L'architecte souverain : naviguer l'effondrement de l'économie des wrappers d'IA grâce à une immunité technique profonde

L'année 2025 a marqué un point d'inflexion décisif dans l'évolution de l'intelligence artificielle d'entreprise, signifiant la fin définitive de ce que l'on peut appeler l'« ère des wrappers ». Pendant les vingt-quatre mois précédents, le marché mondial a été saturé par une prolifération d'applications légères qui fonctionnaient comme de minces abstractions au-dessus de modèles fondationnels à usage général. Ces « wrappers » offraient la promesse séduisante d'une transformation rapide, mais manquaient de l'intégrité structurelle exigée par les environnements industriels, financiers et juridiques à fort enjeu. Lorsque les organisations ont fait passer ces outils des bacs à sable expérimentaux vers les flux de production centraux, la fragilité inhérente des architectures purement probabilistes s'est heurtée aux exigences intransigeantes de la sécurité d'entreprise et de la fiabilité déterministe. Les retombées qui s'ensuivirent, caractérisées par une série de brèches systémiques très médiatisées, ont exposé une vérité critique : lorsque l'intelligence artificielle est déployée comme un agent non surveillé doté de permissions administratives, ses défaillances se propagent à la vitesse de l'infrastructure.¹

Veriprajna a été fondée comme une réponse directe à cette crise architecturale. Nous n'opérons pas dans l'économie des « wrappers » ; nous sommes un fournisseur de solutions Deep AI, axé sur l'ingénierie de systèmes déterministes par conception, auditables par exigence, et souverains par infrastructure.² Le nom lui-même — dérivé de « Veri » (latin pour Vérité) et « Prajna » (sanskrit pour Sagesse) — reflète notre engagement envers des sorties qui ne sont pas seulement linguistiquement plausibles, mais correctes de manière vérifiable et constitutionnellement sûres.² Ce livre blanc examine les défaillances de sécurité catastrophiques de 2025 comme une lentille diagnostique à travers laquelle envisager la nécessité d'un nouveau paradigme architectural : l'entreprise cognitive neuro-symbolique.

L'anatomie du cycle de brèches de 2025 : un examen diagnostique

Le paysage de menaces contemporain n'est plus défini seulement par des acteurs externes cherchant à contourner les pare-feu. Il est de plus en plus défini par les risques « agentiques » inhérents aux outils d'IA eux-mêmes. Trois incidents majeurs en 2025 — la vulnérabilité d'exécution de code à distance (RCE) de GitHub Copilot, l'exposition des « données zombies » via Microsoft Bing, et le compromis de la chaîne d'approvisionnement d'Amazon Q — fournissent une taxonomie complète des nouveaux risques auxquels fait face l'entreprise moderne.

Le RCE de GitHub Copilot (CVE-2025-53773) : l'échec de la séparation des privilèges

En août 2025, des chercheurs en sécurité ont divulgué une vulnérabilité critique d'exécution de code à distance dans GitHub Copilot et Visual Studio 2022, suivie sous le nom CVE-2025-53773.⁴ Cet incident a constitué un événement fondateur, car il a démontré comment une interaction purement linguistique — un prompt — pouvait être escaladée jusqu'à la compromission totale du poste de travail d'un développeur.

Le cœur technique de la vulnérabilité résidait dans la capacité de l'agent Copilot à modifier les fichiers de configuration de l'espace de travail sans approbation explicite d'un humain dans la boucle (HITL).⁶ Un attaquant pouvait livrer une charge utile malveillante par une « injection de prompt croisée » plantée dans un fichier README, un commentaire de code source, ou même une issue GitHub associée à un projet.⁵ Lorsqu'un développeur demandait à l'IA de « relire le code » ou d'« expliquer le projet », les instructions cachées déclenchaient la modification par l'agent du fichier .vscode/settings.json, en y ajoutant la ligne "chat.tools.autoApprove": true.⁵

Cette modification activait un état expérimental connu familièrement sous le nom de « mode YOLO », dans lequel l'assistant d'IA se voyait accorder l'autorité d'exécuter des commandes shell, de naviguer sur le Web et d'interagir avec le système de fichiers local sans aucune confirmation supplémentaire de l'utilisateur.⁵ Une fois dans cet état, l'agent pouvait être instruit de télécharger des malwares, d'exfiltrer des identifiants, ou même de transformer le poste de travail en nœud d'un botnet « ZombAI ».⁵ Le tableau suivant détaille les métriques de gravité associées à cette vulnérabilité :

Métrique	Valeur	Contexte technique
Score de base CVSS	7.8 (Élevé)	Reflète un impact élevé sur la confidentialité, l'intégrité et la disponibilité.4
Vecteur d'attaque	Local	L'exploit se produit via une interaction de fichier local déclenchée par le contexte de l'IA.4
ID CWE	CWE-77	Neutralisation incorrecte d'éléments spéciaux utilisés dans une commande.5
Classe de vulnérabilité	Prompt-to-RCE	Escalade d'une instruction linguistique vers une exécution binaire.6
Versions concernées	VS 2022 v17.14.0 - 17.14.11	Corrigé dans la v17.14.12 publiée le 12 août 2025.4

⁴

Le second enseignement de l'incident Copilot est que les contrôles d'accès traditionnels sont insuffisants pour l'IA agentique. Parce que l'IA opère « au nom » de l'utilisateur, elle hérite souvent de l'intégralité de ses permissions. Sans une couche architecturale qui impose une logique déterministe — indépendante du prompt linguistique —, l'IA demeure un vecteur à haute vélocité d'escalade de privilèges. Veriprajna y répond en mettant en œuvre des « garde-fous constitutionnels » intégrés à l'architecture d'exécution du système, garantissant que certains fichiers de configuration ou appels système sont physiquement inaccessibles au moteur neuronal, quelle que soit la persuasivité du prompt.²

La crise des « données zombies » : la responsabilité permanente du cache Bing

Le deuxième incident majeur de 2025 a fait surface en février, lorsque des chercheurs de Lasso Security ont identifié une exposition massive de données touchant plus de 16,000 organisations.⁸ Cette brèche a introduit l'industrie au concept de « données zombies » — des informations qui persistent dans les caches de récupération de l'IA longtemps après avoir été supprimées ou rendues privées à la source.⁹

La racine du problème résidait dans l'intégration entre Microsoft Copilot et le mécanisme d'indexation du moteur de recherche Bing. Bing avait exploré et mis en cache des milliers de dépôts GitHub qui étaient publics au moment de l'indexation. Lorsque ces dépôts ont ensuite été rendus privés ou supprimés — souvent parce qu'ils s'avéraient contenir des secrets sensibles — les données mises en cache restaient disponibles pour le système de génération augmentée par récupération (RAG) de Bing.⁸ En conséquence, quiconque utilisant Copilot pouvait, par inadvertance (ou de manière malveillante), interroger l'IA pour obtenir des extraits de code, des paquets internes ou des identifiants provenant de ce qui était censé être des archives d'entreprise privées.⁸

La portée de l'exposition incluait certaines des entités technologiques les plus éminentes au monde :

Organisation	Actifs impactés	Implications de sécurité
IBM, Google, Tencent, PayPal	Dépôts GitHub privés	Exposition de PI propriétaire et de documentation interne.8
Entreprises en général	20,000+ dépôts extraits	Exposition large des bases de code organisationnelles.8
Secrets des développeurs	300+ jetons/clés privés	Accès aux environnements GCP, OpenAI, Hugging Face et AWS.8
Chaîne d'approvisionnement	100+ paquets internes	Vulnérabilité aux attaques de confusion de dépendances.8

⁸

La recherche de Lasso met en évidence un défaut fondamental du modèle « wrapper » de déploiement de l'IA : la souveraineté des données est sacrifiée au nom de la commodité. Lorsqu'une entreprise utilise un fournisseur d'IA tiers qui s'appuie sur un moteur de recherche public pour le contexte, elle perd effectivement le contrôle du cycle de vie de ses propres données.⁸ Veriprajna atténue cela par une « infrastructure souveraine », où le modèle d'IA est déployé entièrement dans l'environnement du client, sans aucune dépendance à des caches de recherche externes ou à des API tierces.² En maintenant un système de récupération « en boucle fermée », nous garantissons que les expositions « zombies » sont techniquement impossibles.

Le compromis de l'extension Amazon Q : empoisonner le moteur de suggestions

Le troisième pilier de la crise de 2025 a été le compromis de l'extension Amazon Q Developer pour Visual Studio Code en juillet.¹³ Il s'agissait d'une attaque classique de la chaîne d'approvisionnement qui a démontré comment la « serviabilité » de l'IA peut être armée contre les développeurs mêmes qu'elle est censée aider.

L'attaque a été rendue possible par un jeton GitHub mal délimité dans un service CI/CD (CodeBuild) utilisé pour gérer le dépôt aws-toolkit-vscode.¹⁵ Cela a permis à un attaquant de pousser un commit d'un fichier malveillant nommé src/amazonq/prompts/cleaner.md directement dans l'arbre source.¹³ Ce fichier était un « modèle de prompt » — un ensemble d'instructions que l'extension alimenterait automatiquement à l'IA Amazon Q pour orienter sa génération de code.¹³

Le prompt malveillant, nommé de manière trompeuse « cleaner », instruisait l'IA de se comporter comme un nettoyeur système destructeur.¹³ Il incitait l'IA à suggérer des commandes Bash qui effaceraient le répertoire personnel de l'utilisateur et exécuteraient des appels AWS CLI pour terminer des instances EC2, supprimer des buckets S3 et retirer des utilisateurs IAM.¹³ Parce que les développeurs font souvent confiance au code généré par l'IA sans vérification ligne par ligne, la présence de ces suggestions dans une mise à jour officielle de confiance posait un risque existentiel à la fois pour les environnements de développement locaux et pour l'infrastructure cloud de production.¹³

Composant de l'incident	Détail technique
Point d'entrée	Jeton GitHub mal configuré dans CodeBuild.15
Fichier injecté	cleaner.md (modèle de prompt malveillant).13
Vecteurs primaires	Local rm -rf, Cloud aws ec2 terminate-instances.13
Mécanisme de furtivité	Instructions pour ignorer les fichiers cachés ; journalisation vers /tmp/CLEANER.LOG.13
Distribution	Version 1.84.0 sur VS Code Marketplace (950k+ installations).13

¹³

L'incident Amazon Q prouve que « les prompts sont le nouveau code ». Si une organisation ne sécurise pas ses modèles de prompt avec la même rigueur qu'elle applique à ses binaires, elle laisse un trou béant dans sa chaîne d'approvisionnement logicielle.¹⁶ Chez Veriprajna, nous traitons les fichiers de prompt comme des artefacts exécutables qui doivent subir une signature cryptographique et une revue de sécurité rigoureuse avant d'être autorisés à influencer le comportement d'un système agentique.¹⁰

Le paradigme Veriprajna : de la probabilité stochastique à la vérité neuro-symbolique

Les défaillances de Copilot, Bing et Amazon Q ne sont pas des incidents isolés ; ce sont des défaillances systémiques des modèles purement probabilistes. Les grands modèles de langage (LLM) traditionnels sont essentiellement des « moteurs stochastiques » qui prédisent le jeton le plus probable suivant sur la base de motifs statistiques.¹⁸ S'ils excellent en fluidité du langage naturel, ils manquent d'un cadre épistémologique — ils ne comprennent pas la « vérité », seulement la « plausibilité ».²

Veriprajna y répond en architecturant des systèmes hybrides qui fusionnent deux cultures distinctes de l'IA :

1. Le système connexionniste/neural (Système 1) : il sert de « Voix ». Il gère la perception du langage naturel, la reconnaissance de motifs et l'intuition créative. C'est l'interface qui comprend l'intention du développeur.¹⁸
2. Le système symbolique/logique (Système 2) : il sert de « Cerveau ». Il gère le raisonnement déterministe, les calculs auditables et l'application des contraintes spécifiques au domaine. C'est le moteur qui garantit que les actions de l'IA sont logiquement cohérentes et sûres.¹⁸

En découplant la « Voix » du « Cerveau », nous garantissons que l'IA ne peut pas être trompée par un prompt persuasif pour entreprendre une action non sûre. Si un modèle neuronal (Système 1) propose une commande qui viole une règle de logique dure définie dans le moteur symbolique (Système 2) — telle que « ne jamais supprimer une base de données dans un VPC de production » — l'action est bloquée par veto avant de pouvoir être exécutée.¹⁸

Garde-fous architecturaux vs. garde-fous linguistiques

L'approche actuelle de l'industrie en matière de sûreté de l'IA s'appuie fortement sur des « garde-fous linguistiques » — des instructions disant à l'IA d'« être utile et inoffensive ». Cependant, comme l'ont montré les brèches de 2025, ceux-ci sont facilement contournés via le « jailbreaking » ou l'injection de prompt indirecte.¹⁹

Veriprajna met en œuvre des « garde-fous architecturaux » intégrés à l'exécution du système. Nous utilisons un mécanisme appelé vérification KG-Trie, où la sortie d'un modèle neuronal est contrainte par un graphe de connaissances (KG). Si le modèle tente de générer un fait, une citation ou une commande qui n'existe pas dans le KG vérifié, le système empêche physiquement la génération de ces jetons.²

Dans le contexte de l'Infrastructure as Code (IaC), cela signifie que nos agents sont physiquement incapables de générer une commande terraform destroy à moins que l'état symbolique spécifique du flux de travail ne le permette, indépendamment de ce qui est écrit dans le modèle de prompt.²

Réseaux de neurones informés par la physique et IA native en périphérie

Notre approche « Deep AI » s'étend au-delà des modèles linguistiques, dans le domaine de la vision par ordinateur et de l'automatisation industrielle. Pour nos clients de l'assurance et de la fabrication, nous construisons des architectures neuronales « informées par la physique ».²¹ En criminalistique d'assurance, plutôt que d'utiliser une API de vision générale pour « deviner » les dommages à un véhicule, nos modèles utilisent la segmentation sémantique et l'estimation de profondeur monoculaire pour calculer le volume réel d'une bosse et vérifier la continuité de surface par analyse de réflexion spéculaire.²¹

Dans les milieux industriels, nous résolvons la « crise de latence » en nous éloignant des architectures dépendantes du cloud.²² L'IA traditionnelle basée sur le cloud souffre de la gigue réseau, rendant impossible le contrôle déterministe des machines à haute vitesse.²² Nous déployons des modèles quantifiés directement sur des dispositifs de périphérie (par ex. NVIDIA Jetson), réduisant la latence d'inférence de 800ms à 12ms.²² Pour la surveillance acoustique, nous implémentons des modèles TinyML sur des microcontrôleurs capables de déclencher un interrupteur d'arrêt d'urgence en aussi peu que 5ms dès la détection de la signature spectrale d'une défaillance de roulement.²²

$$Latency_{Edge} \ll Latency_{Cloud} + Network\ Jitter$$

En restaurant le temps déterministe sur le plancher d'usine, Veriprajna garantit que l'IA est un outil de contrôle, et non une source de risque stochastique.

Le NIST AI RMF 2.0 et la voie vers la maturité

Pour aider les organisations à naviguer ce paysage complexe, Veriprajna aligne ses déploiements sur le NIST AI Risk Management Framework (AI RMF) en évolution et le Top 10 OWASP 2025 pour les applications LLM.²³ Atteindre la « maturité de l'IA » n'est pas une question de correction de vulnérabilités individuelles ; c'est établir un cycle de vie continu de gouvernance, de mesure et de gestion.

Le Top 10 OWASP 2025 pour les applications LLM

La mise à jour OWASP 2025 reflète la maturation des menaces liées à l'IA, élevant des préoccupations telles que l'« agence excessive » et la « fuite de prompt système » en tête de la liste des priorités.²⁴

Rang	ID de risque	Catégorie de menace	Atténuation primaire
1	LLM01:2025	Injection de prompt	Filtrage des entrées et décodage contraint.24
2	LLM02:2025	Divulgation d'informations sensibles	Anonymisation des réponses et masquage des données.24
3	LLM03:2025	Chaîne d'approvisionnement	AIBOM et détection d'anomalies chez les mainteneurs.10
4	LLM04:2025	Empoisonnement des données et du modèle	Vérifications de provenance et évaluation continue.24
6	LLM06:2025	Agence excessive	Moindre privilège et portes d'humain dans la boucle.24

²⁴

Le RCE de Copilot était une manifestation directe de l'agence excessive (LLM06), tandis que l'extension Amazon Q était une défaillance de la sécurité de la chaîne d'approvisionnement (LLM03).¹³ L'architecture de Veriprajna est conçue pour se mapper directement à ces risques, fournissant une protection unifiée qui comble l'écart entre l'AppSec traditionnelle et la sécurité de l'IA moderne.

Mettre en œuvre le cycle de vie de développement logiciel d'IA sécurisé (SSDLC)

Une stratégie d'IA mature exige d'intégrer la sécurité dans chaque phase du processus de développement — de la collecte des exigences à la surveillance à l'exécution.²⁶

1. Exigences/Conception : nous réalisons une modélisation des menaces spécifiquement pour les capacités agentiques, identifiant les « frontières de confiance » où l'IA interagit avec des API externes ou des fichiers locaux.²⁷
2. Développement : nous imposons des lignes directrices de codage sécurisé et utilisons le SAST (tests de sécurité des applications statiques) pour détecter les structures de prompt non sûres et les fuites d'identifiants dans les données d'entraînement.²⁷
3. Tests/QA : nous dépassons les simples tests unitaires « réussite/échec », en employant les tests de mutation et le fuzzing pour découvrir comment un agent pourrait se comporter dans des conditions adversariales ou des cas limites imprévus.²⁶
4. Déploiement : chaque artefact de build est signé, et son hash est enregistré dans une piste d'audit vérifiable. Nous utilisons des portes Infrastructure as Code (IaC) pour garantir qu'aucun déploiement piloté par l'IA ne peut procéder sans satisfaire les listes d'autorisation de la politique de sécurité.²⁶
5. Surveillance : nous construisons des « profils de comportement de référence » pour chaque agent d'IA, suivant les motifs d'appels API, les volumes d'accès aux données et la consommation de ressources afin de détecter les anomalies en temps réel.²⁸

Conclusion : reconquérir la souveraineté à l'âge de l'autonomie

Les brèches de 2025 ont constitué un signal d'alarme définitif pour la direction : le modèle « wrapper » de l'IA n'est plus une stratégie d'entreprise viable. Les risques d'exécution de code à distance, d'exposition de « données zombies » et d'empoisonnement de la chaîne d'approvisionnement ne sont pas théoriques ; ce sont des incidents réalisés qui ont touché près d'un million de développeurs et 16,000 organisations.⁸

Veriprajna fournit la voie à suivre. En nous éloignant des boîtes noires probabilistes pour aller vers une infrastructure souveraine neuro-symbolique, nous permettons à l'entreprise de reconquérir son fossé concurrentiel de données et sa certitude opérationnelle. Nous croyons que l'IA ne devrait pas être une source de « cécité aux commandes », où les brèches passent indétectées et intraçables.¹⁰ Elle devrait au contraire être une extension auditable et déterministe de la sagesse humaine.

L'avenir de l'intelligence artificielle de grade industriel réside dans l'architecture, pas seulement dans les interfaces. Il réside dans des solutions Deep AI qui prouvent leur raisonnement, protègent leurs données et performent avec une précision physique. Veriprajna est l'architecte de cet avenir.²

Ouvrages cités

1. State of AI 2025: Year in Review & Analysis - Lumenova AI, consulté le 9 février 2026, https://www.lumenova.ai/blog/state-of-ai-2025/
2. About Us - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/about
3. Beyond the Visible: Hyperspectral Deep Learning in Agriculture - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/agtech-hyperspectral-deep-learning
4. CVE-2025-53773 - Exploits & Severity - Feedly, consulté le 9 février 2026, https://feedly.com/cve/CVE-2025-53773
5. CVE-2025-53773 Impact, Exploitability, and Mitigation Steps | Wiz, consulté le 9 février 2026, https://www.wiz.io/vulnerability-database/cve/cve-2025-53773
6. GitHub Copilot: Remote Code Execution via Prompt Injection (CVE ..., consulté le 9 février 2026, https://embracethered.com/blog/posts/2025/github-copilot-remote-code-execution-via-prompt-injection/
7. CVE-2025-53773 Detail - NVD - NIST, consulté le 9 février 2026, https://nvd.nist.gov/vuln/detail/CVE-2025-53773
8. Lasso Finds Exposed GitHub Repos via Bing Copilot Cache, consulté le 9 février 2026, https://www.lasso.security/resources/lasso-uncovers-sensitive-private-github-repositories-exposed-in-microsoft-copilot
9. Microsoft's Copilot found exposing thousands of private GitHub repositories, consulté le 9 février 2026, https://www.nudgesecurity.com/post/microsofts-copilot-found-exposing-thousands-of-private-github-repositories
10. Supply Chain Vulnerabilities - Nocturnalknight's Lair, consulté le 9 février 2026, https://nocturnalknight.co/category/information-security/supply-chain-vulnerabilities/
11. Exposed GitHub Repositories: How Copilot's Cache Created a Security Risk - FrozenLight, consulté le 9 février 2026, https://www.frozenlight.ai/post/kobi/341/github-copilot-bing-leak/
12. Microsoft Copilot flaw exposes thousands of private GitHub repositories | Ctech, consulté le 9 février 2026, https://www.calcalistech.com/ctechnews/article/hjuo8f25kl
13. The Amazon Q VS Code Prompt Injection Explained: Impact and Learnings for DevOps, consulté le 9 février 2026, https://medium.com/@ismailkovvuru/the-amazon-q-vs-code-prompt-injection-explained-impact-and-learnings-for-devops-3a9d2f752dea
14. Hacker Injects Destructive Commands into Amazon Q AI Coding ..., consulté le 9 février 2026, https://oecd.ai/en/incidents/2025-07-23-581e
15. How AWS averted an AI coding supply chain disaster | ReversingLabs, consulté le 9 février 2026, https://www.reversinglabs.com/blog/aws-amazonq-ai-incident
16. When AI Assistants Turn Against You: The Amazon Q Security Wake-Up Call - DevOps.com, consulté le 9 février 2026, https://devops.com/when-ai-assistants-turn-against-you-the-amazon-q-security-wake-up-call/
17. Hacker inserts destructive code in Amazon Q tool as update goes live - CSO Online, consulté le 9 février 2026, https://www.csoonline.com/article/4027963/hacker-inserts-destructive-code-in-amazon-q-as-update-goes-live.html
18. The Cognitive Enterprise: Neuro-Symbolic Truth vs. Stochastic ..., consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/cognitive-enterprise-neuro-symbolic-truth
19. Glossary of AI Terms in Security Solutions, consulté le 9 février 2026, https://www.securityindustry.org/report/glossary-of-ai-terms-in-security-solutions/
20. Safeguard your generative AI workloads from prompt injections | AWS Security Blog, consulté le 9 février 2026, https://aws.amazon.com/blogs/security/safeguard-your-generative-ai-workloads-from-prompt-injections/
21. The Forensic Imperative: Deterministic Computer Vision in Insurance - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/insurance-ai-computer-vision-forensics
22. The Latency Kill-Switch: Industrial AI Beyond the Cloud - Veriprajna, consulté le 9 février 2026, https://Veriprajna.com/technical-whitepapers/industrial-ai-latency-edge-computing
23. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, consulté le 9 février 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
24. OWASP Top 10 for LLMs 2025: Key Risks and Mitigation Strategies - Invicti, consulté le 9 février 2026, https://www.invicti.com/blog/web-security/owasp-top-10-risks-llm-security-2025
25. OWASP Top 10 Risks for Large Language Models: 2025 updates - Barracuda Blog, consulté le 9 février 2026, https://blog.barracuda.com/2024/11/20/owasp-top-10-risks-large-language-models-2025-updates
26. What Is SDLC Security? - Palo Alto Networks, consulté le 9 février 2026, https://www.paloaltonetworks.com/cyberpedia/what-is-secure-software-development-lifecycle
27. Secure SDLC: A Comprehensive Guide | Secure Software Development Life Cycle - Snyk, consulté le 9 février 2026, https://snyk.io/articles/secure-sdlc/
28. Security for AI Agents: Protecting Intelligent Systems in 2025, consulté le 9 février 2026, https://www.obsidiansecurity.com/blog/security-for-ai-agents
29. Agentic AI Security: A Guide to Threats, Risks & Best Practices 2025 | Rippling, consulté le 9 février 2026, https://www.rippling.com/blog/agentic-ai-security