Comment l’IA transforme la sécurité de la chaîne d’approvisionnement logicielle

La sécurité de la chaîne d’approvisionnement logicielle s’est longtemps concentrée sur ce qui se retrouve dans une application : les packages, les dépendances et les chemins qu’empruntent ces composants jusqu’à la production. Alors que les outils de développement assisté par l’IA deviennent partie intégrante du quotidien, ce périmètre s’élargit. Les systèmes d’IA contribuent désormais à écrire du code, à choisir des bibliothèques et à déclencher des outils au sein des pipelines de build, créant de nouveaux points où la confiance peut être compromise.

Les équipes de sécurité ont déjà constaté comment des logiciels tiers peuvent être exploités lors d’incidents tels que SolarWinds, Log4Shell, XZ Utils et, plus récemment, la campagne de packages malveillants Shai-Hulud. La préoccupation émergente est que l’IA introduit un niveau de dépendance supplémentaire. Le modèle, l’agent, les prompts qu’il traite et les outils qu’il appelle peuvent tous influencer ce qui est créé et livré.

Pourquoi le risque évolue

Selon les analystes, il ne suffit plus de traiter les résultats générés par l’IA comme du code ordinaire et de les analyser a posteriori. Un prompt injecté dans un modèle, un outil suggéré par un agent autonome ou un service connecté via MCP auquel on accède sans contrôles appropriés peuvent tous affecter la chaîne d’approvisionnement logicielle avant même que le code ne soit validé.

La question de la provenance s’est donc élargie. Les équipes doivent désormais se demander non seulement d’où vient un package, mais aussi comment un modèle a été configuré, quel agent a pris une décision et quels outils étaient disponibles à ce moment-là.

Ce que les organisations changent

Les programmes de sécurité qui s’adaptent au développement piloté par l’IA commencent à se concentrer sur deux domaines principaux :

• Traçabilité de bout en bout : suivre les modèles, les agents, les configurations, les prompts et les autres entrées en parallèle des dépendances de code traditionnelles.
• Priorisation fondée sur l’exploitabilité : utiliser le contexte d’exécution pour déterminer quelles détections sont réellement accessibles, plutôt que d’augmenter simplement le nombre d’alertes.

Le problème n’est pas le manque de données, mais leur abondance. Ajouter davantage d’analyses à des workflows de sécurité déjà saturés peut aggraver le retard accumulé sans améliorer la résilience. L’objectif plus large consiste à comprendre quels composants liés à l’IA sont fiables, lesquels sont observables et lesquels peuvent être contrôlés lors de l’exécution.

Le sujet a également attiré l’attention du marché. En juin, Gartner a publié son premier Magic Quadrant consacré à la sécurité de la chaîne d’approvisionnement logicielle, reflétant une demande croissante pour des approches structurées dans ce domaine. Par ailleurs, des chercheurs d’OX doivent discuter de l’impact de l’IA sur la sécurité de la chaîne d’approvisionnement lors d’un webinaire le 22 juillet, notamment des premières observations concernant les serveurs MCP accessibles sur le terrain et de la manière dont les organisations adaptent leurs contrôles.