Introduction : au-delà du modèle de langage
Avec la généralisation des solutions comme Microsoft Copilot, les Copilot Agents et les architectures agentiques basées sur Azure OpenAI, la compréhension fine de ce qu'est réellement un agent IA est devenue une compétence fondamentale pour les professionnels IT.
Un agent IA n'est pas un simple modèle de langage exposé via une interface. Il constitue un système distribué qui orchestre des modèles de fondation, des mécanismes de mémoire, des outils d'action et des connecteurs vers des systèmes externes. Chaque brique de cette chaîne présente des implications fonctionnelles et sécuritaires qu'il est impératif de maîtriser, que vous soyez architecte solutions, ingénieur IA ou responsable de la cybersécurité.
Périmètre de l'article
Cet article s'appuie sur les patterns architecturaux utilisés dans l'écosystème Microsoft 365 et Azure, notamment les Copilot Agents, Azure AI Foundry et les intégrations MCP. Les principes décrits sont toutefois transversaux à l'ensemble des plateformes agentiques.
Le flux de bout en bout d'un agent IA
L'architecture d'un agent IA suit une chaîne logique et séquentielle. Comprendre ce flux est la première étape pour anticiper les points de défaillance et les vecteurs d'attaque.
De la requête utilisateur à l'action concrète
Voici les étapes clés du traitement agentique :
- Entrée utilisateur : l'utilisateur soumet un objectif, une requête ou une instruction en langage naturel.
- Orchestration : l'agent reçoit cette entrée et joue le rôle de chef d'orchestre. Il décompose l'objectif en sous-tâches, détermine quels outils mobiliser et dans quel ordre.
- Raisonnement (LLM) : le modèle de langage constitue le « cerveau » du dispositif. Il interprète le contexte, raisonne sur les étapes à suivre et génère les instructions ou réponses appropriées.
- Mémoire et contexte : l'agent consulte et met à jour ses différentes couches de mémoire pour maintenir la cohérence des échanges.
- Appel aux outils : selon les besoins, l'agent invoque des outils externes via des connecteurs standardisés.
- Résultat et action : l'agent restitue une réponse, exécute une tâche ou déclenche un processus métier.
1flowchart LR2 U([Utilisateur]) --> O[Orchestrateur / Agent]3 O --> L[LLM - Raisonnement]4 L --> M[(Mémoire)]5 L --> T[Outils & Connecteurs]6 T --> E[Systèmes externes]7 E --> O8 O --> R([Résultat / Action])Astuce architecturale
Dans les implémentations Azure AI Foundry, l'orchestrateur peut être implémenté via Prompt Flow ou Semantic Kernel. Ces frameworks gèrent nativement la planification des sous-tâches et la gestion des erreurs entre les étapes agentiques.
Modèles de fondation et couches de mémoire
Les modèles de fondation
Les modèles de fondation (GPT-4o, Phi-3, Mistral, etc.) fournissent les capacités de compréhension du langage naturel, de raisonnement logique et de génération de contenu. Dans l'écosystème Microsoft, ces modèles sont accessibles via Azure OpenAI Service avec des garanties de résidence des données et de confidentialité des entreprises.
Le choix du modèle impacte directement :
- La qualité du raisonnement en plusieurs étapes (chain-of-thought)
- Les capacités multimodales (texte, image, code)
- La fenêtre de contexte disponible
- Le coût d'inférence par token
Les types de mémoire agentique
La mémoire d'un agent ne se limite pas à l'historique de conversation. Elle se structure en plusieurs niveaux :
| Type de mémoire | Description | Cas d'usage typique |
|---|---|---|
| Mémoire à court terme | Contexte de la session en cours (fenêtre de contexte) | Conversation multi-tours, suivi d'une tâche en cours |
| Mémoire à long terme | Historique persistant entre les sessions | Préférences utilisateur, historique des interactions |
| Mémoire vectorielle / sémantique | Embeddings stockés dans une base vectorielle | Recherche sémantique, RAG sur corpus documentaire |
| Base de connaissances externe | Référentiels structurés ou non structurés | Documentation interne, politiques RH, base de connaissances métier |
Le pattern RAG (Retrieval Augmented Generation)
La mémoire vectorielle est au cœur du pattern RAG, qui permet d'enrichir les réponses du modèle avec des données propriétaires sans nécessiter de fine-tuning. Dans Microsoft 365, ce pattern est notamment mis en œuvre dans Microsoft Copilot via l'index sémantique de Microsoft Graph.
Voici un exemple simplifié d'implémentation RAG avec le SDK Python d'Azure AI Search :
1from azure.search.documents import SearchClient2from azure.core.credentials import AzureKeyCredential3from openai import AzureOpenAI4 5# Initialisation du client Azure AI Search6search_client = SearchClient(7 endpoint="https://<your-search-service>.search.windows.net",8 index_name="knowledge-base",9 credential=AzureKeyCredential("<your-api-key>")10)11 12# Initialisation du client Azure OpenAI13openai_client = AzureOpenAI(14 azure_endpoint="https://<your-openai-resource>.openai.azure.com",15 api_key="<your-api-key>",16 api_version="2024-02-01"17)18 19def rag_query(user_query: str) -> str:20 # Etape 1 : Recherche sémantique dans la base de connaissances21 results = search_client.search(22 search_text=user_query,23 query_type="semantic",24 semantic_configuration_name="default",25 top=326 )27 context = "\n".join([doc["content"] for doc in results])28 29 # Etape 2 : Génération augmentée avec le contexte récupéré30 response = openai_client.chat.completions.create(31 model="gpt-4o",32 messages=[33 {"role": "system", "content": f"Utilisez le contexte suivant pour répondre :\n{context}"},34 {"role": "user", "content": user_query}35 ]36 )37 return response.choices[0].message.contentAttention à l'empoisonnement de la mémoire
Les bases de connaissances et index vectoriels constituent une surface d'attaque critique. Un contenu malveillant injecté dans le corpus (ex. via un document uploadé par un utilisateur) peut influencer les réponses de l'agent à l'ensemble des utilisateurs. Implémentez des pipelines de validation et de classification du contenu avant indexation.
Outils et connecteurs : l'interface avec le monde réel
C'est la capacité d'agir qui distingue fondamentalement un agent IA d'un chatbot conventionnel. Un agent peut invoquer des outils pour interagir avec des systèmes tiers, exécuter du code ou déclencher des workflows métier.
Catalogue des outils agentiques
Voici les catégories d'outils les plus couramment intégrées :
- Recherche et navigation : recherche web (Bing Search API), exploration de contenu en ligne
- Exécution de code : interpréteur Python, scripts PowerShell, sandboxes sécurisées
- Gestion de fichiers : lecture/écriture sur SharePoint, OneDrive, Azure Blob Storage
- Communication : envoi d'e-mails via Microsoft Graph, publication sur Teams
- Données structurées : requêtes SQL, accès à Dataverse, appels vers des APIs REST
- Transactions et automatisation : déclenchement de Power Automate, appels à des systèmes ERP
Le protocole MCP (Model Context Protocol)
Le Model Context Protocol (MCP), initié par Anthropic et rapidement adopté par Microsoft, standardise la façon dont les agents IA se connectent aux outils et aux sources de données. Il définit un contrat d'interface unifié entre l'orchestrateur agentique et les services externes.
1{2 "mcpVersion": "1.0",3 "server": {4 "name": "sharepoint-connector",5 "version": "0.1.0"6 },7 "tools": [8 {9 "name": "search_documents",10 "description": "Recherche des documents dans SharePoint Online",11 "inputSchema": {12 "type": "object",13 "properties": {14 "query": {15 "type": "string",16 "description": "Requête de recherche en langage naturel"17 },18 "site_url": {19 "type": "string",20 "description": "URL du site SharePoint cible"21 }22 },23 "required": ["query"]24 }25 }26 ]27}Dans l'écosystème Microsoft, MCP est désormais supporté nativement dans Azure AI Foundry et dans Copilot Studio, facilitant l'intégration d'outils tiers sans développement de connecteurs propriétaires.
Ressources officielles
Pour approfondir le protocole MCP : modelcontextprotocol.io — Documentation officielle du protocole. Pour les intégrations Microsoft : Azure AI Foundry MCP support.
Sécurité agentique : cartographier la surface d'attaque
Chaque composant de l'architecture agentique représente un vecteur d'attaque potentiel. Ignorer cette réalité lors de la conception expose l'organisation à des risques significatifs.
Les principales menaces par composant
| Composant | Menace principale | Mesure de mitigation |
|---|---|---|
| Entrée utilisateur | Injection de prompt (prompt injection) | Filtrage des entrées, détection de patterns malveillants, sandboxing des instructions |
| LLM / Modèle | Jailbreak, manipulation du raisonnement | System prompts robustes, content safety (Azure AI Content Safety) |
| Mémoire vectorielle | Empoisonnement de données (data poisoning) | Validation du contenu avant indexation, contrôle d'accès aux pipelines d'ingestion |
| Outils d'exécution | Exécution de code malveillant, privilege escalation | Principe du moindre privilège, sandboxes isolées, audit des appels |
| Connecteurs / API | Exfiltration de données, SSRF | OAuth 2.0 avec scopes minimaux, validation des URLs, monitoring des appels sortants |
| Sorties de l'agent | Divulgation d'informations sensibles | Filtrage des sorties, DLP, journalisation des réponses |
Implémenter une défense en profondeur
Définir le périmètre d'autorisation de l'agent
Appliquez le principe du moindre privilège à chaque outil et connecteur. Dans Copilot Studio, configurez explicitement les connecteurs autorisés et les scopes OAuth. Dans Azure AI Foundry, utilisez les Managed Identities pour éviter la gestion de secrets.
1# Exemple : attribution d'un rôle restreint à une Managed Identity pour Azure AI Foundry2New-AzRoleAssignment \3 -ObjectId "<managed-identity-object-id>" \4 -RoleDefinitionName "Cognitive Services User" \5 -Scope "/subscriptions/<sub-id>/resourceGroups/<rg>/providers/Microsoft.CognitiveServices/accounts/<aoai-resource>"Activer Azure AI Content Safety
Azure AI Content Safety permet de filtrer les entrées et les sorties de l'agent en temps réel. Configurez des politiques de détection pour les injections de prompt, le contenu inapproprié et les tentatives d'exfiltration.
1from azure.ai.contentsafety import ContentSafetyClient2from azure.ai.contentsafety.models import AnalyzeTextOptions3from azure.core.credentials import AzureKeyCredential4 5client = ContentSafetyClient(6 endpoint="https://<your-content-safety>.cognitiveservices.azure.com",7 credential=AzureKeyCredential("<your-key>")8)9 10def is_safe_input(user_input: str) -> bool:11 request = AnalyzeTextOptions(text=user_input)12 response = client.analyze_text(request)13 # Bloquer si un score de sévérité dépasse le seuil acceptable14 return all(cat.severity < 2 for cat in response.categories_analysis)Journaliser et monitorer les appels aux outils
Chaque invocation d'outil doit être tracée. Dans Azure, activez les Diagnostic Settings sur Azure OpenAI et configurez l'envoi des logs vers Microsoft Sentinel pour la détection d'anomalies comportementales.
Mettre en place des guardrails sur les sorties
Ne faites pas confiance à la sortie brute du modèle. Implémentez une couche de validation post-génération qui vérifie l'absence de données sensibles (numéros de carte, mots de passe, PII) avant de restituer la réponse à l'utilisateur. Intégrez des règles DLP compatibles avec Microsoft Purview.
Point critique : l'injection de prompt indirecte
L'une des menaces les plus sophistiquées pour les agents IA est l'injection de prompt indirecte : un contenu malveillant intégré dans un document, une page web ou une réponse d'API que l'agent consulte peut modifier son comportement à l'insu de l'utilisateur légitime. Ce vecteur est particulièrement redoutable dans les architectures RAG. Référence : OWASP Top 10 for LLM Applications.
Gouvernance des agents IA en entreprise
La sécurisation technique des composants est nécessaire, mais insuffisante. Une gouvernance structurée des agents IA repose sur trois piliers complémentaires :
- Inventaire et classification : documenter chaque agent déployé, ses sources de données, ses outils et son niveau de sensibilité. Dans Microsoft 365, Microsoft Purview offre des capacités de classification applicables aux agents Copilot.
- Revue de conception (AI Design Review) : intégrer une revue de sécurité dédiée dans le cycle de développement des agents, à l'image d'une Threat Model review pour les applications traditionnelles.
- Monitoring continu : implémenter des alertes sur les comportements anormaux (volume inhabituel d'appels API, accès à des données hors périmètre, latences anormales) via Microsoft Sentinel et les workbooks Azure Monitor.
Conclusion
Comprendre l'architecture d'un agent IA dans sa globalité — du modèle de fondation aux connecteurs en passant par les couches de mémoire — est un prérequis indispensable pour tout professionnel IT impliqué dans la conception, le déploiement ou la sécurisation de ces systèmes.
La surface d'attaque d'un agent est proportionnelle à ses capacités : plus il est puissant et intégré, plus il expose de vecteurs de compromission potentiels. Cette réalité ne doit pas freiner l'adoption, mais inciter à adopter une démarche de sécurité by design dès les premières phases du projet.
Les équipes qui investissent dès maintenant dans la compréhension de ces architectures et dans la mise en place de contrôles adaptés seront mieux positionnées pour tirer parti des gains de productivité offerts par les agents IA, sans compromettre la posture de sécurité de leur organisation.
