AIR lève 50 millions de dollars pour contrôler les outils utilisés par les agents IA

AIR est sorti de sa phase de discrétion avec 50 millions de dollars de financement d’amorçage pour aider les entreprises à identifier les agents IA opérant dans leurs environnements et à évaluer les outils qu’ils utilisent. La startup cible une faille de sécurité créée par les skills, les plugins, les serveurs MCP et d’autres modules complémentaires qui donnent aux agents l’accès aux systèmes d’entreprise et à Internet.

L’entreprise a levé cet argent au cours de deux tours clôturés à quelques semaines d’intervalle, selon TechCrunch. Sequoia a mené un tour de 10 millions de dollars, tandis que Greenoaks a mené un tour ultérieur de 40 millions de dollars. AIR a été fondée par le PDG Yair Saban et le directeur technique Niv Hoffman, qui ont auparavant servi dans le corps du renseignement israélien Unit 8200, selon le rapport.

AIR affirme que sa plateforme peut découvrir les agents à l’échelle d’une entreprise, inspecter les composants sur lesquels ils s’appuient et intervenir lorsqu’un agent tente d’utiliser un outil non approuvé ou d’accéder à une source externe qui échoue aux contrôles de sécurité. Le financement soutiendra le recrutement supplémentaire en recherche et l’expansion commerciale aux États-Unis et en Europe.

Le pari d’AIR sur une chaîne d’approvisionnement logicielle des agents

Le postulat de l’entreprise est que les agents IA deviennent une nouvelle couche logicielle au sein des entreprises, mais que les composants qu’ils chargent ne sont pas encore régis comme les applications classiques ou les pilotes système. Une entreprise peut déployer un agent pour le support client, le codage, la recherche ou les opérations internes, tandis que l’agent appelle de manière autonome une skill, se connecte à un serveur MCP ou récupère du contenu sur le web.

Cette flexibilité crée un problème de chaîne d’approvisionnement. Un outil qui semble sûr au moment de l’approbation peut ensuite changer, télécharger une dépendance compromise ou être affecté par une prise de contrôle de compte. Des attaquants peuvent également tenter de manipuler les informations consommées par un agent plutôt que d’attaquer directement le modèle sous-jacent.

L’approche produit rapportée d’AIR comporte trois volets. Une couche de découverte recherche les agents et identifie les employés qui utilisent des services d’IA en dehors de l’approbation informatique, y compris des comptes personnels. Une couche d’application intercepte les actions de l’agent, comme le chargement d’une skill ou la récupération de contenu Internet. La plateforme compare ensuite les outils et modules complémentaires à une politique d’entreprise ou au propre catalogue de composants évalués d’AIR.

TechCrunch a indiqué qu’AIR maintient une place de marché de skills et de modules complémentaires vérifiés. Le PDG Yair Saban a déclaré au média que le système de l’entreprise filtre actuellement environ 27 % des composants qu’il trouve en ligne. Ce chiffre est une affirmation opérationnelle fournie par l’entreprise ; les éléments disponibles ne précisent ni la taille de l’échantillon, ni la méthodologie de test, ni la manière dont les composants « risqués » sont classés.

Un financement qui arrive dans une catégorie de sécurité déjà encombrée

AIR entre sur un marché qui compte déjà plusieurs fournisseurs axés sur la visibilité et le contrôle des agents. TechCrunch a identifié Noma Security, Zenity, Astrix Security et Operant AI comme des sociétés offrant des capacités qui se recoupent autour des agents IA, des serveurs MCP, des contrôles d’accès ou de la protection à l’exécution.

Cette catégorie attire d’importants investissements en capital-risque. Zenity a levé, selon les rapports, 125 millions de dollars en Série C en août, tandis que Noma Security avait auparavant levé 100 millions de dollars en Série B. Ces financements suggèrent que les investisseurs considèrent la gouvernance des agents comme un marché distinct du logiciel d’entreprise, bien que les montants levés n’établissent ni l’efficacité du produit ni la demande des clients.

La différenciation revendiquée par AIR est la réévaluation continue des composants utilisés par les agents, plutôt qu’un balayage ponctuel. Bogomil Balkansky, partenaire chez Sequoia, a décrit le défi, dans une déclaration fournie à TechCrunch, comme un problème d’infrastructure nécessitant une inspection répétée chaque fois qu’une skill, un plugin ou un serveur MCP change. Il s’agit de l’évaluation d’un investisseur sur l’approche de l’entreprise, et non d’une validation indépendante de l’avantage technique d’AIR.

Ce que les données disent de l’adoption

AIR affirme compter plus de 20 clients, dont environ un quart seraient de grandes entreprises, selon les propos de Saban à TechCrunch. L’entreprise a également indiqué que la demande était particulièrement forte dans les services financiers et les sociétés pharmaceutiques, des secteurs où le contrôle des données, l’auditabilité et la gestion des risques liés aux tiers sont déjà des préoccupations majeures d’achat.

Ces chiffres d’adoption sont fournis par l’éditeur et n’ont pas été vérifiés indépendamment dans le matériel source. Le rapport ne nomme aucun client, ne divulgue aucun chiffre d’affaires et ne fournit aucun résultat de déploiement montrant à quelle fréquence AIR bloque des comportements malveillants ou contraires aux politiques. Cela laisse ouvertes d’importantes questions sur les performances du produit dans des environnements d’agents vastes et hétérogènes.

L’entreprise compte environ 40 employés, a rapporté TechCrunch. Son nouveau capital donne à AIR la marge nécessaire pour développer une plus grande équipe de recherche et vendre en Europe et aux États-Unis, mais il accroît aussi le défi d’exécution : la startup doit suivre le rythme de l’évolution rapide des frameworks d’agents, des protocoles d’outils et des politiques des fournisseurs de modèles, tout en s’intégrant aux systèmes déjà utilisés par les entreprises.

Pourquoi le produit compte pour les créateurs et acheteurs d’IA

Pour les équipes produit IA, le problème est concret. Un agent capable d’interroger une base de données, d’exécuter du code, d’envoyer un e-mail ou de naviguer sur le web peut présenter une surface d’attaque plus large qu’un chatbot classique. Les équipes qui construisent des agents internes devront disposer d’inventaires des outils disponibles, de politiques d’approbation claires, de journaux des actions des agents et d’un moyen de révoquer l’accès lorsqu’un composant change.

Le modèle d’AIR pourrait séduire les entreprises qui utilisent plusieurs fournisseurs de modèles ou développent des agents sur plusieurs plateformes. Une couche de contrôle indépendante peut être utile lorsque les équipes de sécurité ne veulent pas dépendre de chaque fournisseur d’IA pour implémenter des contrôles compatibles. Elle pourrait aussi aider les organisations à traiter l’IA fantôme, lorsque des employés connectent des services non approuvés aux données de l’entreprise.

Le compromis est opérationnel. Un blocage agressif peut empêcher des workflows utiles, tandis que des politiques trop permissives peuvent exposer les organisations à l’injection de prompts, à des dépendances malveillantes ou à des fuites accidentelles de données. Les acheteurs auront besoin de preuves qu’AIR peut distinguer un comportement réellement dangereux d’une activité d’agent inhabituelle mais légitime, et que sa couche d’application ne crée pas de problèmes de latence ou de fiabilité inacceptables.

Pour les développeurs, la vérification continue pourrait devenir une partie du processus de publication des skills et intégrations d’agents. Les auteurs d’outils pourraient être confrontés à des exigences de paquets signés, de dépendances transparentes, de notifications de changement et de périmètres d’autorisations plus clairs. Ces exigences ajouteraient des frictions, mais elles pourraient aussi faciliter l’adoption des écosystèmes d’agents par les équipes de sécurité des entreprises.

Ce qu’il faut surveiller ensuite

Les prochains signaux seront des preuves clients plus détaillées, notamment des déploiements nommés, des réductions mesurables de l’utilisation d’outils risqués et des tests indépendants des affirmations de détection d’AIR. Les acheteurs devraient aussi surveiller si l’entreprise publie des informations techniques sur son pipeline d’évaluation, la surveillance des mises à jour et les contrôles de politique.

La concurrence sera un autre indicateur. Le marché devrait probablement se scinder entre les produits qui découvrent principalement les agents et les plateformes qui inspectent et appliquent en continu les actions à travers plusieurs fournisseurs. Les développements chez Noma Security, Zenity, Astrix Security et Operant AI pourraient préciser si la vérification continue des composants devient une fonctionnalité standard ou demeure le positionnement central d’AIR.

Les fournisseurs de modèles IA et les plateformes d’agents pourraient également ajouter des contrôles natifs pour l’approbation des outils, la signature des paquets et la surveillance à l’exécution. Si ces contrôles deviennent interopérables, AIR pourrait devenir une couche de coordination indépendante. S’ils restent fragmentés, la startup pourrait trouver une ouverture plus forte auprès des entreprises qui exploitent des piles d’agents mixtes.

Perspective Creati.ai

Le financement d’AIR reflète un changement réel dans le déploiement de l’IA d’entreprise : le périmètre de sécurité se déplace au-delà du modèle et vers les outils qu’un agent peut découvrir, installer et invoquer. L’entreprise répond à un problème opérationnel concret, mais sa différenciation dépend de la démonstration que la revalidation continue offre une meilleure protection que les contrôles existants de sécurité applicative et d’identité.

Le test le plus important ne sera pas le montant du financement d’AIR ni le nombre de ses premiers clients. Il s’agira de savoir si les équipes de sécurité peuvent utiliser la plateforme sans ralentir l’automatisation légitime, et si AIR peut maintenir des évaluations exactes et à jour alors que les composants des agents évoluent plus vite que les cycles traditionnels de revue logicielle.