Le masquage des données devient de plus en plus pertinent à mesure que les systèmes d’intelligence artificielle bénéficient d’un accès élargi aux informations des entreprises. Cette technique n’efface pas les données sensibles ; elle en dissimule plutôt l’identité d’origine tout en préservant une utilité suffisante pour les tâches commerciales légitimes.
Les développeurs peuvent avoir besoin de données représentatives sur les clients pour tester des applications, tandis que les analystes doivent préserver les relations et les tendances afin d’identifier des évolutions. Dans les deux cas, l’accès aux identités réelles, aux numéros de compte ou à d’autres valeurs sensibles peut ne pas être nécessaire. Le masquage remplace ces valeurs par des alternatives réalistes mais inutilisables, permettant aux organisations de travailler avec les données sans exposer leur contenu d’origine.
Les organisations peuvent également utiliser la tokenisation et le chiffrement, selon la manière dont les informations doivent être exploitées. Le principe sous-jacent consiste à appliquer une protection fondée sur la tâche, plutôt que de rendre automatiquement accessibles les données sensibles brutes.
Cependant, les entreprises doivent d’abord savoir où sont stockées leurs informations sensibles. Le 2026 Thales Data Threat Report a révélé que 34 % des organisations interrogées avaient une connaissance complète de l’emplacement de leurs données, tandis que 39 % affirmaient pouvoir les classifier dans leur totalité. Les répondants ont également indiqué utiliser en moyenne sept outils pour la protection et la surveillance des données.
Les environnements cloud compliquent encore la situation, car les informations peuvent être dupliquées dans des lacs de données, des plateformes de logiciels en tant que service, des environnements de développement et des sauvegardes. Des informations sensibles peuvent également rester dissimulées dans des documents non structurés ou devenir accessibles à des applications créées longtemps après la collecte des données.
La gestion de la posture de sécurité des données s’attaque à ce problème en se concentrant sur les données elles-mêmes. Elle consiste à découvrir et à classifier les informations sensibles, à déterminer où elles se trouvent, à comprendre qui ou quoi peut y accéder et à évaluer si les mesures de protection actuelles sont appropriées. Une fois l’exposition inutile identifiée, les organisations peuvent supprimer ou restreindre l’accès, ou appliquer des mesures telles que le masquage, la tokenisation et le chiffrement.
La question prend de l’importance à mesure que les entreprises passent de l’expérimentation de l’IA générative à son utilisation dans les opérations quotidiennes. Les applications d’IA ont besoin d’informations pour produire des résultats, tandis que les agents peuvent nécessiter un accès plus large pour récupérer des données, prendre des décisions et agir sur plusieurs systèmes.
Selon la même étude, 61 % des organisations ont déclaré que leurs applications d’IA étaient ciblées par des attaquants, les données sensibles étant identifiées comme la principale cible. L’évolution rapide de l’écosystème de l’IA constituait le risque de sécurité lié à l’IA le plus fréquemment cité.
L’application des principes du moindre privilège à l’IA peut limiter ces risques. L’accès à une base de données ne devrait pas automatiquement donner à un système d’IA accès à chaque valeur sensible brute qu’elle contient. Selon les circonstances, les organisations peuvent masquer les informations personnelles avant qu’elles n’atteignent les environnements de développement ou de test, tokeniser les valeurs particulièrement sensibles, chiffrer les données et contrôler strictement leur déchiffrement, ou empêcher totalement un système d’IA d’accéder à un jeu de données.
Cette approche repose largement sur des pratiques éprouvées de sécurité des données : déterminer où se trouvent les informations sensibles, comprendre leur contexte, réduire les accès inutiles et protéger les données en fonction de leur utilisation. À mesure que les applications et les systèmes d’IA évoluent, ces décisions doivent également être réévaluées.
Sources: TechRadar.