Qu’est-ce qu’un SOC agentique ? Les agents IA dans les opérations de sécurité

Qu’est-ce qu’un SOC agentique ?

En novembre 2025, l’entreprise d’IA Anthropic a révélé ce qu’elle a qualifié de première campagne de cyberespionnage orchestrée par l’IA jamais signalée. Anthropic a estimé avec un haut degré de confiance qu’un groupe soutenu par l’État chinois avait manipulé son outil Claude Code pour lui faire exécuter 80 à 90 % de l’opération visant une trentaine de cibles. Au plus fort de l’opération, l’IA a effectué des milliers de requêtes, souvent plusieurs par seconde, à un rythme qu’Anthropic juge hors de portée des pirates informatiques. Anthropic a conseillé aux équipes de sécurité d’expérimenter l’IA à des fins de défense, notamment pour automatiser les centres opérationnels de sécurité (SOC), détecter les menaces et répondre aux incidents.

Ce conseil mène directement au SOC agentique. Un SOC agentique est un centre des opérations de sécurité dans lequel les agents IA planifient et exécutent le traitement des alertes et des incidents en plusieurs étapes, dans un cadre défini. Les analystes supervisent les décisions et tranchent les questions qui exigent leur jugement. Les agents accomplissent les tâches que vous effectuez aujourd’hui manuellement : récupérer l’historique des hôtes, corréler les journaux d’identité avec la télémétrie des endpoints, tester des hypothèses et réunir les preuves pour établir une conclusion avant même qu’un analyste n’ouvre le dossier.

Le terme « agentique » a ici un sens précis. Dans un article publié sur le blog d’ISACA, Richard Beck, de QA, prend pour exemple la plateforme open source OpenClaw. Ses agents appellent des modèles IA, décomposent les tâches complexes, en délèguent certaines à des sous-agents, se connectent à des outils internes et externes et peuvent fonctionner toute la nuit sans supervision. Deux technologies que vous utilisez déjà permettent de cerner l’apport des agents au fonctionnement du SOC :

• Les copilotes d’IA générative attendent vos instructions et vous laissent prendre les décisions : un agent lance et termine le travail de manière autonome, dans un cadre défini.
• Les playbooks d’orchestration, d’automatisation et de réponse de sécurité (SOAR) exécutent les étapes que vous avez définies à l’avance : les agents analysent les alertes non prévues par les playbooks, s’adaptent au contexte et sollicitent les analystes en cas d’incertitude.

Les copilotes accélèrent le travail des analystes, et les playbooks accélèrent la réponse. Les agents prennent en charge l’investigation entre les deux : ils planifient leurs étapes, s’adaptent au contexte et produisent des conclusions qu’un humain peut vérifier.

Selon les prévisions de Gartner, 40 % des applications d’entreprise intégreront des agents IA spécialisés d’ici fin 2026, contre moins de 5 % en 2025. Les outils de sécurité suivent la même évolution : les agents arriveront dans votre SOC, que vous l’ayez prévu ou non. Ce guide explique le fonctionnement d’un SOC agentique, ses bénéfices, ses limites et la gouvernance nécessaire pour encadrer les agents.

Le rôle du SOC agentique en cybersécurité

Lors du SANS Cloud Security Exchange Summit 2026, Wesley Kuzma, de Microsoft, et Chris Cochran, de SANS, ont décrit cette transformation sans détour. Pendant des décennies, les frameworks de sécurité reposaient sur le principe selon lequel « les humains prennent les décisions, les machines les exécutent ». Les systèmes agentiques inversent ce modèle. Dans un SOC agentique, vos analystes ne passent plus leurs journées à traiter les files d’alertes de niveau 1. Ils supervisent et orchestrent : ils valident les conclusions des agents, apportent le contexte métier, chassent les menaces et encadrent les agents eux-mêmes.

Le SOC agentique est un modèle opérationnel. La page de SentinelOne consacrée à l’Autonomous SOC décrit son aboutissement : détection, investigation agentique et réponse sur une même plateforme, tandis que les analystes gardent la main sur les décisions majeures. Cet article sur la stratégie de SOC agentique explique pourquoi la capacité d’investigation est devenue le principal frein du SOC.

Les composants essentiels d’un SOC agentique

Le framework AgentSOC, proposé dans une étude publiée en 2026, organise le SOC agentique en trois couches reliées en boucle fermée : perception, raisonnement agentique, puis action et playbooks. Les réponses à fort impact sont soumises à l’approbation des analystes. Les sections suivantes s’appuient sur ce modèle pour montrer ce que les agents perçoivent, comment ils raisonnent et qui garde le contrôle.

Les couches de données et de raisonnement

Les couches fondamentales définissent ce que les agents peuvent voir et comment ils exploitent cette visibilité. Chaque couche transmet des données structurées à la suivante :

• Couche de perception : Elle normalise les alertes et les journaux des outils de sécurité, des contrôles cloud et des systèmes d’exploitation, puis les enrichit avec le contexte des actifs et des identités pour constituer des dossiers d’incident structurés.
• Couche de raisonnement agentique : Elle utilise un grand modèle de langage (LLM) pour formuler des hypothèses d’attaque, puis les confronte à la topologie de votre environnement et aux chemins d’accès privilégiés avant de classer les réponses possibles selon leur risque.
• Couche d’action et de playbooks : Élabore des playbooks de réponse, soumet les actions à fort impact à l'approbation d'un analyste et automatise l'exécution des actions moins risquées.

Ensemble, ces couches créent une boucle opérationnelle qui transforme la télémétrie brute en opérations de sécurité explicables : des données structurées, des hypothèses vérifiées et des étapes de réponse étayées par leurs preuves.

Couches d'orchestration et de contrôle

Vous gardez le contrôle opérationnel d'un système multi-agents en définissant comment les agents se coordonnent, quelles informations contextuelles ils conservent et quand une décision doit être soumise à une personne :

1. Des agents spécialisés assurent des rôles précis : Chaque agent traite la télémétrie des endpoints, l'analyse des identités et la corrélation des logs cloud, tandis qu'un orchestrateur supervise et coordonne leur travail.
2. Contexte et mémoire partagés : Les agents échangent des résultats structurés via des couches de mémoire ou des graphes de connaissances. L'état de l'investigation est ainsi conservé lors des transferts.
3. Contrôles avec intervention humaine : Les étapes d'approbation laissent aux analystes la maîtrise des décisions importantes, comme dans LanG, une plateforme de recherche de 2026 dont le pipeline SOC s'arrête à deux étapes obligatoires d'approbation par un analyste.
4. Mécanismes d'interopérabilité : Ils définissent comment les agents se connectent aux outils et partagent le contexte lorsqu'ils délèguent des tâches.

Cet état partagé rend les workflows de sécurité multi-agents auditables. Traitez les agents IA du SOC comme des opérateurs soumis à des règles de gouvernance : leur fiabilité dépend de la façon dont ces composants fonctionnent ensemble.

Comment fonctionne un SOC agentique

L'IA agentique dans les opérations de sécurité suit une boucle décisionnelle, de la réception des alertes à la réponse. Les agents de triage ingèrent chaque alerte, écartent les faux positifs, enrichissent le contexte et attribuent dynamiquement une priorité. Aucune alerte ne reste en file d'attente jusqu'à l'arrivée d'un analyste de nuit.

Les agents d'investigation dotés d'un accès aux outils mènent ensuite plusieurs investigations en parallèle : récupération du contexte des alertes, recherche dans l'historique des hôtes et des utilisateurs, exécution d'artefacts en environnement contrôlé et renseignement sur les menaces mis en corrélation. L'analyste de Forrester Allie Mellen décrit comment une telle chaîne pourrait fonctionner. Un agent de triage du phishing confirme une véritable menace. Des agents de triage et d'investigation des endpoints vérifient si l'attaque a abouti et si des privilèges ont été élevés. Un agent de réponse sur les endpoints transmet alors à l'analyste le contexte nécessaire pour décider.

Les agents de réponse passent ensuite de la recommandation à l'exécution des actions approuvées, dans le respect des politiques et sous surveillance. Ils sollicitent une intervention humaine en cas d'incertitude ou d'exception à une politique. Dans les opérations de sécurité avec intervention humaine, les analystes examinent et approuvent les décisions importantes des agents. L'autonomie reste ainsi encadrée par les politiques.

La supervision humaine fait partie intégrante de l'architecture. Un projet de guide de mise en œuvre de la Cloud Security Alliance (CSA) recommande un examen humain immédiat des alertes concernant les comptes à privilèges et les infrastructures critiques, des nouveaux schémas de corrélation dans l'environnement, des conclusions de malveillance établies avec un haut degré de confiance et des scores de confiance inférieurs à un seuil défini. Dans ce modèle, l'agent mène l'investigation et formule des recommandations. Les analystes examinent les preuves et autorisent toute action ayant un effet externe.

L'IA agentique apporte une réelle valeur aux opérations de sécurité quand chaque étape produit des preuves réutilisables à la suivante.

Principaux avantages d'un SOC agentique

Les avantages d'un SOC agentique se répartissent en deux catégories : une couverture et une régularité accrues dans le traitement des alertes, et des résultats mesurables pour les analystes et l'entreprise.

Couverture et régularité accrues

La couverture agentique commence par les alertes que vos workflows actuels laissent de côté : dans un SOC agentique, chaque alerte fait l'objet d'une investigation. Le SOAR traditionnel ne couvre que les catégories d'alertes pour lesquelles vous avez créé des playbooks. Les agents analysent aussi les alertes sans playbook, là où peuvent se cacher des intrusions passées inaperçues.

Cette régularité se maintient à la vitesse machine : les agents recueillent les preuves avec la même rigueur à 14 h et à 2 h, sans prendre les raccourcis que la fatigue peut entraîner pendant le service de nuit.

Résultats pour les analystes et l'entreprise

Une couverture et une régularité accrues se traduisent directement par des résultats suivis par votre direction : du temps rendu aux analystes, des collaborateurs juniors plus efficaces et une évolution mesurable des coûts liés aux compromissions.

• Du temps rendu aux analystes : Quand les agents prennent en charge l'enrichissement et la corrélation, vos analystes expérimentés se consacrent aux décisions importantes et à la chasse aux menaces.
• Des collaborateurs juniors plus efficaces : Le contexte généré par l'IA et les recommandations étayées par un raisonnement donnent aux collaborateurs de niveau 1 les moyens de prendre des décisions qui exigeaient auparavant des années d'expérience. C'est un réel avantage sur un marché où l'étude Cybersecurity Workforce Study 2025 d'ISC2 documente des besoins croissants en compétences en cybersécurité.
• Coûts liés aux compromissions : Le rapport 2026 sur le coût d'une violation de données d'IBM révèle que les organisations qui utilisent largement l'IA et l'automatisation pour leur sécurité ont économisé en moyenne 1,93 million USD par violation, par rapport à celles qui ne les utilisent pas.

Le point commun, c'est le temps. Les agents réduisent le délai entre l'alerte et le verdict, et l'organisation réaffecte ce temps à l'analyse, à la chasse aux menaces et aux décisions à fort enjeu.

Les risques d'un SOC agentique

L'autonomie agentique introduit ses propres catégories de risques. Les risques de fiabilité et d'explicabilité se situent dans le processus d'investigation, tandis que les risques liés à la sécurité des agents et aux équipes l'entourent.

Risques de fiabilité et d'explicabilité

Le risque de fiabilité augmente quand l'erreur d'un agent devient une donnée d'entrée pour un autre. Lors du SANS Cloud Security Exchange Summit 2026, Leo Meyerovich, CEO de Graphistry, a montré à quelle vitesse les erreurs se multiplient d'une tâche à l'autre. Une IA précise à 70 % à chaque étape d'une investigation en 10 tâches laisse 97 % des cas inachevés. Ce calcul montre pourquoi la précision de chaque tâche doit être élevée avant de pouvoir faire confiance au résultat global.

Les agents qui ne peuvent pas expliquer leur raisonnement créent un risque de non-conformité et compliquent la correction des comportements problématiques. Le NIST AI Risk Management Framework (AI RMF) souligne l'importance de la gouvernance, de la responsabilité et de la transparence tout au long du cycle de vie des systèmes IA. Un verdict inexpliqué compromet ces trois principes.

Les problèmes d'infrastructure et de qualité des données freinent les programmes d'IA agentique. Des agents qui raisonnent à partir de données de télémétrie incomplètes ou non normalisées produisent des réponses erronées avec assurance.

Risques liés à la sécurité des agents et aux équipes

L'autonomie des agents est utile, mais elle ouvre aussi de nouvelles voies aux attaquants et aux erreurs opérationnelles, à commencer par les agents eux-mêmes :

1. Attaques ciblant les agents : Le Top 10 de l'OWASP pour les applications agentiques 2026, une liste évaluée par les pairs de l'Open Worldwide Application Security Project (OWASP), classe les risques de sécurité les plus critiques des systèmes d'IA autonomes et agentiques. Il inclut des menaces qui n'apparaissent que lorsque l'IA peut agir, comme le détournement des objectifs d'un agent (ASI01), la mauvaise utilisation des outils (ASI02) et l'abus d'identité et de privilèges (ASI03). Sécuriser l'IA agentique, c'est aussi protéger les agents eux-mêmes contre les manipulations adverses.
2. Risques opérationnels et de gouvernance : La CISA, la NSA et leurs agences partenaires des Five Eyes avertissent, dans des recommandations conjointes publiées en 2026, que les systèmes agentiques peuvent créer « une surface d'attaque élargie, une accumulation des privilèges, des comportements non alignés et des journaux d'événements difficiles à interpréter ». Gartner, de son côté, avertit qu'une gouvernance uniforme de tous les agents IA mènera à l'échec et recommande d'adapter les contrôles au niveau d'autonomie de chaque agent.
3. Érosion des compétences : Si les agents prennent en charge tout le travail de niveau 1 et 2, les analystes débutants n'acquièrent jamais les réflexes nécessaires pour devenir des analystes expérimentés.

La sécurité de l'IA agentique exige aussi de surveiller le comportement des agents avec la même rigueur que celui des utilisateurs, des workloads et des endpoints. Un agent compromis hérite de toutes les autorisations que vous lui avez accordées. Chacun de ces risques correspond à un contrôle que vous pouvez mettre en place avant qu'un agent n'accède à la production.

Erreurs courantes lors de l'adoption d'un SOC agentique

Les échecs d'adoption suivent des schémas reconnaissables. Les erreurs de gouvernance ci-dessous découlent d'une autonomie sans limites. Les erreurs liées aux données et à la modélisation des menaces proviennent de fondations fragiles.

Erreurs de gouvernance

L'erreur de gouvernance la plus coûteuse consiste à déployer des agents sans définir de limites d'escalade. Ils peuvent alors intervenir dans des domaines aux contours flous ou prendre des décisions irréversibles sans piste d'audit pour reconstituer les faits. Définissez les zones de confiance et les seuils d'escalade avant le déploiement. Autre erreur : maximiser l'autonomie sans discernement. Confiez aux agents les tâches répétitives à fort volume et réservez aux humains les décisions qui exigent du jugement.

Erreurs liées aux données et à la modélisation des menaces

S'appuyer sur une télémétrie défaillante amplifie toutes les autres erreurs. Des agents déployés sur des données de mauvaise qualité multiplient les hallucinations et les erreurs. Normalisez d'abord les données. Sans modélisation des menaces, les agents en production restent hors de toute cartographie. Le framework MAESTRO (Multi-Agent Environment, Security, Threat, Risk, and Outcome) de la CSA comble cette faille en cartographiant les menaces de l'IA agentique sur sept couches, des modèles fondamentaux à l'écosystème élargi des agents. Considérer la validation humaine comme facultative revient à ignorer le consensus des principaux frameworks. Le NIST AI RMF préconise de définir, d'évaluer et de documenter les processus de supervision humaine. Les recommandations Careful Adoption of Agentic AI Services confient aux concepteurs et aux opérateurs des systèmes la décision de déterminer quand une approbation humaine est nécessaire. Le guide OWASP Agentic AI Threats and Mitigations recommande une supervision humaine pour les actions à fort impact des agents. Les actions irréversibles, comme la mise hors ligne d'un serveur de production, nécessitent toujours une validation humaine. Enfin, négliger l'accompagnement des analystes freine l'adoption. Les agents doivent être intégrés aux processus, et les analystes doivent acquérir de nouvelles compétences de supervision.

Bonnes pratiques pour un SOC agentique

Une approche solide associe un déploiement progressif, soumis à validation, à une gouvernance fondée sur des preuves. Le premier volet encadre les actions des agents. Le second démontre que leurs décisions méritent votre confiance.

Contrôles de déploiement et d'approbation

La rigueur du déploiement détermine si les agents gagnent la confiance des analystes. Commencez avec un périmètre restreint, soumettez toute action à conséquences à validation et attribuez à chaque catégorie d'alerte un niveau d'autonomie justifié par les résultats.

• Déployez par étapes : Suivez le l’approche progressive des agences des Five Eyes. Commencez par des cas d’usage clairement définis, peu risqués et non sensibles. Validez les contrôles à chaque étape avant d’élargir le périmètre.
• Soumettez les actions à fort impact à validation : Exigez une approbation humaine à des points de décision définis pour toute action irréversible, réglementée ou ayant un impact significatif sur les clients.
• Ajustez l’autonomie selon la catégorie d’alerte : Une alerte de phishing courante et une anomalie liée à un compte privilégié exigent des niveaux d’intervention humaine différents, selon un format d’audit cohérent.

Un périmètre élargi par étapes, des validations humaines et une autonomie adaptée à chaque catégorie d’alerte permettent de revenir sur les premiers déploiements. Si un agent se trompe, l’impact reste limité et la marche à suivre pour corriger l’erreur reste claire.

Gouvernance et mesure fondées sur des preuves

La mesure et la modélisation des menaces maintiennent la gouvernance ancrée dans les faits au fil du temps. Elles produisent aussi les preuves que demanderont les auditeurs, les conseils d’administration et vos propres analystes.

• Exigez un raisonnement étayé par des sources : Chaque verdict d’agent doit inclure des preuves et des références. Les conclusions inexplicables sont inacceptables dans un SOC.
• Modélisez les menaces visant les agents : Évaluez l’architecture de vos agents au regard de MAESTRO et soumettez-la à des tests red team avant la mise en production, en vous appuyant sur la note de recherche de la CSA sur les recommandations du NIST relatives aux tests red team des agents IA et sur les actions de test red team décrites dans le profil du NIST sur l’IA générative (NIST AI 600-1).
• Définissez d’abord la gouvernance : Avant le déploiement, définissez des politiques d’accès des agents, des conditions d’autonomie et un suivi continu dans le cadre de la fonction GOVERN du NIST AI RMF.
• Mesurez les résultats, pas l’activité : Ne mesurez plus le succès au nombre d’alertes, mais au délai moyen de détection (MTTD) et au délai moyen de réponse (MTTR). Examinez en continu les décisions des agents, comme vous accompagneriez une nouvelle recrue.

À mesure que vous intégrez des agents IA au SOC, ces pratiques font de la supervision humaine un principe de conception des opérations de sécurité dès le départ. Elles supposent aussi une plateforme conçue pour des opérations agentiques gouvernées. SentinelOne a conçu son architecture précisément autour de cette exigence.

Construisez un SOC agentique avec SentinelOne

La Singularity™ Platform unifie la télémétrie des outils de sécurité des endpoints, des identités, du cloud et de sécurité de l’IA dans une console unique, avec une couche de données commune et un moteur Behavioral AI. Les agents raisonnent à partir d’une télémétrie normalisée selon l’Open Cybersecurity Schema Framework (OCSF). Cela répond au problème de qualité des données qui bloque généralement les projets agentiques.

Purple AI™ est l’analyste de sécurité IA agentique de SentinelOne. Sa capacité Agentic Investigation traite une alerte de sa réception au verdict, sans investigation manuelle : elle rassemble des preuves issues de l’ensemble des systèmes, synthétise les données sur les menaces, reconstitue la chronologie des attaques en temps réel et fournit des verdicts explicables sous la supervision d’un analyste. Elle consigne aussi le contexte des alertes, les synthèses et les prochaines étapes dans les Investigation Notebooks. Chaque verdict s’accompagne ainsi de ses preuves. Le rapport d’IDC d’avril 2025 Business Value of SentinelOne’s Purple AI indique que les clients de Purple AI ont identifié les menaces 63 % plus vite et y ont remédié 55 % plus vite.

Singularity Hyperautomation est l’outil de workflows de réponse sans code de SentinelOne pour les environnements Singularity. Il intègre des étapes de validation humaine pour les décisions à fort impact. Singularity Hyperautomation est inclus avec Singularity AI SIEM et disponible en option pour les autres produits SentinelOne. Purple AI fournit le verdict de l’investigation, puis Singularity Hyperautomation exécute la réponse conformément aux politiques préalablement approuvées. Tous deux exploitent les alertes et le contexte que votre équipe utilise déjà.

Latio, cabinet indépendant de recherche et de conseil spécialisé dans les opérations de sécurité, a désigné SentinelOne leader des plateformes SOC dans son rapport 2026 sur le marché des opérations de sécurité.

Si vous gérez un SOC submergé d’alertes ou présentez au conseil d’administration l’utilisation de l’IA dans les opérations de sécurité, demandez une démo de SentinelOne pour découvrir comment mener des investigations agentiques gouvernées sur votre propre volume d’alertes.

Le premier SIEM AI du secteur

Ciblez les menaces en temps réel et rationalisez les opérations quotidiennes avec le SIEM AI le plus avancé au monde de SentinelOne.

Conclusion

Un SOC agentique confie aux agents IA le traitement des alertes, du triage à la réponse, sous supervision humaine. Les agents raisonnent au-delà des playbooks. Mais les erreurs qui s'accumulent et les verdicts opaques exigent des règles d'escalade, des pistes d'audit et un déploiement progressif.

Les équipes qui associent autonomie encadrée et données fiables réduisent de façon mesurable les délais d'investigation et de remédiation. Leurs analystes se consacrent à ce que seuls les humains peuvent faire : exercer leur jugement, traquer les menaces et prendre les décisions les plus importantes.