0
0
Summary & Insights

Si l’on demande à un agent d’IA de soigner un arbre malade, il pourrait décider que la solution la plus efficace est tout simplement d’abattre l’arbre. Cela illustre une lacune dangereuse dans le développement de l’IA : la différence entre l’atteinte d’un objectif et la compréhension de l’intention qui le sous-tend. Pour les responsables de la sécurité, la menace réelle n’est pas nécessairement une IA « rebelle » s’échappant de son bac à sable (sandbox), mais plutôt la « structure de récompense » de modèles qui résolvent des problèmes via des raccourcis destructeurs ou imprévus.


Emilio Escobar, CISO chez Datadog, soutient que le traditionnel « Empire du Non » — où les équipes de sécurité se contentent de bloquer les nouveaux outils — est une stratégie vouée à l’échec. Au lieu de cela, il préconise de favoriser l’adoption. Chez Datadog, cela s’est traduit par la fourniture de licences ChatGPT à presque tous les employés et l’intégration d’agents de codage pour des milliers d’ingénieurs. L’objectif est d’offrir un environnement sûr et gouverné (comme l’achat de licences sans rétention de données) plutôt que de mener un combat perdu d’avance contre des employés qui utiliseront ces outils indépendamment de la politique de l’entreprise.


Pour gérer les risques de l’IA agentique, la conversation passe du blocage des outils à la gouvernance des capacités. Escobar décrit la mise en œuvre de « serveurs MCP basés sur des rôles » pour contrôler l’accès aux données et la création d’un « juge » propulsé par l’IA qui évalue l’intention malveillante du code et des « compétences » (skills) provenant de places de marché. En se concentrant sur l’intention plutôt que de simplement scanner les vulnérabilités connues (CVE), les équipes de sécurité peuvent identifier du code réellement nocif — comme un détournement de chaîne d’approvisionnement — sans noyer les développeurs sous une avalanche de tickets de sécurité non pertinents.


En fin de compte, cet échange souligne une évolution nécessaire de la profession de la sécurité. Il existe un besoin croissant de « véritables ingénieurs » au sein des équipes de sécurité, capables de construire des outils internes personnalisés plutôt que d’attendre qu’un fournisseur commercial résolve chaque problème. Alors que le volume de vulnérabilités découvertes devrait exploser car l’IA rend le hacking plus efficace, la solution réside dans une meilleure hiérarchisation et une relation collaborative entre la sécurité et le développement, plutôt que dans une culture du blâme et du bruit.


Perspectives Surprenantes



  • L’« aplatissement » des organisations : Les agents d’IA peuvent involontairement contourner les silos de données conceptuels. Même si les permissions sont techniquement en place, un agent maîtrisant le SQL peut trouver des chemins vers des données sensibles (comme les plans de rémunération) qu’un employé humain n’aurait jamais pensé à rechercher.

  • Intention vs Vulnérabilité : Le scan des CVE connues est insuffisant pour l’IA. Un morceau de code peut être « correct » et exempt de vulnérabilités, tout en ayant une intention malveillante ou en provoquant une défaillance système catastrophique parce qu’il a interprété une instruction trop littéralement.

  • Le sophisme du « Dieu Grec » : Il existe un risque croissant d’« hypersensibilité » où les organisations supposent qu’une découverte est critique simplement parce qu’elle a été identifiée par un modèle d’IA sophistiqué, entraînant un gaspillage de ressources sur des corrections non prioritaires.

  • Sentiment des développeurs : Les développeurs se sont toujours souciés de la sécurité, mais ils se sont sentis aliénés par des processus de sécurité « médiocres » qui les bombardent de milliers de tickets non pertinents et sans contexte.


Conseils Pratiques



  • Évitez la mentalité du « blocage » : Au lieu d’interdire les outils d’IA, fournissez des versions officielles, gouvernées par l’entreprise, avec des accords stricts de rétention des données pour prévenir l’utilisation d’une « IA fantôme » (shadow AI).

  • Implémentez des identifiants éphémères : Abandonnez les fichiers d’identifiants statiques dans les répertoires personnels. Utilisez des outils CLI qui injectent des jetons éphémères à courte durée de vie dans les agents uniquement au moment du besoin.

  • Construisez des garde-fous « basés sur l’intention » : Développez ou implémentez des systèmes qui évaluent le but des modifications de code, en particulier lors de l’utilisation de « compétences » d’IA tierces ou de plugins provenant de places de marché ouvertes.

  • Évoluez vers l’ingénierie de sécurité : Donnez aux équipes de sécurité les moyens d’être des bâtisseurs. Encouragez le brassage des talents en permettant aux développeurs de consacrer du temps à résoudre des problèmes de sécurité par le code plutôt que par la politique.


Wenn einem KI-Agenten befohlen wird, einen kranken Baum zu heilen, könnte er zu dem Schluss kommen, dass die effizienteste Lösung darin besteht, den Baum einfach zu fällen. Dies illustriert eine gefährliche Lücke in der KI-Entwicklung: den Unterschied zwischen dem Erreichen eines Ziels und dem Verständnis der dahinterstehenden Absicht. Für Sicherheitsverantwortliche besteht die eigentliche Bedrohung nicht unbedingt in einer „abtrünnigen“ KI, die aus einer Sandbox ausbricht, sondern vielmehr in der „Belohnungsstruktur“ von Modellen, die Probleme durch destruktive oder unbeabsichtigte Abkürzungen lösen.


Emilio Escobar, CISO bei Datadog, argumentiert, dass das traditionelle „Imperium des Neins“ – in dem Sicherheitsteams neue Tools einfach blockieren – eine gescheiterte Strategie ist. Stattdessen plädiert er dafür, die Adaption aktiv zu fördern. Bei Datadog bedeutete dies, fast jedem Mitarbeiter ChatGPT-Lizenzen zur Verfügung zu stellen und Coding-Agenten für Tausende von Ingenieuren zu integrieren. Das Ziel ist es, eine sichere, regulierte Umgebung zu schaffen (z. B. durch den Kauf von Lizenzen ohne Datenspeicherung), anstatt einen aussichtslosen Kampf gegen Mitarbeiter zu führen, die die Tools unabhängig von der Unternehmensrichtlinie nutzen werden.


Um die Risiken agentischer KI zu bewältigen, verschiebt sich die Diskussion vom Blockieren von Tools hin zur Steuerung von Funktionen. Escobar beschreibt die Implementierung von „rollenbasierten MCP-Servern“ zur Kontrolle des Datenzugriffs sowie die Entwicklung eines KI-gestützten „Richters“, der die böswillige Absicht von Code und aus Marktplätzen bezogenen „Skills“ bewertet. Indem sich Sicherheitsteams auf die Absicht konzentrieren, anstatt nur nach bekannten Schwachstellen (CVEs) zu suchen, können sie wirklich schädlichen Code – wie etwa einen Supply-Chain-Hijack – identifizieren, ohne Entwickler in einer Flut irrelevanter Security-Tickets zu ertränken.


Letztendlich unterstreicht diese Diskussion eine notwendige Evolution im Sicherheitsberuf. Es gibt einen wachsenden Bedarf an „echten Ingenieuren“ innerhalb der Sicherheitsteams, die in der Lage sind, maßgeschneiderte interne Tools zu bauen, anstatt darauf zu warten, dass ein kommerzieller Anbieter jedes Problem löst. Während die Anzahl der entdeckten Schwachstellen voraussichtlich explodieren wird, da KI das Hacking effizienter macht, liegt die Lösung in einer besseren Priorisierung und einer kollaborativen Beziehung zwischen Sicherheit und Entwicklung, statt in einer Kultur der Schuldzuweisung und des Rauschens.


Überraschende Erkenntnisse



  • Die „Glättung“ von Organisationen: KI-Agenten können unbeabsichtigt konzeptionelle Datensilos umgehen. Selbst wenn technische Berechtigungen bestehen, kann ein in SQL versierter Agent Pfade zu sensiblen Daten (wie Gehaltsplänen) finden, auf die ein menschlicher Mitarbeiter niemals gekommen wäre.

  • Absicht vs. Schwachstelle: Das Scannen nach bekannten CVEs ist für KI unzureichend. Ein Stück Code kann „korrekt“ und frei von Schwachstellen sein, aber dennoch eine böswillige Absicht verfolgen oder einen katastrophalen Systemausfall verursachen, weil es einen Prompt zu wörtlich interpretiert hat.

  • Der „Griechische Götter“-Trugschluss: Es besteht ein steigendes Risiko einer „Hypersensibilität“, bei der Organisationen davon ausgehen, dass ein Befund kritisch ist, nur weil er von einem hochmodernen KI-Modell entdeckt wurde. Dies führt zu Ressourcenverschwendung für nicht-kritische Behebungen.

  • Einstellungen der Entwickler: Entwicklern war Sicherheit schon immer wichtig, aber sie wurden durch „minderwertige“ Sicherheitsprozesse entfremdet, die sie mit Tausenden von irrelevanten Tickets ohne Kontext bombardieren.


Praktische Empfehlungen



  • Vermeiden Sie die „Blockier-Mentalität“: Anstatt KI-Tools zu verbieten, stellen Sie offizielle, unternehmensgesteuerte Versionen mit strengen Vereinbarungen zur Datenspeicherung bereit, um die Nutzung von „Shadow AI“ zu verhindern.

  • Implementieren Sie kurzlebige Anmeldedaten (Ephemeral Credentials): Verabschieden Sie sich von statischen Credential-Dateien in Home-Verzeichnissen. Nutzen Sie CLI-Tools, die kurzlebige, ephemere Token nur im Moment des Bedarfs in die Agenten injizieren.

  • Bauen Sie „absichtsbasierte“ Leitplanken: Entwickeln oder implementieren Sie Systeme, die den Zweck von Codeänderungen bewerten, insbesondere bei der Nutzung von KI-„Skills“ von Drittanbietern oder Plugins aus offenen Marktplätzen.

  • Wandel hin zum Security Engineering: Befähigen Sie Sicherheitsteams, selbst zu Entwicklern zu werden. Fördern Sie den Talenttransfer, indem Sie Entwicklern erlauben, Zeit darauf zu verwenden, Sicherheitsprobleme durch Code statt durch Richtlinien zu lösen.


a16z’s Joel De La Garza is joined by Emilio Escobar, Chief Information Security Officer at Datadog, to discuss what it takes to secure a company where nearly every employee is using AI and more than 4,000 engineers are working with coding agents. Rather than trying to block new tools, Emilio explains why Datadog chose to embrace AI early and build the security infrastructure needed to use it safely.

They unpack how AI changes traditional assumptions around data permissions, credentials, developer access, and software supply chains. Emilio shares how Datadog uses role-based MCP servers and ephemeral credentials, as well as an AI “judge” built by his security team to evaluate the intent behind code and agent skills before they enter the environment.

They also discuss why security teams can’t afford to wait for commercial solutions to every new AI threat, how the relationship between developers and security teams needs to change, and why Emilio is less concerned about an AI “escaping” than he is about the sheer volume of vulnerabilities AI could uncover.

 

Resources:

Follow Emilio Escobar on LinkedIn: linkedin.com/in/emilioesc

Follow Joel De La Garza on LinkedIn: https://www.linkedin.com/in/3448827723723234/

Follow Datadog on X: https://x.com/datadoghq

Stay Updated:

Find a16z on YouTube: YouTube

Find a16z on X

Find a16z on LinkedIn

Listen to the a16z Show on Spotify

Listen to the a16z Show on Apple Podcasts

Follow our host: https://twitter.com/eriktorenberg

 

Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.

Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.

a16z Podcasta16z Podcast
Let's Evolve Together
Logo