Risque caché dans l’entreprise hybride
La croissance du cloud computing, l’adoption du SaaS, le travail à distance et les achats décentralisés ont rendu le parc technologique plus dynamique et plus difficile à gouverner.
Les appareils se connectent en dehors des frontières réseau traditionnelles. Les applications sont acquises par les unités métier. Les ressources cloud peuvent apparaître ou disparaître rapidement. Les collaborateurs introduisent de nouveaux services pour résoudre des problèmes métier immédiats. Les informations opérationnelles se répartissent entre des outils gérés par l’IT, la sécurité, la finance, les achats et les différentes lignes métier.
L’IA amplifie également le paysage des cybermenaces, en abaissant les barrières à l’entrée et en permettant aux attaquants de déployer des tactiques connues avec plus de rapidité, de portée et de sophistication. Dans l’enquête Gartner 2025 menée auprès de 302 responsables cybersécurité, 62 % ont indiqué que leur organisation avait subi une attaque par deepfake impliquant de l’ingénierie sociale ou l’exploitation de processus automatisés.
Dans le même temps, les organisations intègrent rapidement l’intelligence artificielle au travail quotidien. L’IA peut aider les équipes à analyser des incidents, traiter de grands volumes d’informations, produire des rapports, recommander des actions et coordonner des workflows. Pourtant, la confiance dans les informations qui soutiennent ces initiatives n’a pas progressé au même rythme que l’ambition de les déployer.
L’étude 2025 Outlook: Data Integrity Trends and Insights, menée par Precisely et l’Université Drexel, illustre l’ampleur du défi. Seules 12 % des organisations interrogées ont déclaré que leurs données présentaient une qualité et une accessibilité suffisantes pour une mise en œuvre efficace de l’IA. Deux tiers (67 %) ne faisaient pas entièrement confiance aux données utilisées pour la prise de décision, tandis que 62 % ont identifié le manque de gouvernance des données comme le principal défi lié aux données freinant les initiatives d’IA.
Le défi n’est plus de savoir si les organisations disposent de suffisamment de données opérationnelles. Il s’agit de déterminer si les personnes et l’IA peuvent identifier quelles informations sont à jour, faisant autorité, connectées et suffisamment fiables pour agir. À mesure que l’IA s’intègre aux workflows opérationnels, la qualité des décisions dépend de plus en plus de la qualité du contexte qui les sous-tend.
Pour les responsables IT, toutefois, ce défi se concrétise dans les questions opérationnelles auxquelles les équipes doivent répondre chaque jour :
- Cet appareil est-il actif et géré ?
- Quelle version du logiciel est réellement installée ?
- À qui appartient le terminal ?
- La vulnérabilité signalée est-elle toujours présente ?
- L’appareil est-il en état de recevoir un correctif ?
- La remédiation risque-t-elle d’interrompre un collaborateur, un incident en cours ou un processus métier critique ?
- L’action a-t-elle abouti ?
Les réponses dont les équipes ont besoin peuvent être réparties entre les systèmes d’achats, de gestion des terminaux, d’inventaire logiciel, de gestion des services, de sécurité et d’expérience collaborateur. Lorsque ces systèmes ne concordent pas, les équipes doivent valider quelles informations sont à jour et font autorité avant de pouvoir agir.
Si cette incertitude a toujours créé des frictions, l’IA en accroît les conséquences : les informations fragmentées ou contradictoires n’affectent plus seulement l’analyse humaine ; elles deviennent un contexte pour les assistants, les modèles, l’automatisation et les agents.
L’IA amplifie ce sur quoi elle s’appuie
L’IA peut analyser les informations opérationnelles plus rapidement que les équipes humaines, mais la vitesse ne réconcilie pas les enregistrements contradictoires et n’établit pas de sources de vérité.
Un même ordinateur portable peut apparaître sous plusieurs enregistrements dans les outils de découverte, de gestion des terminaux, de gestion des services et de sécurité. Son propriétaire indiqué peut avoir changé. Un système peut le classer comme actif tandis qu’un autre ne l’a pas vu depuis des semaines. Un scanner de vulnérabilités peut identifier une exposition sans confirmer si le logiciel concerné est toujours installé ou si une tentative de remédiation précédente a réussi.
Une expérience IA peut produire, à partir de ces informations, une recommandation fluide et techniquement plausible. Mais lorsque le contexte sous-jacent est incertain, la recommandation peut ne pas être fiable sur le plan opérationnel. L’IA peut alors traiter et propager cette incertitude à grande vitesse, amplifiant ses conséquences dans les rapports, les workflows et les actions.
Le risque augmente à mesure que l’IA entre dans l’organisation par davantage de canaux. Si certaines expériences fonctionnent dans le cadre de contrôles établis, d’autres (par exemple, des assistants choisis par les collaborateurs ou des agents connectés sans supervision suffisante) peuvent opérer en dehors de ces contrôles, créant ce que l’on appelle couramment l’IA fantôme.
Shadow AI 2025 de Google Cloud montre que le risque dépasse l’utilisation d’outils d’IA grand public par les collaborateurs. Il inclut également l’IA de niveau entreprise adoptée sans supervision adéquate de l’organisation et les « agents fantômes » capables d’accéder aux informations, d’effectuer des tâches ou d’interagir avec des systèmes sans contrôle de l’IT.
Cela crée une préoccupation immédiate en matière de protection des données, car des informations sensibles peuvent être partagées avec des outils que l’organisation ne peut ni observer ni gouverner. Cela crée également un problème de cohérence opérationnelle. Sans compréhension partagée de ce qui fait autorité, différentes expériences IA peuvent utiliser des enregistrements différents, fonctionner avec des autorisations différentes et aboutir à des conclusions différentes.
La gouvernance doit aller au-delà du modèle d’IA
IBM révèle, dans son étude 2025 sur les violations de données, à quel point ces lacunes de gouvernance persistent. Son étude portant sur 600 organisations victimes de violations dans 17 secteurs a montré que 63 % ne disposaient pas de politique de gouvernance de l’IA ou étaient encore en train d’en élaborer une. Parmi les organisations dotées de politiques de gouvernance de l’IA, seules 34 % auditaient régulièrement l’IA non autorisée. IBM a également fait état d’un coût moyen mondial des violations de 4,44 millions de dollars en 2025.
Ces résultats montrent pourquoi les organisations ne peuvent pas gouverner l’IA approuvée uniquement au niveau du modèle ou de l’interface. Elles doivent également gouverner le contexte opérationnel qu’elles fournissent à l’IA.
La réponse ne consiste pas simplement à donner à l’IA accès à davantage de données. Elle consiste à établir une base qui aide les expériences IA approuvées à comprendre quelles données sont réelles, ce qu’elles signifient et ce qu’elles sont autorisées à en faire.
La confiance dans l’IA se construit en amont
L’IA ne peut pas établir la confiance à elle seule. Même un modèle sophistiqué peut raisonner avec fluidité à partir d’un appareil dupliqué, d’un enregistrement logiciel obsolète, d’un propriétaire incorrect ou d’un historique opérationnel manquant. Les organisations doivent donc établir la confiance en amont, en commençant par la vérité opérationnelle : découvrir ce qui existe et valider les actifs, les logiciels, les utilisateurs et les enregistrements dont dépendent les décisions.
La confiance se renforce grâce à un contexte partagé, en reliant les enregistrements validés à la propriété, à l’état de santé des appareils, aux relations, aux dépendances, au cycle de vie, au risque, à l’expérience collaborateur et à l’impact métier. Elle devient exploitable grâce à la gouvernance, aux contrôles d’accès, aux recommandations, aux approbations, à l’exécution, à la responsabilisation et à la vérification.
Ensemble, ces trois pratiques — établir la vérité opérationnelle, créer un contexte partagé et gouverner l’intelligence et l’action — forment un modèle opérationnel continu pour des opérations prêtes pour l’IA, plutôt qu’un exercice ponctuel de nettoyage des données. Notre webinaire AI Is Only as Valuable as the Operational Truth It Can Trust explore ce modèle plus en détail.
La plateforme Ivanti Neurons met en pratique ce modèle opérationnel en établissant la base opérationnelle fiable dont il dépend.
Les informations collectées via la découverte active et passive, les connecteurs, les analyses d’inventaire, les API et d’autres sources connectées sont normalisées afin que les noms incohérents des appareils, des systèmes d’exploitation, des logiciels et des fabricants puissent être comparés. Les enregistrements associés au même actif peuvent être rapprochés et enrichis avec des informations pertinentes, telles que le propriétaire, les logiciels, le cycle de vie, les licences, la garantie et le contexte de vulnérabilité.
Les organisations disposent ainsi d’une vue opérationnelle gouvernée par actif, étayée par l’historique des sources et de validation, plutôt que d’une simple copie non qualifiée supplémentaire des données. Neurons n’a pas besoin de remplacer tous les systèmes d’entreprise faisant autorité. Son rôle est de rassembler les informations opérationnelles pertinentes, de préserver leur contexte et d’établir un système d’enregistrement continuellement mis à jour pour les opérations IT et sécurité. Cette vue consolidée apporte une valeur pratique à la prise de décision.
Des capacités d’IA fondées sur le contexte Neurons fiable
Certaines organisations intègrent des capacités d’IA directement dans les applications que les collaborateurs et les équipes IT utilisent déjà, afin de leur permettre de prendre des décisions sans quitter leurs workflows existants. D’autres cas d’usage s’appuient sur des assistants externes approuvés, des agents créés par les clients ou des plateformes d’IA qui nécessitent un accès contrôlé au contexte de l’entreprise.
Ivanti prend en charge deux approches IA complémentaires au moyen d’une base Neurons commune. Les fonctionnalités d’intelligence native intègrent le contexte Neurons directement dans les solutions Ivanti, tandis que l’accès gouverné au Model Context Protocol (MCP) [Ajouter un lien vers la page MCP] étend le contexte Neurons autorisé aux assistants externes approuvés, aux agents créés par les clients et aux plateformes d’IA. Ensemble, elles permettent à différentes expériences IA de s’appuyer sur des informations opérationnelles cohérentes sans créer de versions distinctes de l’environnement.
L’IA native et l’accès MCP gouverné appliquent le contexte Neurons fiable de façon complémentaire :
L’intelligence native intègre l’IA au travail
L’intelligence native utilise le contexte Neurons pertinent dans les solutions Ivanti pour prendre en charge l’investigation, les diagnostics, les recommandations, le reporting, la synthèse et l’interaction en langage naturel. Cela peut réduire l’effort nécessaire pour trouver des informations opérationnelles ou interpréter une condition complexe d’un terminal, sans obliger les utilisateurs à passer dans un environnement IA séparé.
Les exemples incluent AI Insights & Recommendations, le reporting conversationnel, l’investigation en langage naturel, les diagnostics assistés par l’IA, les insights Digital Employee Experience, les agents d’insights sur les correctifs et la prise en charge de l’automatisation.
Ces capacités montrent que la valeur de l’IA n’a pas nécessairement besoin de commencer par un agent autonome. Elle peut commencer par la réduction des frictions dans le travail quotidien sur les terminaux.
L’IA peut d’abord aider en facilitant la recherche et l’interprétation des informations. Elle peut ensuite recommander une action en s’appuyant sur le contexte opérationnel pertinent. L’automatisation et les workflows opérationnels approuvés peuvent exécuter des actions définies dans le cadre d’autorisations, de politiques et de contrôles établis. L’organisation conserve le contrôle du niveau approprié d’implication de l’IA pour chaque cas d’usage.
L’accès MCP gouverné étend l’IA au-delà d’Ivanti Neurons
Le secteur adopte de plus en plus des standards tels que le Model Context Protocol pour connecter les assistants et agents IA aux systèmes d’entreprise. Le MCP standardise l’accès aux informations, mais il ne détermine pas si ces informations sont fiables ou font autorité.
Ivanti considère donc l’accès MCP gouverné comme complémentaire à l’intelligence native. L’intelligence native intègre l’IA aux solutions Ivanti, tandis que le MCP offre aux expériences IA externes approuvées un moyen standardisé de récupérer le contexte Neurons autorisé, sans créer un autre référentiel opérationnel ni une version concurrente de la vérité.
L’implémentation MCP d’Ivanti utilise les contrôles existants d’identité, d’autorisation et de politique : un client IA pris en charge ou un agent créé par le client soumet une requête, les rôles et autorisations déterminent ce à quoi il peut accéder, et le serveur MCP Neurons renvoie uniquement le contexte opérationnel autorisé via les services et API Neurons approuvés.
L’expérience IA interprète le contexte autorisé, les personnes et les contrôles organisationnels conservent la responsabilité des décisions et des approbations, et les capacités Ivanti approuvées exécutent les actions dans les limites de garde-fous établis.
Cette séparation évite de confondre accès et autorité : Neurons reste la source de vérité opérationnelle, tandis que la récupération du contexte, les décisions, les approbations et l’exécution demeurent distinctes et traçables.
Cette approche gouvernée constitue également une alternative à l’IA fantôme : les expériences approuvées peuvent récupérer le contexte Neurons autorisé dans le cadre de contrôles définis, au lieu de s’appuyer sur des copies non gérées, des connexions sans restriction ou leur propre représentation de l’environnement.
Le MCP n’élimine pas le risque lié à l’IA ; les organisations ont toujours besoin de protection des informations, de surveillance, de gouvernance et de responsabilité humaine. Il fournit un moyen contrôlé d’étendre le contexte opérationnel fiable au-delà des solutions Ivanti.
Ivanti applique le modèle d’opérations prêtes pour l’IA dans son propre environnement
Ivanti met ce modèle opérationnel en pratique dans le cadre de son programme Customer Zero. Son équipe IT mondiale utilise la plateforme Neurons pour gérer un parc de terminaux complexe et multiplateforme destiné à une main-d’œuvre très distribuée, majoritairement à distance.
Comme l’explique Tony Miller, Vice President, Enterprise Services chez Ivanti : « Ce qui est essentiel dans tout environnement, c’est de disposer réellement d’une source unique de vérité concernant l’état des terminaux de votre environnement. » Grâce à cette base fiable, Ivanti peut automatiser davantage ses opérations liées aux terminaux.
« Grâce à Neurons, nous pouvons automatiser de nombreux processus. » Jarek Piszczatowski, Directeur du programme Customer Zero et de l’automatisation, Ivanti
Cela permet à une équipe restreinte d’administrateurs de terminaux de prendre en charge les opérations à grande échelle tout en concentrant l’effort manuel sur l’examen des résultats, la surveillance des exceptions et le suivi des appareils nécessitant une attention particulière.
Commencer là où la vérité opérationnelle devient action
Les terminaux constituent un point de départ pratique, car ils relient un contexte opérationnel fiable à des résultats visibles et mesurables. La gestion autonome des terminaux (AEM) réunit l’état de santé des appareils, leur propriétaire, les logiciels installés, l’état des correctifs, l’expérience collaborateur et le risque, afin que les équipes puissent examiner les problèmes, déterminer la réponse appropriée, agir dans le cadre de contrôles définis et vérifier les résultats.
Prenons par exemple une vulnérabilité critique affectant des milliers de terminaux. Un score de gravité ne suffit pas à déterminer la réponse. Les équipes doivent confirmer que les enregistrements sont à jour, que les terminaux sont actifs et gérés, que le logiciel vulnérable est installé et que la remédiation est appropriée. Des échecs de déploiement antérieurs, l’impact sur les collaborateurs ou un incident en cours peuvent également modifier la réponse.
L’IA peut interpréter le contexte opérationnel, identifier les terminaux affectés et prioriser la réponse. La fiabilité dépend de l’évaluation de la gravité technique au regard de l’état actuel des terminaux. L’AEM relie ensuite l’insight au résultat au moyen d’une boucle gouvernée : les contrôles déterminent les actions autorisées et les exigences d’approbation, les capacités approuvées exécutent, et la vérification confirme si chaque appareil a atteint l’état attendu.
Le succès n’est pas une recommandation ni une tâche d’automatisation terminée. C’est la preuve que le bon terminal a reçu l’action appropriée dans le cadre de contrôles définis et a obtenu le résultat attendu.
Le même modèle opérationnel soutient une approche plus proactive de l’expérience numérique des collaborateurs (DEX). Des signaux tels qu’un faible espace de stockage, des défaillances récurrentes d’applications, une dégradation des performances ou des problèmes de configuration peuvent révéler des problèmes de productivité avant même qu’un collaborateur n’ouvre un ticket.
En reliant l’état de santé des appareils, la propriété, les signaux d’expérience collaborateur, les incidents et l’historique opérationnel, l’investigation assistée par l’IA peut identifier les problèmes plus tôt. La remédiation approuvée peut s’effectuer dans le cadre de garde-fous établis, tandis que les signaux ultérieurs des terminaux et de l’expérience montrent si elle a fonctionné.
Le contexte fiable relie également la gestion des terminaux, la DEX et la gestion des correctifs à une approche partagée du risque. L’état de santé des appareils, les signaux d’expérience et l’exposition aux vulnérabilités aident les équipes à prioriser la remédiation là où le risque de sécurité et l’impact sur les collaborateurs se rejoignent. La remédiation prédictive favorise le passage d’une réaction aux défaillances à l’identification et au traitement des problèmes émergents sur les terminaux, tandis que la gestion des correctifs basée sur les risques priorise les expositions critiques pour l’activité.
La vérification continue des configurations des appareils et des correctifs installés par rapport aux politiques et référentiels de conformité définis aide les équipes à détecter les dérives, à corriger les écarts dans le cadre de contrôles établis et à vérifier l’état obtenu — pour soutenir une conformité continue plutôt qu’une évaluation ponctuelle.
L’AEM fait ainsi passer l’IA du potentiel à une valeur opérationnelle mesurable, en reliant les questions courantes sur les terminaux à un contexte fiable, à une action contrôlée et à une preuve de résultats.
Maintenir la confiance par l’utilisation et la vérification
Le contexte fiable gagne en valeur à mesure qu’il est utilisé et vérifié. Les équipes passent moins de temps à rapprocher les enregistrements, les recommandations assistées par l’IA peuvent s’appuyer sur des informations opérationnelles plus à jour, et l’automatisation peut fonctionner dans des limites plus claires en matière de politiques et d’autorisations.
Les preuves issues des actions réalisées peuvent ensuite renforcer l’enregistrement opérationnel utilisé pour la décision suivante. Étant donné que les actifs, les logiciels, la propriété, les menaces, les incidents et les expériences IA évoluent en permanence, la confiance opérationnelle doit être maintenue et vérifiée dans le temps.
Déployer l’action fiable à l’échelle de l’entreprise
L’AEM fournit un point de départ ciblé et mesurable, mais la même base fiable peut soutenir les décisions dans la gestion des services, la sécurité, la conformité, les achats, la finance et la gestion des actifs logiciels.
Le contexte connecté des terminaux et des actifs aide les équipes à relier l’état des appareils aux incidents, aux changements, à l’expérience collaborateur, au risque, à la propriété, à l’historique de remédiation, à l’utilisation des logiciels et aux événements du cycle de vie. Cela réduit l’incertitude qui ralentit les décisions opérationnelles, de sécurité et d’optimisation.
Dans ces différentes fonctions, le modèle opérationnel reste cohérent :
- Les signaux identifient un problème ou une opportunité.
- Les enregistrements fiables et le contexte partagé clarifient ce qui est à jour et ce qui compte.
- L’IA et l’analytique soutiennent l’investigation et la priorisation.
- La gouvernance détermine le niveau d’action approprié.
- Les capacités approuvées exécutent.
- La vérification enregistre le résultat.
Cette continuité réduit la nécessité de reconstruire le contexte à chaque transfert et crée un enregistrement traçable de ce qui a été identifié, recommandé, approuvé, exécuté et vérifié. Les organisations peuvent étendre le modèle à des workflows IT et sécurité plus larges à mesure que leurs cas d’usage et leur gouvernance gagnent en maturité.
Construire des opérations prêtes pour l’IA sur un contexte fiable
L’IA amplifie ce sur quoi elle s’appuie. Pour les dirigeants d’entreprise, la priorité n’est pas simplement de déployer davantage d’IA, mais de garantir que chaque décision opérationnelle repose sur un contexte fiable, que chaque action reste dans le cadre de contrôles définis et que chaque résultat puisse être vérifié. Avec Ivanti Neurons comme base opérationnelle fiable, les organisations peuvent passer de l’ambition en matière d’IA à la confiance opérationnelle.