats peu fiables, quel que soit le modèle utilisé.
Passer du tri des alertes aux analyses narratives
Les équipes de sécurité sont submergées par les alertes. Plutôt que d’utiliser l’IA pour examiner les problèmes un par un, les organisations devraient l’exploiter pour faire émerger des schémas pertinents et hiérarchiser ce qui compte le plus.
Cela permet aux analystes de se concentrer sur les risques à fort impact plutôt que de passer au crible le bruit.
Relier l’analyse numérique et l’analyse contextuelle
Les modèles purement statistiques manquent de contexte, tandis que la GenAI manque de précision dans l’analyse numérique.
Les combiner permet de mieux comprendre les risques, en reliant le comportement, les autorisations et la sensibilité des données.
Automatiser les tâches répétitives d’évaluation des risques
L’IA peut réduire le travail manuel en automatisant les corrélations et en identifiant des risques complexes — comme les élévations de privilèges non autorisées ou les configurations obsolètes.
Cela aide les équipes à passer d’une investigation réactive à une réponse proactive, en réduisant le délai de remédiation de plusieurs semaines à quelques minutes.
Construire des programmes de sécurité de l’IA plus intelligents
Alors que l’IA continue de transformer la cybersécurité, le secteur évolue vers des approches plus intégrées et pragmatiques.
L’accent se déplace : il ne s’agit plus de rechercher les modèles les plus avancés, mais de bâtir des systèmes qui combinent plusieurs techniques d’IA et une solide expertise métier.
Cette évolution reflète également une tendance plus large : l’IA devient essentielle pour suivre le rythme des menaces modernes, mais son efficacité dépend de la manière dont elle est mise en œuvre.
Les organisations qui considèrent l’IA comme une solution autonome risquent de surdimensionner leurs systèmes tout en n’atteignant pas leurs objectifs, tandis que celles qui l’intègrent judicieusement à leurs flux de travail existants en tireront le plus de valeur.
En définitive, la GenAI ne remplace pas les méthodes traditionnelles — elle les prolonge.
À mesure que les équipes de sécurité affinent leurs stratégies, l’objectif n’est pas de s’appuyer sur un outil unique, mais de bâtir une approche cohérente de l’IA qui équilibre automatisation, précision et jugement humain.
Comme le montrent les analyses de Ruzzi, l’avenir de la cybersécurité ne consiste pas seulement à adopter l’IA — il s’agit d’utiliser la bonne combinaison d’outils, de données et d’expertise pour la rendre efficace.