Le SOC agentique expliqué : niveaux d'autonomie, adoption réelle et ce qui est réellement mis en production

Un SOC « agentique » est un modèle d’opérations de sécurité dans lequel des agents d’IA prennent en charge une partie de la charge de travail liée aux enquêtes et aux interventions : tri des alertes, collecte de preuves, formulation d’hypothèses, ainsi que proposition ou exécution d’actions sous un contrôle humain défini. Il s’agit d’un modèle opérationnel plutôt que d’un produit, et le degré d’autonomie varie considérablement d’un déploiement concret à l’autre.

Cette brève définition recouvre trois questions controversées, et cette page apporte des éclaircissements sur chacune d’entre elles. Premièrement, le nom : depuis octobre 2025, la communauté des analystes a utilisé cinq appellations différentes pour désigner cette catégorie, et le terme choisi par un fournisseur en dit long sur ce qu’il commercialise. Deuxièmement, l’affirmation d’autonomie : les définitions des fournisseurs divergent quant à savoir si le modèle est réellement autonome ; cette page répond donc en s’appuyant sur le taux de base mesuré en conditions réelles plutôt que sur un slogan. Troisièmement, les preuves : la quasi-totalité des chiffres de performance dans cette catégorie sont avancés par les fournisseurs, commandités par ceux-ci ou non référencés ; cette page distingue donc ce qui a été mesuré de manière indépendante de ce qui a simplement été affirmé. L’objectif est de vous permettre d’interpréter les affirmations de n’importe quel fournisseur concernant le SOC agentique, de décider si un projet pilote mérite d’être mené et de savoir exactement ce qu’il faut mesurer lorsque vous le faites.

Ce qu'est un SOC agentique, et ce qu'il n'est pas

Un centre d'opérations de sécurité ( SOC ) traditionnel transmet les alertes à des analystes humains qui les trient, les examinent et les transmettent aux niveaux hiérarchiques supérieurs. Un SOC « agentique » réorganise ce flux de travail moderne autour d'agents d'IA qui ne se contentent pas d'exécuter des étapes prédéfinies : ils sélectionnent les éléments de preuve à recueillir ensuite en fonction de ce qu'ils ont déjà trouvé, et ils émettent un verdict accompagné d'une trace de raisonnement documentée.

Définition : Un SOC agentique est un modèle d’opérations de sécurité dans lequel des agents d’IA procèdent au triage des alertes, aux enquêtes et aux interventions en s’appuyant sur des éléments probants, avec un degré d’autonomie allant de l’aide à la décision à un fonctionnement conditionnellement autonome sur l’échelle L0 à L4, validée par des pairs, tout en conservant une supervision humaine à un stade défini de chaque flux de travail.

Il convient de préciser explicitement une distinction, car aucune autre page traitant de ce sujet ne la met en évidence. Dans le domaine de la sécurité de l’IA agentique, l’agent IA constitue la menace contre laquelle il faut se défendre. Dans le SOC agentique, l’agent IA est le défenseur. Il s’agit là de problèmes inverses : tous les principaux documents gouvernementaux et normes relatifs à l’IA agentique publiés à ce jour traitent de la sécurisation des agents, et non de l’exploitation d’un SOC avec ceux-ci. Les lecteurs qui effectuent des recherches sur l’IA agentique en cybersécurité sous l’angle de l’exposition défensive, y compris les risques liés aux opérations de sécurité de l’IA agentique, devraient se reporter à cette page ; celle-ci traite des agents IA effectuant le travail du SOC.

Trois négations permettent d’affiner la définition. Un SOC agentique n’est pas un chatbot : un assistant conversationnel répond aux questions posées par un analyste, tandis qu’un agent décide de lui-même de la question suivante à poser. Ce n’est pas non plus un script préétabli : une automatisation qui reproduit les étapes définies au préalable par un humain tombe en panne dès qu’une alerte sort du cadre du script. Et ce n’est pas un modèle : un grand modèle linguistique n’est qu’un composant, tandis que le modèle opérationnel l’intègre dans un ensemble comprenant l’accès aux données, les outils, les garde-fous et la validation. Les onze définitions de fournisseurs recensées dans l’étude à l’origine de cette page ne s’accordent pas sur la question cruciale de savoir si le modèle est autonome. Cette question reçoit une réponse nuancée plus loin dans cette page.

Le problème auquel ce modèle s’attaque est bien réel et quantifié. Dans une enquête menée en 2026 auprès de 250 responsables et professionnels de la sécurité, commanditée par un fournisseur de plateformes SOC basées sur l’IA et réalisée par le cabinet d’études ViB, 74 % des organisations reçoivent 50 alertes ou plus par jour et 27 % en reçoivent 500 ou plus. En moyenne, une organisation laisse environ 28 % de ses alertes sans suite, et 60 % d’entre elles ont déclaré qu’une alerte qu’elles avaient ignorée ou sur laquelle elles n’avaient jamais enquêté s’était par la suite avérée importante. C’est ce phénomène de « fatigue des alertes » qu’un SOC basé sur l’IA agentique a pour mission de changer.

Le contexte d'adoption par les professionnels est tiré de l'enquête SANS SOC 2026 menée auprès de 444 professionnels et de 69 RSSI : 79 % utilisent des outils d'IA ou d'apprentissage automatique, tandis que seuls 36 % les ont intégrés dans un processus de travail défini au sein du SOC, chiffres provenant exclusivement de cet article spécialisé. La même enquête a révélé que 14 % des professionnels citaient le recrutement comme leur principal défi – la réponse la plus fréquemment citée – et qu'il existait un écart de 59 % contre 32 % entre les dirigeants et les professionnels quant à savoir si la direction accordait une attention particulière au recrutement au sein du SOC.

D'où vient ce terme, et comment les analystes l'appellent-ils ?

La première utilisation publique datable de l’expression « agentic SOC » remonte à un article de blog publié le 28 avril 2025 par un fournisseur d’ cloud , dans lequel ce terme a été présenté dans le cadre d’une vision produit comprenant neuf agents. L’intérêt pour cette expression dans les moteurs de recherche américains a été enregistré pour la première fois en mars 2025, soit un mois avant la publication de cet article ; ce blog constitue donc la première utilisation publique datable, mais ne prouve pas que le terme ait été inventé à cette date.

La communauté des analystes est divisée sur cette appellation depuis octobre 2025. Gartner a baptisé cette catégorie « AI SOC Agents » dans son rapport « Innovation Insight : AI SOC Agents », rédigé par les analystes Eric Ahlm et Jeremy D'Hoinne et publié le 16 octobre 2025 (document 7075998). Le même mois, un deuxième cabinet, Omdia, a intitulé son propre panorama du marché « Agentic SOC », avec une date indiquée au 27 octobre 2025 qui reste non vérifiée, car la source renvoie un code HTTP 403 aux outils de recherche. Six cabinets d'analystes couvrent désormais cette catégorie sous cinq noms différents.

Légende : Six cabinets d'analystes couvrent cette catégorie sous cinq appellations différentes, tandis qu'un septième cabinet rejette catégoriquement ce concept.

Gartner a depuis évalué la catégorie qu’il a baptisée. Dans le rapport « Hype Cycle for Security Operations, 2026 », publié le 5 juin 2026 (document n° 7962373, analystes Darren Livingstone et Jonathan Nunez), les agents SOC basés sur l’IA se situent au sommet des attentes exagérées, après avoir été classés dans la catégorie « Déclencheur d’innovation » en 2025, avec une maturité embryonnaire, une pénétration du marché comprise entre 1 % et 5 %, et un délai de 2 à 5 ans avant d’atteindre le plateau, cette dernière estimation n’étant mentionnée que dans un seul rapport. Le classement dans le « Hype Cycle » est actualisé chaque année, la date a donc son importance.

Pour les personnes qui comparent le SOC agentique aux agents SOC IA ou à un agent SOC IA en général : ces termes décrivent la même catégorie sous des angles différents, et la distinction fondamentale établie par Gartner ne porte pas sur les appellations, mais sur les niveaux d’autonomie. Elle distingue les agents SOC basés sur l’IA, qui agissent de manière autonome, des assistants IA de cybersécurité, qui ne font que renforcer les capacités d’un humain, et met en garde à quatre reprises dans son rapport sur la terminologie contre le « GenAI washing », l’« AI washing » et l’« agent washing ». Dans la pratique, les termes « SOC agentique », « SOC IA », « SOC alimenté par l’IA » et « SOC IA » circulent comme des quasi-synonymes dont les différences reflètent davantage le positionnement des fournisseurs que des limites techniques convenues. Une précision s’impose toutefois : rien de tout cela n’a de lien avec les normes SOC 1, SOC 2 et SOC 3 de l’AICPA, qui sont des rapports d’audit des contrôles des organisations de services ; c’est pourquoi cet article évite totalement de mentionner les niveaux de maturité SOC numérotés.

SOC agentique, SOC traditionnel et SOAR

La question qui revient le plus souvent dans les FAQ de cette catégorie concerne la comparaison avec SOAR ; voici donc la réponse directe : SOAR exécute un « playbook » que vous avez rédigé au préalable, tandis qu’un SOC agentique analyse des éléments de preuve que vous n’aviez pas anticipés. Un workflow SOAR est déterministe. Il exécute les mêmes étapes d’enrichissement et de réponse à chaque fois que son déclencheur est activé, et il échoue, généralement sans le signaler, lorsqu’une alerte ne correspond pas aux conditions imaginées par son auteur. Un agent, en revanche, traite l’alerte comme une hypothèse de départ, décide des éléments de preuve à extraire ensuite et révise sa conclusion au fur et à mesure que les résultats s’accumulent.

Légende : Ces trois modèles diffèrent quant à savoir qui prend les décisions, comment les preuves sont recueillies et ce qui se passe lorsqu'un cas ne correspond pas aux conditions prévues.

Il s’agit là également d’une analyse indépendante, et non d’un simple argumentaire de fournisseur. L’évaluation de KuppingerCole de 2026 sur le leadership dans la catégorie émergente des SOC basés sur l’IA la présente comme une vue d’ensemble du marché de l’automatisation de la sécurité « historiquement appelé marché SOAR », décrivant une transition structurelle des guides d’intervention basés sur des règles vers une couche de raisonnement fondée sur les modèles de langage grand public (LLM). En d’autres termes, selon les analystes, le SOC agentique correspond à l’évolution vers laquelle tend la catégorie SOAR, et non à une invention parallèle. La même logique permet de répondre à la question connexe de savoir en quoi un SOC autonome diffère d’un SOC traditionnel : la différence ne réside pas dans les outils installés, mais dans qui, ou quoi, prend la décision suivante en matière d’investigation.

Rien de tout cela ne rend les investissements existants obsolètes. Les équipes qui ont mis en place une automatisation mature de leur SOC la conservent, car les playbooks déterministes restent l’outil idéal pour les tâches répétitives et bien définies, tandis que les agents prennent en charge les situations ambiguës intermédiaires. La relation concrète entre les outils de l’ère de l’orchestration et ceux de l’ère du raisonnement, y compris la place qu’occupe encore le SOAR, est une relation à plusieurs niveaux plutôt qu’une opposition binaire : les playbooks gèrent ce qui est connu, les agents gèrent l’imprévu, et les humains gèrent les conséquences.

Ce que fait réellement un SOC agentique

La classification la plus complète publiée à ce jour provient du fournisseur à l’origine de ce terme, qui a annoncé neuf catégories d’agents le 28 avril 2025 : gestion des données, tri des alertes, enquête, réponse, recherche sur les menaces, chasse aux menaces, analyse de l’ malware , gestion de l’exposition et ingénierie de la détection. Considérez cette liste comme les catégories annoncées par un fournisseur donné, avec mention de la source et de la date, et non comme une taxonomie de référence. Le point commun entre ces neuf catégories réside dans le fait que l’agent intervient tout au long du cycle de vie de la détection, de l’enquête et de la réponse aux menaces, plutôt que de se contenter d’automatiser une seule étape.

La boucle centrale est pratiquement identique dans toutes les architectures publiées, et c'est là que l'argument du « cycle de vie complet » prend tout son sens : un agent qui couvre cette boucle de bout en bout, plutôt que d'intervenir à une seule étape, correspond à ce que les fournisseurs entendent par « couverture du cycle de vie complet ». À l'heure actuelle, seules les étapes de triage et d'investigation sont largement déployées.

‍

La littérature scientifique évaluée par des pairs apporte un repère architectural. Une architecture SOC multi-couches et multi-agents, publiée lors de la conférence IEEE ICAIC 2026, organise le modèle en une couche de perception, une couche de raisonnement des agents et une couche d’action et de scénarios, accompagnées de composants de soutien. Sa démonstration de faisabilité a consisté à traiter un échantillon de 5 000 événements issus de l’ensemble de données multisource sur les incidents de cybersécurité du Laboratoire national de Los Alamos, sur une topologie synthétique à 50 nœuds, avec une latence de pipeline d’environ 506 ms. Ses auteurs décrivent ce travail comme « évalué sur le plan conceptuel », en précisant que ses mappages d’ MITRE ATT&CK s basés sur des règles ne prennent pas en compte les tactiques d’ zero-day . Cette franchise constitue un critère d’évaluation utile pour toute affirmation concernant une architecture SOC native de l’IA.

Une alliance sectorielle regroupant 15 fournisseurs, constituée en amont du salon Black Hat USA 2026, teste actuellement une autre décomposition en trois couches, qui décrit les couches du système plutôt que les étapes de l’enquête : « Context » (Contexte), les preuves en temps réel utilisées par un système d’IA ; « Harness » (Cadre), l’orchestration et la gouvernance ; et « Model » (Modèle), le moteur de raisonnement pouvant être remplacé à mesure que les systèmes évoluent. D’après l’analyse du consortium de fournisseurs réalisée par les contributeurs, il s’agit d’une architecture et non d’une échelle de maturité, et elle ne doit pas être interprétée comme des niveaux d’autonomie.

Les professionnels confirment cette décomposition au-delà de l'écosystème des éditeurs. Une implémentation open source d'un SOC agentique reproduit ouvertement cette même répartition fonctionnelle : elle permet de corréler les alertes pour en faire des dossiers, de mener des enquêtes à l'aide d'un modèle de langage de grande capacité (LLM), d'enrichir les indicateurs et d'extraire des connaissances à partir des dossiers clos. Une mise en garde toutefois : le référentiel ne contient aucun fichier de licence, bien qu'une ligne du fichier README indique qu'il est sous licence MIT ; il convient donc de vérifier la licence avant toute utilisation en interne.

Deux effets sur les flux de travail méritent d’être mentionnés séparément. Ce modèle transforme l’ingénierie de la détection, car les agents exploitent non seulement les détections, mais, selon des annonces récentes, contribuent également à leur élaboration et à leur optimisation, ce qui raccourcit le cycle de rétroaction entre une détection manquée et une détection corrigée. De plus, il complète plutôt qu’il ne remplace la réponse aux incidents: les agents intègrent des verdicts dans les parcours de réponse automatisés existants et puisent les informations dans votre SIEM existant au lieu de remplacer la couche de données. Concernant la « mémoire agentique », une expression qui apparaît dans les FAQ des éditeurs pour désigner la capacité des agents à conserver le contexte d’une enquête à l’autre : les recherches menées pour cette page n’ont pas permis d’identifier de définition primaire référencée ; considérez donc cette expression comme un terme propre aux éditeurs et demandez à tout éditeur qui l’utilise de démontrer le mécanisme et son effet sur la reproductibilité des verdicts.

À quel point un SOC agentique est-il réellement autonome ?

Commençons par le taux de base, car c'est le chiffre sur lequel s'appuient les campagnes marketing de ce secteur. Dans l'enquête menée en 2026 par ViB auprès de 250 responsables et professionnels de la sécurité, 40 % utilisent déjà l'IA dans leur centre d'opérations de sécurité (SOC), 56 % sont en phase d'évaluation ou de projet pilote, et 4 % n'ont pas l'intention de le faire. Parmi les équipes qui l'utilisent, deux indicateurs distincts permettent d'évaluer le degré d'autonomie. En matière de validation, 57 % exigent encore qu’un humain examine chaque verdict avant clôture, 40 % ont recours à des contrôles ponctuels effectués par des analystes seniors sur un échantillon, et 5 % ne disposent d’aucun processus de validation formel. En matière de pouvoir d’action, 44 % autorisent l’IA à recommander des actions qu’un humain exécute ensuite, 30 % exécutent automatiquement les actions à faible risque, 13 % étendent l’exécution automatique aux actions à risque moyen, et 13 % limitent l’IA à un triage en lecture seule. La concordance des verdicts avec ceux d’analystes expérimentés donne tout autant à réfléchir : 30 % font état d’une concordance de 90 % ou plus, 44 % indiquent un taux compris entre 70 et 89 %, et 22 % font état d’un taux compris entre 50 et 69 %. Le marketing autour du SOC entièrement autonome ne reflète qu’une petite minorité de déploiements réels.

Par rapport à ce niveau de référence, le secteur propose au moins six cadres concurrents pour décrire l’autonomie, ainsi qu’une architecture sectorielle, et aucun d’entre eux ne correspond clairement à un autre. Le seul point de repère valable est un cadre d’autonomie à cinq niveaux, évalué par des pairs et publié dans *ACM Transactions on Internet Technology* le 30 juillet 2026, dont le pré-publication officielle est librement accessible. C’est le seul cadre existant qui lie chaque niveau à un rôle de supervision humaine et à un seuil de confiance plutôt qu’à une feuille de route produit, et sa provenance souligne ce point : les auteurs précisent que cette échelle adapte la norme SAE J3016 relative à l’automatisation de la conduite en cinq niveaux opérationnels pour le SOC. Ses niveaux, tels qu’ils sont formulés : L0 Opérations manuelles (aucune autonomie), L1 Opérations assistées par l’IA (aide à la décision), L2 Opérations semi-autonomes (l’IA agit avec l’approbation humaine), L3 Opérations conditionnellement autonomes (intervention humaine en boucle) et L4 Opérations entièrement autonomes (surveillance humaine minimale).

Légende : Six cadres d'autonomie mis en correspondance avec l'échelle L0 à L4 validée par des pairs, ainsi qu'une architecture industrielle décrivant les couches du système plutôt que les niveaux d'autonomie.

Le désaccord qui se cache derrière ce tableau n’est pas d’ordre théorique. Deux pages figurant parmi les dix premiers résultats de recherche donnent des réponses incompatibles : la définition d’un fournisseur indique clairement que le modèle n’est pas entièrement autonome, tandis qu’un autre le définit comme prenant en charge une tâche de bout en bout, y compris la correction. Aucune des deux ne tranche. Le taux de base, lui, est révélateur : avec 57 % des utilisateurs qui examinent chaque verdict et seulement 13 % qui exécutent automatiquement des actions au-delà des actions à faible risque, la réponse honnête est que le SOC agentique actuellement en production fonctionne aux niveaux L1 à L2, le niveau L3 n’apparaissant que pour des catégories d’actions très spécifiques.

Les observations sur le terrain vont dans le même sens. Une équipe d’ingénieurs d’un grand opérateur de plateformes en ligne, qui a présenté des cadres de détection et de traque des agents en production lors de la conférence Black Hat USA 2026, a indiqué avoir « abandonné l’autonomie illimitée des agents au profit du modèle de créativité limitée de LangGraph », selon le programme des Briefings de Black Hat USA 2026. Le fait qu’une équipe de production renonce publiquement à l’autonomie constitue, dans le dossier, le contrepoids le plus solide à l’argument de la « maîtrise de bout en bout ». La qualité de la supervision elle-même fait désormais l’objet d’études : une affiche de l’AI Village de la DEF CON 34 intitulée « Stop Pressing 1 : Measuring Human Rubber-Stamping in Agent Oversight » (Dernière minute 1 : mesurer la validation mécanique par l’humain dans la supervision des agents), figurant dans le programme de l’AI Village de la DEF CON 34, identifie précisément le mode de défaillance qu’une politique de « tout vérifier » doit éviter.

Il existe également une opinion dissidente exprimée par un analyste, qu’il convient de dater. Dans l’évaluation du SOC autonome réalisée en 2022 par un cabinet d’analyse et publiée le 26 octobre 2022, Allie Mellen, analyste principale chez Forrester, a catégoriquement rejeté la vision du fournisseur concernant un SOC autonome : « Cette idée a autant de chances de se réaliser que celle de pouvoir rejoindre Starfleet et voyager aux côtés du capitaine Janeway au cours de ma vie. » Près de quatre ans plus tard, cette position a évolué vers une attitude de vigilance plutôt que de rejet : citée dans un article publié en août 2026, cette même analyste conseille aux acheteurs d’examiner minutieusement la précision, la reproductibilité et l’explicabilité des systèmes, ainsi que la manière dont les fournisseurs les valident, car « il est difficile de faire confiance à une technologie qui ne répondra pas toujours de la même manière ».

Vient ensuite la question des effectifs, où l’écart entre les professionnels de terrain et les prévisionnistes constitue un sujet d’actualité plutôt qu’une contradiction à résoudre. Environ deux tiers des professionnels interrogés ne prévoient pas de réduction des effectifs au sein des SOC : 57 % s’attendent à ce que l’IA modifie les rôles au sein des SOC sans changer le nombre d’effectifs, et 9 % s’attendent à une augmentation des effectifs. À cela s’oppose une prévision d’analyste, relayée par une seule source spécialisée, selon laquelle d’ici 2028, les agents IA trieront 80 % des alertes des SOC à l’échelle mondiale ; cette affirmation n’apparaissant sur aucune publication officielle de l’entreprise à laquelle elle est attribuée, il convient de la considérer comme une prévision d’analyste relayée par un seul média. Ce qui change à court terme, c’est le travail lui-même. Le profil de l’analyste de SOC assisté par l’IA qui se dégage des données de l’enquête montre une évolution du rôle de l’analyste de SOC: il passe du triage initial à la vérification des conclusions, à la gestion des exceptions et à la supervision du travail des agents, ce qui privilégie la profondeur de l’analyse plutôt que la rapidité de traitement des files d’attente.

Quelles sont les modalités d'expédition, par rapport à ce qui avait été annoncé ?

Les informations les plus concrètes de cette catégorie proviennent de sources primaires et sont datées. Quatre faits vérifiés :

1. Avril 2025 : dans l'annonce d'avril 2025 qui a introduit ce terme, le fournisseur d'origine a présenté neuf catégories d'agents, dont deux devraient faire l'objet d'une préversion destinée à certains clients au cours du deuxième trimestre 2025.
2. Mars 2026 : lors de son intervention à la conférence de mars 2026, le fournisseur a annoncé l'arrivée de « nouveaux agents au sein du SOC agentique », comme indiqué dans le communiqué de presse de cette conférence, sans toutefois citer d'autres agents que ceux chargés du triage et des enquêtes.
3. Août 2026 : la documentation relative à la période d’essai fournie par le fournisseur d’origine, mise à jour pour la dernière fois le 11 août 2026, prévoit la mise à disposition d’un agent, l’« agent de triage et d’investigation », avec un plafond de cinq exécutions automatiques et cinq exécutions manuelles par heure, soit une limite horaire totale de 10 exécutions d’essai, identique pour les deux niveaux d’abonnement, pendant la période d’essai allant du 1er avril au 31 août 2026.
4. Septembre 2026 : après le 31 août 2026, en l’absence d’un avis écrit de prolongation de la part du fournisseur, la période d’essai prendra fin selon les différents niveaux d’abonnement. L’un des niveaux d’abonnement passera à une allocation gratuite et limitée de jetons de sécurité, incluse dans l’abonnement de base ; l’autre perdra entièrement l’accès à l’agent.

‍

Légende : Chronologie documentée allant d'une vision articulée autour de neuf catégories à un seul agent expérimental soumis à une limite de dose et à une transition dépendante du niveau.

Une mise en garde importante doit accompagner ces faits : le document relatif à la version d'essai porte sur une période d'essai limitée dans le temps, et non sur la disponibilité globale du produit ; de plus, d'autres agents sont disponibles en avant-première en dehors de la version d'essai. Les faits vérifiés se suffisent à eux-mêmes, sans aucun calcul dérivé, et cette page s'abstient délibérément de calculer l'écart entre « les annonces et les livraisons ». Le fournisseur publie également une affirmation concernant le débit d'alertes pour l'agent de la version d'essai, mais celle-ci n'est accompagnée ni d'une méthodologie ni d'un échantillon ; elle est donc omise ici. Ce que la chronologie met en évidence, c’est à quoi ressemble la maturité « embryonnaire » vue de l’intérieur : une vision qui s’étend du triage à l’ingénierie de détection en passant par la chasse aux menaces, une surface de livraison restreinte et un comptage précis de ce qui est effectivement livré.

Ce que les données montrent, et ce qu’elles ne montrent pas

Il existe désormais deux tests de performance multimodèles, qui font tous deux état d'un échec ; le seul argument qui subsiste est qu'aucun test de performance ne compare encore les produits commerciaux disponibles sur le marché.

Le premier est SecRespond, un test de performance portant sur la réponse aux incidents et comprenant 23 modèles, publié le 29 juillet 2026, qui a évalué 23 grands modèles de langage (LLM) de pointe sur 10 cyber-terrains d’entraînement, quatre types de points d’entrée, 21 techniques ATT&CK et cinq systèmes d’exploitation. Ses auteurs indiquent que les agents actuels sont capables de détecter de manière fiable les problèmes signalés par les alertes, mais peinent à analyser le disque de manière proactive pour détecter les intrusions silencieuses ou à élaborer des plans de remédiation complets et vérifiés, aucun modèle ne parvenant à assurer une détection et une remédiation complètes sur un seul domaine d’évaluation. Le second est le « Cyber Defense Benchmark » d’avril 2026, qui a soumis cinq modèles de pointe à 26 campagnes tirées d’un corpus de 106 procédures d’attaque réelles : le meilleur modèle n’a atteint en moyenne que 3,8 % de détections correctes, et face à un seuil de réussite fixé à au moins 50 % de rappel pour chaque tactique ATT&CK, « le leader franchit ce seuil pour 5 des 13 tactiques et n’en franchit aucune pour les quatre restantes ». Ce benchmark a été rédigé par un éditeur, une information qui doit être mentionnée, bien qu’il évalue cinq modèles tiers plutôt que son propre produit.

L'auto-évaluation la plus documentée de cette catégorie illustre pourquoi une évaluation indépendante est essentielle. SIR-Bench a élaboré 794 cas de test à partir de 129 modèles d'incidents anonymisés et fait état d'un taux de détection des vrais positifs de 97,1 % et d'un taux de rejet des faux positifs de 73,4 %. Cependant, il n'a évalué qu'un seul agent, celui de ses propres auteurs, sur la base de données télémétriques provenant exclusivement de CloudTrail, et cette évaluation a été réalisée par cinq auteurs tous affiliés à un même fournisseur d'cloud . La référence humaine indiquée dans ce même article est que les analystes de niveau 2 atteignent environ 85 à 90 % de détection de vrais positifs avec 70 à 80 % de rejet de faux positifs, des références qu’il décrit comme des performances réalistes « sous la pression du temps et avec des informations incomplètes ».

Le signal le plus fort émanant de sources indépendantes des fournisseurs va à l’encontre du discours marketing. Dans l’enquête SANS 2026 sur l’IA, menée auprès de 536 professionnels et 57 cadres supérieurs, 63 % des personnes interrogées font état de lacunes importantes de l’IA en matière de détection et de réponse aux menaces, contre 45 % en 2025. Deux précisions concernant le champ d’application : il s’agit d’une enquête différente de l’enquête SANS SOC de 2026 citée précédemment, et elle évalue l’IA en matière de cybersécurité de manière générale ; par conséquent, ce sont ses aspects relatifs à la détection, à la réponse et à la gouvernance qui sont concernés ici. Des chercheurs indépendants intervenant lors de la conférence Black Hat USA 2026 sont parvenus à une conclusion similaire, indiquant que « les agents d’enquête ne parviennent pas à reconstituer l’intégralité des chaînes d’attaque générées par des attaquants autonomes » et que « l’économie des jetons constitue la contrainte déterminante ».

Même l’argument de l’urgence avancé par ce secteur repose sur des données télémétriques propres à chaque fournisseur, qui ne sont pas partagées. Le rapport sur les menaces de 2026 d’un fournisseur majeur, décrivant les données de 2025, estime le temps moyen de propagation d’un cybercrime à 29 minutes, le cas le plus rapide observé étant de 27 secondes, qualifié de valeur aberrante ; un deuxième fournisseur, analysant la même année, fait état de 34 minutes. Ces deux chiffres proviennent de données télémétriques propriétaires différentes, divergent d’environ 17 % et ne peuvent être ni conciliés ni moyennés. Le problème de la rapidité des défenseurs est bien réel, et c’est précisément pour cette raison qu’il existe des systèmes de détection basés sur l’IA, mais aucun outil indépendant ne le mesure.

Légende : Toutes les affirmations figurant dans les titres de cette catégorie, classées selon l'auteur de la mesure, le dénominateur utilisé et la date à laquelle elle a été effectuée.

Comment évaluer un SOC agentique sans acheter la version de démonstration ?

Chaque chiffre présenté dans la section précédente plaide en faveur de la même approche : vérifiez la fiabilité des résultats à l’aide de vos propres données de télémétrie, car les performances observées dans une démo contrôlée ne sont guère révélatrices. Un guide d’évaluation sponsorisé par une marque reconnaît ce point avec une franchise inhabituelle : « La précision se dégrade cependant souvent dès que ces outils sortent du cadre de la démonstration soigneusement préparée et sont confrontés aux conditions réelles de production. » Les critères d’évaluation qui comptent sont la précision des verdicts sur vos propres données, le rejet des faux positifs, l’explicabilité de la trace de raisonnement, la reproductibilité pour des entrées identiques, la manière dont le fournisseur valide son propre système, ce que fait l’agent en cas d’éléments manquants, la procédure de restauration et la piste d’audit.

Une liste de contrôle pratique pour l'évaluation de tout fournisseur de SOC d'IA :

• Comparez les résultats de vos analyses à ceux de vos propres analystes seniors, à partir de vos données de télémétrie.
• Tester le rejet des faux positifs à l'aide d'alertes de ressemblance bénignes.
• Exigez une trace de raisonnement lisible pour chaque verdict.
• Reproduisez les mêmes données d'entrée et vérifiez si les verdicts sont identiques.
• Demandez au fournisseur comment il vérifie la précision et par rapport à quelle référence.
• Comportement de la sonde en cas d'absence de données ou de signal télémétrique.
• Vérifiez les procédures de restauration et les pistes d'audit pour chaque action automatisée.

Le « lavage d’agents » est le mode de défaillance contre lequel cette discipline vise à protéger. Gartner met en garde à ce sujet à quatre reprises dans le rapport qui a donné son nom à cette catégorie, et la distinction qu’il établit entre les agents SOC IA autonomes et les assistants IA de cybersécurité à vocation purement augmentative s’explique par le fait que la plupart des fournisseurs qualifient à tort leurs assistants d’« agentiques ». Les questions que l’on se pose au sujet des principaux fournisseurs de SOC à agents, des prestataires ou des options de SOC à agents les plus abordables aboutissent toutes à la même réponse, indépendante des fournisseurs : cette page ne cite aucun fournisseur, car la liste de contrôle ci-dessus, appliquée à vos propres alertes, vous permettra de distinguer les entreprises de SOC IA et les solutions de SOC à agents plus rapidement que n’importe quel classement, et le coût ne devient comparable qu’une fois que vous savez quelle qualité de verdict vous achetez. Cette évaluation s’applique de la même manière, que vous choisissiez une plateforme SOC avec des agents intégrés, que vous achetiez des capacités « agentiques » via des services SOC gérés, ou que vous ajoutiez une couche d’agents à vos outils d’opérations de sécurité existants.

Les données comparatives « développer ou acheter » sont sans équivoque quant à la difficulté. Dans l’enquête menée par ViB en 2026, parmi les organisations utilisant déjà l’IA dans leur SOC, 72 % ont tenté de développer en interne des outils basés sur l’IA ou les modèles de langage de grande envergure (LLM) pour les workflows du SOC, et 46 % des équipes qui s’y sont essayées ont depuis abandonné ce développement, l’ont remplacé par un produit commercial ou ne l’ont jamais mis en production. Il convient de bien comprendre le dénominateur : ces deux chiffres concernent uniquement les équipes utilisant déjà l’IA, et ce pourcentage de 46 % s’applique au sous-ensemble de celles qui ont tenté de développer un outil en interne. C’est également la raison pour laquelle la mise en œuvre d’une IA agentique dans les opérations de sécurité est généralement difficile : la préparation des données, les modèles d’autorisation et la politique de révision déterminent le résultat, bien plus que le choix du modèle.

Le paysage des fournisseurs est en pleine consolidation tout en continuant à s'étendre. Un analyste réputé a recensé 123 fournisseurs suivis en 2026 (« si vous les additionnez, vous obtenez 123 ») et prévoit que « d’ici 2030, une vingtaine de fournisseurs resteront des fournisseurs indépendants et complets de SOC d’IA ». La consolidation a déjà commencé : en août 2026, une société spécialisée dans les données télémétriques a racheté les actifs technologiques et la propriété intellectuelle d’une start-up spécialisée dans les SOC basés sur l’IA, selon des conditions non divulguées ; il s’agissait d’un rachat d’actifs plutôt que d’une acquisition d’entreprise, comme l’ indiquent les articles de presse consacrés à cette cession d’actifs en août 2026. Il convient de prendre en compte les chances de survie des fournisseurs dans tout engagement pluriannuel.

Concernant le retour sur investissement (ROI) des SOC basés sur l'IA : tous les chiffres de ROI publiés dans les documents marketing de ce secteur ne sont pas étayés par des sources ou proviennent uniquement des affirmations des fournisseurs ; cette page n'en reprend donc aucun. Mesurez plutôt votre propre ROI à l'aide du taux de concordance des verdicts, de la différence de temps d'investigation sur vos propres alertes et de la part d'alertes qui ne font actuellement l'objet d'aucune enquête.

Gouvernance, responsabilité et réglementation

Un SOC agentique confère à un système autonome un pouvoir de maîtrise, ce qui fait de la responsabilité une condition opérationnelle plutôt qu’un risque abstrait. Aucune page de classement sur ce sujet ne contient d’informations réglementaires ; cette section établit donc un lien entre le modèle et les directives qui régissent concrètement l’action autonome, ce qui revêt une double importance pour toute équipe exploitant un SOC agentique en Europe.

Commençons par les recommandations des « Five Eyes » concernant l'adoption prudente des services d'IA agentique, publiées le 1er mai 2026, date et titre confirmés par la source primaire. Des sources secondaires décrivent ce document comme un texte de 30 pages rédigé par six agences et identifiant cinq catégories de risques ; ces détails proviennent de sources secondaires et sont indiqués comme tels ici.

Légende : Les cinq catégories de risques des « Five Eyes », issues de sources secondaires, traduites en décisions qu’un SOC doit prendre avant d’accorder aux agents l’autorisation d’intervenir, notamment en matière de piste d’audit et de responsabilité en cas de restauration.

Le NIST met en place le cadre de contrôle. Le projet du NIST portant sur les superpositions de contrôle pour la sécurisation des systèmes d’IA développe des superpositions de la norme SP 800-53 pour des cas d’utilisation de l’IA ; parmi les cas d’utilisation agentique du COSAiS, deux traitent directement des déploiements agentiques, l’un pour les systèmes d’IA à agent unique et l’autre pour les systèmes d’IA multi-agents ; un document conceptuel a été publié le 14 août 2025 et un projet de discussion annoté le 8 janvier 2026, tous deux ayant fait l’objet d’une vérification primaire. L’initiative CAISI du NIST relative aux normes pour les agents d’IA, lancée le 17 février 2026 et reposant sur trois piliers couvrant la sécurité, l’interopérabilité et l’identité des agents, est issue de sources secondaires. Selon les termes du cadre de cybersécurité 2.0 du NIST, le SOC agentique concentre les risques dans les fonctions de détection et de réponse, tandis que la fonction de gouvernance porte la responsabilité en matière de reddition de comptes.

Au sein de l’UE, le règlement (UE) n° 2026/1744, le « Digital Omnibus » sur l’IA, adopté le 8 juillet 2026, publié au Journal officiel le 24 juillet et entré en vigueur le 27 juillet, a reporté au 2 décembre 2027 les obligations relatives aux systèmes à haut risque prévues à l’annexe III de la loi sur l’IA et au 2 août 2028 celles prévues à l’annexe I, tout en laissant inchangées les obligations de transparence prévues à l’article 50, la disposition d’habilitation prévue à l’article 50, paragraphe 7, ayant été supprimée. L’article 50 est entré en vigueur le 2 août 2026 ; toutefois, les fournisseurs de systèmes génératifs déjà présents sur le marché avant cette date disposent d’un délai allant jusqu’au 2 décembre 2026 pour se conformer à l’obligation de marquage prévue à l’article 50, paragraphe 2 : il ne s’agit pas d’une contradiction, mais d’un délai de grâce accordé aux systèmes préexistants, qui s’ajoute à un article déjà applicable. Reportez-vous au texte consolidé et modifié de la loi sur l’IA, qui présente le texte en vigueur plutôt que les modifications apportées.

Les adversaires s'attaquent directement à la base de connaissances de l'agent. Un agent raisonne à partir de télémétrie, et contrairement à un analyste humain, il risque de ne pas remarquer le silence lorsque ces données télémétriques sont falsifiées. MITRE ATT&CK technique T1685, Désactiver ou modifier des outils, version 1.0, dernière modification le 12 mai 2026, relève de la catégorie « tactique » 0112, « Defense Impairment », recense précisément ces actes de manipulation : interruption des services, modification des configurations, blocage des mises à jour des outils et interférence avec le pipeline de journalisation. Une affiche présentée à l’AI Village de la DEF CON 34, intitulée « Poisoning the SOC : Prompt Injection via Ingested Telemetry » dans le programme « AI Village » de la DEF CON 34, aborde ce même type de problème du point de vue de la consigne : le flux d'informations propre à l'agent est considéré comme une surface d'injection.

La couche d'autorisation liée aux actions de réponse initiées par les agents fait désormais l'objet de preuves publiques avérées, qui démontrent qu'elle constitue la véritable surface de vulnérabilité. Selon la fiche NVD relative à la CVE-2026-72665, publiée le 13 août 2026, une faille d’autorisation manquante (CWE-862) signifiait qu’un utilisateur capable de créer et d’évaluer des règles de détection pouvait déclencher des actions de réponse à l’encontre d’agents enregistrés sans détenir les privilèges qui régissent normalement ces capacités : la création d’une règle de détection devenait un octroi implicite de l’autorité de confinement. Cette faille a reçu une note « ÉLEVÉE » (8,1) uniquement de la part de la CNA ; étant donné que son statut au NIST est « Reçu » et qu’aucune note principale du NIST n’existe encore, qu’elle ne figure pas dans le catalogue KEV, qu’aucune exploitation n’est documentée et qu’elle a fait l’objet d’une divulgation responsable et d’un correctif dans l’avis ESA-2026-96, il convient de l’interpréter comme un constat relatif à une catégorie de risque concernant la rédaction des règles de détection et l’autorité de réponse, et non comme une critique à l’encontre d’un fournisseur en particulier.

Enfin, le SOC agentique hérite de la surface de vulnérabilité de son environnement d'exécution, dont la portée est étroite : selon un balayage de la Base de données nationale des vulnérabilités (NVD) réalisé en août 2026, 74 entrées correspondent au « Model Context Protocol », dont 51 ont été publiées en 2026, la plus récente étant CVE-2026-19753 du 13 août 2026, ainsi que 68 enregistrements LangChain, 30 enregistrements LiteLLM, dont CVE-2026-30623, une faille CRITIQUE de niveau 9,8 permettant l'exécution de code à distance lors de la création d'un serveur MCP, et 36 enregistrements Ollama. Aucun d'entre eux ne comporte d'entrée KEV ; aucune allégation d'exploitation ne peut donc être étayée. Le renforcement de cette pile héritée relève de la responsabilité de sécurisation des agents d'IA, dont les fondements se situent à sécurisation des systèmes d'IA et Sécurité des IA génératives De manière générale, cette page souligne le fait que les propres outils du défenseur se trouvent désormais dans cette pile.

Quelle est la place du SOC agentique, et quelle direction prend-il ?

Considérez cela comme une catégorie en cours de formation, et commencez là où se trouvent les preuves concrètes : le triage. Le triage assisté par des agents est la seule capacité largement déployée à l’heure actuelle ; il produit un taux de concordance des verdicts mesurable en quelques semaines, et son échec est sans conséquence lorsque chaque verdict est revu par un humain. Un projet pilote réaliste consiste à faire fonctionner des agents sur la file d’attente des alertes d’un SOC moderne existant, en mode lecture seule ou recommandation seule, à mesurer la concordance par rapport aux analystes seniors, puis à étendre l’autonomie classe d’action par classe d’action. Les catégories de solutions qui répondent aujourd’hui aux besoins de ce marché comprennent les couches d’agents intégrées aux plateformes de SOC, les agents autonomes de triage et d’investigation, ainsi que les capacités basées sur des agents fournies via des services gérés ; la méthodologie d’évaluation décrite ci-dessus s’applique à ces trois types de solutions. La couverture reste tout aussi importante que le raisonnement : les agents ne peuvent raisonner qu’à partir des signaux fournis par la triade de visibilité, et ils transforment le rôle de l’analyste SOC plutôt que de le supprimer.

La direction à suivre ne fait pas l'objet d'une controverse majeure. Selon IDC, d’ici 2026, « les centres d’opérations de sécurité (SOC) évolueront d’environnements centrés sur l’humain vers des opérations renforcées par l’IA et de plus en plus autonomes », comme le souligne un analyste dans sa description de l’évolution des SOC; il est à noter qu’aucun pourcentage de remplacement n’est précisé. La voie réaliste à court terme passe par une transformation plus large des SOC: un triage « agentique » s’ajoutant aux programmes d’automatisation existants, l’autonomie ne s’étendant que dans la mesure où la concordance des verdicts mesurés le justifie. Les meilleures pratiques en matière de SOC « agentique » se résument, pour l’instant, à trois points : mener des projets pilotes à petite échelle, mesurer la concordance à l’aide de vos propres données télémétriques et maintenir une présence humaine dans la boucle pour les actions ayant des conséquences importantes.

Le point de vue d'Vectra AI sur le SOC agentique

Vectra AI part d’un postulat de compromis : les attaquants les plus rusés parviennent à s’infiltrer ; la question décisive est donc de savoir à quelle vitesse les défenseurs parviennent à les détecter et à les neutraliser. Dans cette optique, la question du SOC « agentique » est avant tout une question de signal, puis seulement ensuite une question d’autonomie. L’« Attack Signal Intelligence » est une méthodologie axée sur le rapport signal/bruit, qui définit ici une position claire : l’efficacité du triage assisté par des agents dépend entièrement de la qualité du signal sur lequel il s’appuie ; la couverture de l’environnement et la qualité du signal priment donc sur toute extension de l’autonomie. Un agent raisonnant à partir de données télémétriques bruitées ou incomplètes automatise l’incertitude au lieu de la résoudre. Et pour les actions ayant des conséquences importantes, un humain reste impliqué dans la boucle. Les équipes qui évaluent ce modèle peuvent commencer par examiner comment la détection pilotée par l’IA produit le signal dont dépendent les agents.

‍