Over the past 20 years, I have experienced several organizational transformations with different employers, all catalyzed by major technological innovations: automation, cloud computing, and advanced AI.

Here, I aim to highlight the importance of IT in operational technologies, clarify the context of automation, cloud computing and advanced AI, and examine how their synergy amplifies their respective capabilities.

Foreword: This article, enhanced with AI-generated improvements (Napkin, Google AI, Perplexity), is made available under the CC BY-ND 4.0

The Growing Ubiquity of IT in Operational Technologies: A Deep Industrial Transformation

Operational Technologies (OT) encompass all systems used to monitor, control and automate industrial equipment, manufacturing processes, critical infrastructure and other physical systems.

The exponential integration of IT into the OT mix represents a transformation of considerable magnitude for numerous industrial sectors worldwide. This trend is characterized by the integration of increasingly complex IT systems at the heart of production processes.

At the same time, this computerization is gaining importance in the management and supervision of critical infrastructure. Energy networks, water treatment facilities, and road, rail, air or maritime networks increasingly depend on IT systems for constant monitoring, precise control and real-time optimization of flows.

Computerization is also transforming service delivery. Telecommunications, financial services and logistics rely on high-performance IT platforms for data management, security, speed and optimization of operations and supply chain.

The massive integration of IT into physical operations leads to a convergence between IT and OT. Real-time data from infrastructure and processes are analyzed by powerful systems, transforming this data into decision-making information to improve efficiency, guide strategies and anticipate maintenance. This convergence offers unprecedented possibilities to improve operational efficiency through resource optimization, increased productivity through automation and finer, more adaptable process control, enabling greater customization.

Finally, this convergence between IT and operational technologies proves to be a powerful catalyst for innovation. The intelligent exploitation of collected data and advanced task automation pave the way for the development of new products with enhanced functionality, novel services meeting emerging needs and disruptive business models challenging established practices. This transformation, driven by the digital transformation of operational processes, is therefore an essential driver of economic growth in an ever-evolving industrial landscape.

Automation, Cloud Computing and AI: Brief Overview

Automation: From Fundamentals to Advanced Systems

Foundations of Modern Automation

Technology has always promised to simplify human life. Paradoxically, its applications usually require systems composed of processes with varying complexity. Similarly, each process is a sum of more or less complex tasks, whose execution requires human intervention.

Modern automation aims to improve productivity while minimizing errors due to manual interactions by replacing humans in executing all or part of these tasks.

Basics of IT Automation

In the context of current IT, automation initially enabled the rationalization of basic administrative tasks through simple and effective scripts. The continuous improvement of scripting languages like Python, PowerShell, and Bash, combined with the proliferation of Application Programming Interfaces (APIs), has paved the way for automating processes previously considered complex and time-consuming. These processes now include user access management, IT infrastructure configuration and deployment, processing and analysis of large data volumes, and implementation of robust sensitive data protection measures. Automation has even reached a level of sophistication allowing end-to-end workflow orchestration, integrating various applications and systems to achieve complex business objectives.

Among basic automation systems implemented in IT, we commonly find:

• Schedule programming, which allows executing specific tasks at predefined times. It is notably used for:
  • Software update management across IT systems
  • Enterprise data lifecycle management (backup, archiving, deletion)
• Pattern filtering, which triggers specific actions based on patterns listed in a definition database. This type of automation is frequently used for:
  • Chatbots limited to simple interactions, found in FAQs or e-commerce sites
  • Threat prevention systems (antivirus, antimalware)
  • Intrusion Prevention Systems (IPS)

Cloud Computing: The Engine of Digital Transformation

In the span of 20 years, the IT sector has seen the rise and widespread adoption of what we call cloud computing.

Where companies and organizations were previously constrained to finance the purchase, implementation, operational maintenance, evolution, and obsolescence management of increasingly complex and therefore massive IT solutions, they have been offered the possibility to switch to “As a Service” consumption models. These services are offered remotely by third-party providers and used by clients to complement or replace pre-existing solutions.

Among the most common cloud service models:

• Infrastructure as a Service (IaaS)
  • Provides virtualized computing resources over the Internet or via virtual private networks, including servers, storage, and networks
  • Users manage operating systems, applications, and data, while hardware and virtualization are managed by the provider
• Platform as a Service (PaaS)
  • Offers a cloud platform and environment enabling developers to create applications and services on the Internet
  • PaaS providers host hardware and software on their own infrastructure
• Software as a Service (SaaS)
  • Provides software applications over the Internet on a subscription basis
  • Users can access software from any device with an Internet connection and web browser, without worrying about installation, maintenance, or coding

In the top 3 IaaS and PaaS providers, we find:

• Amazon Web Services (AWS)
  • Public cloud leader since 2002, AWS holds 33% market share with over 200 services (computing, machine learning, etc.). Its worldwide success is explained by its reliability, flexibility, scalability, and continuous innovation, significantly contributing to digital transformation
• Microsoft Azure
  • The Redmond giant promotes deep integration of its cloud services with its existing ecosystem, which appeals to companies already using its products (Windows Server, MS SQL, Office 365, etc.)
• Google Cloud Platform (GCP)
  • Google’s cloud solution stands out for its global network, AI and data processing innovations, and Kubernetes container orchestration solutions

On the SaaS solutions side, we notably see:

• Salesforce (for customer relationship management)
• SAP (for enterprise resource planning)
• Microsoft 365
• Google Workspace

Cloud computing offerings are plentiful!

When designing a solution, it is recommended to evaluate the following criteria:

• Integration with existing systems
• Budget
• Requirements for performance, availability, and capacity
• Security requirements
• Compliance obligations
• Team skill level

Boom of Advanced Artificial Intelligence in Information Systems

Machine Learning (ML): The Foundation

Machine Learning (ML) is the branch of AI that, through the use of increasingly complex algorithms to process data, improves computer performance on task execution without being specifically programmed for it.

ML’s scope of application is quite vast and has long been integrated into information systems, particularly in:

• Search engines
• Recommendation systems
• Anomaly detection in cybersecurity

Deep Learning (DL): A Leap Forward

Deep Learning (DL) is a branch of artificial intelligence and machine learning that uses artificial neural networks composed of multiple layers (hence “deep”) to “learn” from large amounts of data, often unstructured.

Inspired by the functioning of the human brain, DL allows computers to recognize complex patterns in images, text, audio, or other types of data, and automate tasks that normally require human intelligence.

Long-standing applications include, for example:

• Banking fraud detection
• Facial and voice recognition
• Automatic translation

The Rise of Generative AI: The New Wave

Generative artificial intelligence (GenAI) leverages advanced ML and DL techniques to create new content (text, images, audio, video, code, etc.) by drawing inspiration from the characteristics of the data it was trained on.

Major advances made in the last five years regarding the relevance of generated content are paving the way for the integration of GenAI features within information systems.

Thus, we increasingly observe uses in IS such as:

• Automatic code generation
• Marketing content creation
• Advanced chatbot deployment

Agentic AI: When Unity Makes Strength

Agentic AI refers to autonomous AI systems that are reasoning-enabled, goal-oriented, adaptable, and capable of dynamically interacting with their environment to achieve results without constant supervision. Unlike static AI, it is holistic, proactive, and adaptive, acting like a specialized digital employee capable of evolving and collaborating.

Echoing what is described in my dedicated article on Agentic AI applications in the telecom infrastructure world, use cases for AI agents in IS are numerous:

• Customer service automation
• Predictive maintenance
• General operational optimization and supply chain management
• Security and fraud detection
• Analysis and reporting

Synergies Between Automation, Cloud Computing and Advanced AI

The dynamic integration of automation, cloud computing, and advanced artificial intelligence creates a powerful synergistic interaction, forming a virtuous cycle where the capabilities of each component enhance each other, opening new avenues for efficiency, innovation, and growth.

AI-Powered Automation

The automation of repetitive tasks is essential in many fields. With the increasing complexity of goods and services production processes due to technological innovations, automation systems must be capable of handling increasingly complex and varied tasks.

Current AI, with its ability to analyze vast data and identify complex patterns, has become an indispensable tool for large-scale automation. Recent advances in machine learning and deep learning, along with the rise of generative and Agentic AI, have enabled the automation of increasingly sophisticated tasks, such as code creation or automated IT incident management.

AI Capabilities Enhanced by Cloud Computing

The development and deployment of AI applications, particularly those based on deep learning and generative AI, require significant computing and storage resources. AI models, such as large language models or neural networks for vision, are trained on massive datasets, requiring infrastructures capable of processing and storing petabytes of information.

Cloud computing has quickly emerged as the ideal solution, offering considerable scalability and flexibility to allocate resources on demand. Cloud providers offer GPUs and TPUs optimized for AI workloads, making this essential computing power not only more financially accessible but also more flexible and easy to deploy, thus promoting adoption and innovation in artificial intelligence.

Cloud Capabilities Optimized and Enhanced by AI

Faced with growing demand for cloud services and the need to optimize costs, intelligent scaling automation has become paramount. Generative and Agentic AI, by combining their strengths, enable achieving this goal.

Generative AI can analyze usage trends and anticipate future resource needs, enabling proactive allocation and avoiding over-provisioning or under-provisioning.

Agentic AI, meanwhile, can monitor resource usage in real-time and dynamically adjust allocation based on needs, automatically moving workloads to less utilized servers or adapting resources on demand. This enables more efficient and economical management of cloud infrastructures.

Computing Power Enhanced by AI

Artificial intelligence doesn’t just optimize the use of existing computing resources; it’s also revolutionizing the design and manufacturing of computer chips themselves. Thanks to Machine Learning and Deep Learning, engineers can now simulate and test thousands of integrated circuit configurations in record time.

AI helps identify the most efficient designs, thus reducing energy consumption and increasing processing speed. Additionally, generative AI is used to create new types of chip architectures, paving the way for unprecedented performance and increased specialization for AI workloads themselves.

This positive feedback loop between AI and computer hardware promises spectacular advances in the years to come.

Conclusion

We’ve just seen that the deep integration of automation, cloud, and AI is radically changing information systems and factories. These combined technologies offer incredible opportunities for efficiency, innovation, and growth.

However, this transformation, like every technological innovation, raises a key question: what will be the impact on people and the job market? How can we ensure a just transition that is open to everyone, where the benefits are shared and the challenges are managed responsibly?

I’ll delve into these questions in detail in my next post. Until then, join me on social media 😉

Ces 20 dernières années, j’ai vécu plusieurs transformations organisationnelles avec différents employeurs, toutes ont eu comme catalyseur des innovations technologiques majeures : l’automatisation, l’infonuagique et les IA avancées.

Ici, je me propose de mettre en lumière l’importance de l’informatique dans les technologies opérationnelles, de clarifier le contexte de l’automatisation, de l’infonuagique et des IA avancées et d’examiner comment leur synergie amplifie leurs capacités respectives.

Avant-propos: Cet article, augmenté d’améliorations générées avec des IA (Napkin , Google AI, Perplexity), est mis à disposition au travers de la license CC BY-ND 4.0

L’Omniprésence Croissante de l’Informatique dans les Technologies Opérationnelles : Une Transformation Industrielle Profonde

Les Technologies Opérationnelles (TO) regroupent l’ensemble des systèmes utilisés pour surveiller, contrôler et automatiser les équipements industriels, les processus de fabrication, les infrastructures critiques et d’autres systèmes physiques.

L’intégration exponentielle de l’informatique dans le mix des TO représente une transformation d’une ampleur considérable pour une multitude de secteurs industriels à l’échelle planétaire. Cette tendance se caractérise par une intégration de systèmes informatiques d’une complexité croissante au cœur des processus de production.

Dans le même temps, cette informatisation gagne en importance dans la gestion et la supervision des infrastructures critiques. Les réseaux énergétiques, les installations de traitement des eaux, ou encore les réseaux routiers, ferroviaires, aériens ou maritimes, dépendent de plus en plus de systèmes informatiques pour assurer une surveillance constante, un pilotage précis et une optimisation en temps réel des flux.

L’informatisation transforme également la distribution de services. Les télécommunications, les services financiers et la logistique dépendent de plateformes informatiques à hautes performances pour la gestion de données, la sécurité, la rapidité et l’optimisation des opérations et de la chaîne d’approvisionnement.

L’intégration massive de l’informatique dans les opérations physiques entraîne une convergence entre les TI et les TO. Les données temps réel des infrastructures et processus sont analysées par des systèmes puissants, transformant ces données en informations décisionnelles pour améliorer l’efficacité, orienter les stratégies et anticiper la maintenance. Cette convergence offre des possibilités inédites pour améliorer l’efficacité opérationnelle par l’optimisation des ressources, l’augmentation de la productivité grâce à l’automatisation et un contrôle plus fin et adaptable des processus industriels, permettant une personnalisation accrue.

Enfin, cette convergence entre l’informatique et les technologies opérationnelles se révèle être un puissant catalyseur d’innovation. L’exploitation intelligente des données collectées et l’automatisation avancée des tâches ouvrent la voie au développement de nouveaux produits aux fonctionnalités enrichies, de services inédits venant combler des besoins émergents et de modèles d’affaires disruptifs remettant en question les pratiques établies. Cette transformation, portée par la transformation numérique des processus opérationnels, est donc un moteur essentiel de la croissance économique dans un paysage industriel en constante évolution.

Automatisation, infonuagique et IA : bref état des lieux

Automatisation: des fondamentaux aux systèmes avancés

Les fondements de l’automatisation moderne

La technologie a toujours eu cette promesse : simplifier la vie de l’être humain. De manière paradoxale, ses applications nécessitent généralement des systèmes composés de processus d’une complexité variable. De la même manière, chaque processus est une somme de tâches plus ou moins complexes, dont l’exécution va demander de l’intervention humaine.

L’automatisation moderne a pour but d’améliorer la productivité tout en évitant au maximum les erreurs dues aux interactions manuelles en remplaçant l’être humain dans l’exécution de tout ou partie de ces tâches.

Les bases de l’automatisation dans les TI

Replacée dans le contexte de l’informatique actuelle, l’automatisation a initialement permis de rationaliser les tâches administratives fondamentales au moyen de scripts simples et efficaces. Le perfectionnement continu des langages de script, tels que Python, PowerShell et Bash, conjugué à la prolifération des interfaces de programmation applicative (API), a ouvert la voie à l’automatisation de processus auparavant considérés comme complexes et chronophages. Parmi ces processus figurent désormais la gestion et l’attribution des accès utilisateurs, la configuration et le déploiement d’infrastructures informatiques, le traitement et l’analyse de volumes importants de données, ainsi que la mise en œuvre de mesures robustes de protection des données sensibles. L’automatisation a même atteint un niveau de sophistication permettant l’orchestration de flux de travail de bout en bout, intégrant diverses applications et systèmes pour atteindre des objectifs métiers complexes.

Parmi les systèmes d’automatisation basiques mis en œuvre en informatique, on retrouve fréquemment :

• La programmation horaire, qui permet d’exécuter des tâches spécifiques à des moments prédéfinis. Elle est notamment utilisée pour :
  • La gestion des mises à jour logicielles sur les parcs informatiques.
  • La gestion du cycle de vie des données d’entreprise (sauvegarde, archivage, suppression).
• Le filtrage de motifs, qui déclenche des actions spécifiques en fonction de motifs listés dans une base de définition. Ce type d’automatisation est fréquemment utilisé notamment pour :
  • Les chatbots limités à de simples interactions, qu’on peut retrouver dans les FAQs ou les sites marchands,
  • Les systèmes de préventions des menaces (antivirus, antimalwares)
  • Les systèmes de prévention d’intrusion (IPS).

Infonuagique : Le moteur de la transformation numérique

En l’espace de 20 ans, le secteur informatique a vu l’essor puis la généralisation de ce que l’on appelle l’infonuagique (le fameux “cloud”).

Là où les entreprises et organisations étaient contraintes à financer l’achat, la mise en place, le maintien opérationnel, l’évolution et la gestion de l’obsolescence de solutions TI de plus en plus complexes et donc imposantes, elle se sont vu offrir la possibilité de passer à des modèles de consommation au service (“As a Service”). Ces services sont offerts à distance par des fournisseurs tiers et utilisés par les clients pour compléter ou remplacer les solutions pré-existantes.

Parmi les modèles de service infonuagique les plus courants :

• L’infrastructure en tant que services (ou IaaS, “Infrastructure as a Service”)
  • Fournit des ressources informatiques virtualisées sur Internet ou via des réseaux privés virtuels, y compris des serveurs, du stockage et des réseaux.
  • Les utilisateurs gèrent les systèmes d’exploitation, les applications et les données, tandis que le matériel et la virtualisation sont gérés par le fournisseur.
• La plateforme en tant que service (PaaS, “Platform as a Service”)
  • Offre une plateforme et un environnement infonuagiques pour permettre aux développeurs de créer des applications et des services sur Internet.
  • Les fournisseurs de PaaS hébergent du matériel et des logiciels sur leur propre infrastructure.
• Le logiciel en tant que service ( SaaS, “Software as a Service”)
  • Fournit des applications logicielles sur Internet, sur une base d’abonnement.
  • Les utilisateurs peuvent accéder aux logiciels à partir de n’importe quel appareil doté d’une connexion Internet et d’un navigateur Web, sans se soucier de l’installation, de la maintenance ou du codage.

Dans le top 3 des fournisseurs IaaS et PaaS, on retrouve :

• Amazon Web Services (AWS) Chef de file du cloud public depuis 2002, AWS détient 33% du marché avec plus de 200 services (calcul, apprentissage machine, etc.). Son succès mondial s’explique par sa fiabilité, sa flexibilité, son évolutivité et son innovation continue, contribuant significativement à la transformation numérique.
• Microsoft Azure Le géant de Redmond favorise une intégration poussée de ses services cloud avec son écosystème existant, ce qui plaît aux entreprises clientes de ses produits (Windows Server, MS SQL, Office 365, etc.)..
• Google Cloud Platform (GCP) La solution infonuagique de Google se distingue par son réseau mondial, ses innovations en IA et traitement de données, et ses solutions d’orchestration de conteneurs Kubernetes.

Du côté des solutions SaaS, on peut voir notamment:

• Salesforce (pour la gestion de la relation client),
• SAP (pour la planification des ressources d’entreprise),
• Microsoft 365,
• Google Workspace.

Les offres d’infonuagique sont pléthores!

Lors de la conception d’une solution, il est conseillé d’évaluer les critères suivants :

• Intégration avec les systèmes existants
• Budget
• Requis en termes de performance, de disponibilité, de capacité
• Exigences de sécurité
• Obligations de conformité
• Niveau de compétence des équipes

Boom des intelligences artificielles avancées dans les systèmes d’information

Machine Learning (ML) : La fondation

L’apprentissage automatique (“Machine Learning” - ML) est la branche de l’IA qui, par l’utilisation d’algorithmes de plus en plus complexes pour traiter des données, permet d’améliorer les performances des ordinateurs sur l’execution de tâches sans qu’ils soient spécifiquement programmés pour cela.

Le champ d’application du ML est assez vaste, et s’intègre depuis longtemps dans les systèmes d’information, notamment dans :

• les moteurs de recherche,
• les systèmes de recommandations,
• la détection d’anomalie en cybersécurité.

Deep Learning (DL) : Un bond en avant

L’apprentissage profond (“Deep Learning” - DL) est une branche de l’intelligence artificielle et du machine learning qui utilise des réseaux de neurones artificiels composés de plusieurs couches (d’où le terme « profond ») pour “apprendre” à partir de grandes quantités de données, souvent non structurées.

Inspiré du fonctionnement du cerveau humain, le DL permet aux ordinateurs de reconnaître des motifs complexes dans des images, du texte, de l’audio ou d’autres types de données, et d’automatiser des tâches qui nécessitent normalement l’intelligence humaine.

Dans les applications de longue date, on retrouve par exemple:

• la détection de fraude bancaire,
• la reconnaissance faciale et vocale,
• la traduction automatique.

L’essor de l’IA générative : La nouvelle vague

L’intelligence artificielle générative (“Generative AI” - GenAI) tire partie des techniques avancées de ML et DL pour créer de nouveaux contenus (texte, images, audio, vidéo, code, etc.) en s’inspirant des caractéristiques des données sur lesquelles elle a été entraînée.

Les avancées majeures réalisées ces cinq dernières années dans la pertinence des contenus générés ouvrent la voie à l’intégration de fonctionnalités GenAI au sein des systèmes d’information.

Ainsi, on observe de plus en plus souvent dans les SI des usages tels que :

• la génération automatique de code,
• la création de contenus marketing,
• le déploiement de chatbots avancés.

IA agentique: quand l’union fait la force

L’IA agentique désigne des systèmes d’IA autonomes, dotés de raisonnement, orientés vers des objectifs, adaptables et capables d’interagir dynamiquement avec leur environnement pour atteindre des résultats sans supervision constante. Contrairement à l’IA statique, elle est holistique, proactive et s’adapte, agissant comme un employé numérique spécialisé capable d’évoluer et de collaborer.

En écho qui est décrit dans mon article dédié aux applications de l’IA agentique dans le monde des infrastructures télécom, les cas d’usage d’application d’agents IA dans les SI sont nombreux:

• Automatisation du service client,
• Maintenance prédictive,
• Optimisation opérationnelle générale et gestion de la chaîne d’approvisionnement,
• Sécurité et détection de fraude,
• Analyse et reporting.

Synergies entre automatisation, infonuagique et IA avancées

L’intégration dynamique de l’automatisation, de l’infonuagique et de l’intelligence artificielle avancée engendre une interaction synergique puissante, formant un cycle vertueux où les capacités de chaque composante se potentialisent mutuellement, ouvrant ainsi de nouvelles avenues pour l’efficacité, l’innovation et la croissance.

Automatisation propulsée par IA

L’automatisation des tâches répétitives est essentielle dans de nombreux domaines. Avec la complexification croissante des processus de production de biens et services due aux innovations technologiques, les systèmes d’automatisation doivent être capables de gérer des tâches toujours plus complexes et variées.

L’IA actuelle, grâce à sa capacité d’analyser de vastes données et d’identifier des schémas complexes, est devenue un outil indispensable pour automatiser à grande échelle. Les avancées récentes en apprentissage automatique et profond, ainsi que l’essor de l’IA générative et agentique, ont permis d’automatiser des tâches de plus en plus sophistiquées, comme la création de code ou la gestion automatique des incidents informatiques.

Capacités IA augmentées grâce à l’infonuagique

Le développement et le déploiement d’applications d’IA, notamment celles basées sur l’apprentissage profond et l’IA générative, exigent d’importantes ressources de calcul et de stockage. Les modèles d’IA, tels que les grands modèles de langage ou les réseaux neuronaux pour la vision, sont entraînés sur des jeux de données massifs, nécessitant des infrastructures capables de traiter et de stocker des pétaoctets d’informations.

L’infonuagique s’est rapidement imposée comme la solution idéale, offrant une évolutivité et une flexibilité considérables pour allouer des ressources à la demande. Les fournisseurs de cloud proposent des GPU et des TPU optimisés pour les charges de travail d’IA, rendant cette puissance de calcul essentielle non seulement plus accessible financièrement, mais aussi plus flexible et facile à déployer, favorisant ainsi l’adoption et l’innovation dans le domaine de l’intelligence artificielle.

Capacités infonuagiques optimisée et augmentées par l’IA

Face à la demande croissante de services infonuagiques et à la nécessité d’optimiser les coûts, l’automatisation intelligente de la mise à l’échelle est devenue primordiale. L’IA générative et agentique, en combinant leurs atouts, permettent d’atteindre cet objectif.

L’IA générative peut analyser les tendances d’utilisation et anticiper les besoins futurs en ressources, permettant une allocation proactive et évitant le surprovisionnement ou le sous-provisionnement.

L’IA agentique, quant à elle, peut surveiller en temps réel l’utilisation des ressources et ajuster dynamiquement l’allocation en fonction des besoins, en déplaçant automatiquement les charges de travail vers les serveurs les moins sollicités ou en adaptant les ressources à la demande. Cela permet une gestion plus efficace et économique des infrastructures infonuagiques.

Puissance de calcul améliorée par l’IA

L’intelligence artificielle ne se contente pas d’optimiser l’utilisation des ressources informatiques existantes ; elle révolutionne également la conception et la fabrication des puces informatiques elles-mêmes. Grâce au Machine Learning et au Deep Learning, les ingénieurs peuvent désormais simuler et tester des milliers de configurations de circuits intégrés en un temps record.

L’IA permet d’identifier les designs les plus efficaces, réduisant ainsi la consommation d’énergie et augmentant la vitesse de traitement. De plus, l’IA générative est utilisée pour créer de nouveaux types d’architectures de puces, ouvrant la voie à des performances inédites et à une spécialisation accrue pour les charges de travail d’IA elles-mêmes.

Cette boucle de rétroaction positive entre l’IA et le matériel informatique promet des avancées spectaculaires dans les années à venir.

Conclusion

On vient de voir que l’intégration poussée de l’automatisation, du cloud et de l’IA change radicalement les systèmes d’information et les usines. Ces technologies combinées offrent des opportunités incroyables pour l’efficacité, l’innovation et la croissance.

Mais cette transformation, au même titre que chaque innovation technologique, soulève une question clé: quel sera l’impact sur les gens et le marché du travail ? Comment s’assurer d’une transition juste et ouverte à tous, où les avantages sont partagés et les problèmes gérés de manière responsable ?

Je reviendrai en détail sur ces interrogations dans mon prochain post. D’ici-là, rejoignez-moi sur les réseaux 😉

💡Dive into a future where telecom infrastructures become smarter, more resilient, and autonomous!

✒️This article explores the practical applications of agentic AI, a major technological advancement, in the telecommunications sector. Designed to be autonomous, adaptive, and goal-oriented, these digital agents act in real-time to optimize networks, anticipate failures, and automate complex processes, going far beyond simple customer support interactions.

🔍Dynamic network management, predictive maintenance, continuous service improvement… Learn through examples how industry leaders like AT&T, NTT Docomo, Orange, and Vodafone have embraced this game-changing innovation!

Foreword

• This article, enhanced with AI-generated improvements (Napkin, Microsoft Copilot, NotebookLM), is made available under the CC BY-ND 4.0
• The next article will focus on the impact of AI agents on IT professionals. Follow my LinkedIn Feed or subscribe to the RSS feed to stay updated!

What is Agentic AI?

Agentic AI, also known as AI agents, refers to a set of artificial intelligence systems designed to exhibit autonomy, reasoning, goal orientation, adaptability, and the ability to interact dynamically with their environment. They act on behalf of humans or systems, making independent decisions, adapting over time, and achieving specified outcomes without requiring constant supervision.

Unlike static AI models, AI agents are holistic, adaptive, and proactive, acting almost like digital employees with specialized knowledge and the ability to evolve their strategies. They can collaborate across different domains, sharing information and coordinating responses.

Applications of Agentic AI in Telecommunications

The application of agentic AI in telecommunications extends to several critical areas beyond simple customer support.

Network Management and Optimization

AI agents continuously monitor network infrastructure. They analyze key performance indicators (KPIs) and performance metrics. They can detect bottlenecks, high-latency areas, or overloaded nodes. In response, they implement actions such as dynamic traffic rerouting or bandwidth allocation to ensure maximum availability and optimal quality of service (QoS). AI continuously tracks network activity and adjusts resources to maintain stability. Agents can fine-tune network parameters for optimal connectivity by analyzing data from connected devices.

The use of agentic AI aligns with the AIOps (Artificial Intelligence for IT Operations) practice, where it is used to analyze network usage patterns, optimize resource allocation, and assist in infrastructure planning.

Real-World Examples

• NTT Docomo has integrated AI at the core of its network management strategy, employing AI-based predictive analytics to enhance network performance, minimize latency, and improve spectrum efficiency. Specific agents like the OLT Agent (for Optical Line Terminal data) and the ACS Agent (for Auto Configuration Server data) can handle technical queries related to the infrastructure^[1].
• Vodafone uses AI-based tools to assess RAN (Radio Access Network) sites and optimize network functionality through predictive maintenance and continuous configuration tasks^[2].

^[1][2] Forbes - Transforming Telecom Operations Through Agentic And Generative AI

Predictive Maintenance

AI agents can predict and resolve failures before they impact service. They analyze network data in real-time to detect patterns indicating potential issues, enabling rapid intervention. By leveraging historical data, AI predicts when components may degrade and recommends preventive maintenance to avoid outages.

Real-World Examples

• AT&T uses generative AI for predictive network maintenance, anticipating congestion, detecting potential disruptions, and automating corrective measures before customers experience issues^[3].
• Vodafone integrates AI for predictive maintenance to optimize network functionality. AI can identify early signs of hardware degradation and schedule maintenance to minimize downtime^[4].

^[3] AT&T Labs - Analytics and AI-based automation

^[4] Google Cloud - How Vodafone is using gen AI to enhance network life cycle

Security and Fraud Detection

AI-based security agents can monitor threats, detect intrusions, and initiate automatic countermeasures. They track transaction patterns, usage anomalies, and access behaviors. They use behavioral analysis and machine learning to detect fraud in real-time (such as SIM swap fraud or international toll bypass). Agents can flag suspicious activities, block compromised accounts, and generate alerts.

Use Cases

In her article “Agentic AI in Telecom Industry - The Ultimate Guide“, Dr. Jagreet Kaur Gill proposes a dedicated Fraud Detection Agent.

• AI enhances telecom security by detecting suspicious behaviors on networks, identifying unusual patterns in call records and data usage to flag potential fraud attempts.
• Integrating agentic AI into security operations centers (SOC) transforms how teams detect, analyze, and respond to threats.
• Agents can continuously learn from new fraud patterns, automatically adapt security protocols, and collaborate across systems to prevent threats in real-time.

General Operational Optimization and Supply Chain Management

Agentic AI can optimize internal processes such as billing, resource allocation, and compliance. Agents automate repetitive tasks like fault detection, ticketing, billing validation, and network tuning, reducing labor and maintenance costs. They can manage the supply chain, optimize inventory, forecast demand, and anticipate logistical needs. Collaboration among multiple agents across different telecom domains (customer support, network management, billing, etc.) enables end-to-end automation.

Real-World Examples

• In March 2023, AT&T announced a partnership with NVIDIA to implement new capabilities built around artificial intelligence, including optimizing field agent deployment using NVIDIA cutOpt^[5]. Early tests at the time showed an increase in field operations and a 90% reduction in associated cloud costs.
• Also related to field operations, Orange uses AI-based image recognition features to validate the quality of completed work, allowing for immediate corrective actions if necessary^[6].

^[5] AT&T Press Room - AT&T Supercharges Operations With NVIDIA AI

^[6] Orange - How AI drives Orange’s network innovation

Edge Computing Applications

AI agents can support intensive computing workloads on private edge networks, combining secure low-latency 5G private networks with AI software platforms to enable real-time on-site AI services.

Real-World Example

Verizon partnered with Nvidia to supercharge AI workloads on private 5G networks coupled with mobile edge computing^[7]. This supports compute-intensive applications such as generative AI models, computer vision, and augmented reality. Applications are varied, including:

• digital twin,
• manufacturing automation,
• in-store traffic analysis,
• supply chain management (smart restocking, transportation, and logistics).

^[7]Verizon collaborates with NVIDIA to power AI workloads on 5G private networks with Mobile Edge Compute

Personalized Marketing

Agentic AI can analyze customer data and predict the most relevant offers. It tailors recommendations using real-time information on customer activity and service usage.

Real-World Example

• T-Mobile uses AI based on real-time user behavior to personalize offers^[8]. AI sales agents can identify customers likely to upgrade their plans or renew their contracts.

^[8] AWS - At T-Mobile, AI Humanizes Customer Service

Analysis and Reporting

Agents can consolidate data from various sources and generate automated dashboards and reports for executives and teams, facilitating data-driven decision-making.

Use Cases

In her article “Agentic AI in Telecom Industry - The Ultimate Guide“, Dr. Jagreet Kaur Gill describes an Analysis and Reporting Agent that would perform the following functions:

• Auditing billing logs, payment records, and plan configurations.
• Detecting discrepancies such as overbilling, delayed charges, or misapplied discounts.
• Recommending billing adjustments and transmitting alerts or refunds for customers.

Conclusion

These applications demonstrate how AI agents go beyond customer support to transform telecom operations, making them smarter, proactive, and resilient.

Agentic AI systems work by breaking down complex tasks into specialized agents and managing their interactions through an orchestration layer. This collaborative approach, where multiple agents work together, is crucial for addressing complex problems that exceed the capabilities of a single agent. The agentic architecture enables this collaboration, often structured hierarchically with utility agents, super agents, and orchestrator agents. Orchestration systems based on frameworks like SWARM ^[9] or platforms like Accenture AI Refinery™ ^[10] manage these interactions and achieve complex objectives.

^[9] Neurons Lab - Building a Telco AI Agent Orchestration Layer with SWARM

^[10] Accenture - AI Refinery™

💡Plongez dans un avenir où les infrastructures télécoms deviennent plus intelligentes, résilientes et autonomes !

✒️Cet article explore les applications concrètes de l’IA agentique, avancée technologique majeure, dans le secteur des télécommunications. Conçus pour être autonomes, adaptatifs et orientés vers des objectifs spécifiques, ces agents numériques agissent en temps réel pour optimiser les réseaux, anticiper les défaillances et automatiser les processus complexes, dépassant les simples interactions de support client.

🔍Gestion dynamique du réseau, maintenance prédictive, amélioration continue des services… Découvrez par l’exemple comment des acteurs du secteur comme AT&T, NTT Docomo, Orange et Vodafone, ont su s’approprier cette innovation devenant incontournable!

Avant-propos

• Cet article, augmenté d’améliorations générées avec des IA (Napkin , Microsoft Copilot, NotebookLM), est mis à disposition au travers de la license CC BY-ND 4.0
• Le prochain article sera quant à lui dédié à l’impact de l’emploi d’agents AI sur les professionnels de TI. N’hésitez pas à suivre mon compte BlueSky ou à souscrire au fil rss pour ne pas rater sa sortie!

Qu’est-ce que c’est l’IA agentique?

L’IA agentique, aussi appelée agents d’IA, représente un ensemble de systèmes d’intelligence artificielle conçus pour faire preuve d’autonomie, de raisonnement, d’orientation vers un objectif, d’adaptabilité et de capacité à interagir de manière dynamique avec leur environnement. Ils agissent au nom d’humains ou de systèmes, prenant des décisions indépendantes, s’adaptant au fil du temps et atteignant des résultats spécifiés sans nécessiter de supervision constante.

Contrairement aux modèles d’IA statiques, les agents d’IA sont holistiques, adaptatifs et proactifs, agissant presque comme des employés numériques dotés de connaissances spécialisées et capables de faire évoluer leurs stratégies. Ils peuvent travailler ensemble à travers différents domaines, partageant des informations et coordonnant les réponses.

Applications de l’IA Agentique dans les Télécommunications

L’application de l’IA agentique dans les télécommunications s’étend à plusieurs domaines critiques au-delà du simple support client.

Gestion et optimisation du réseau

Les agents d’IA supervisent l’infrastructure du réseau en continu. Ils analysent des indicateurs clés de performance (KPI) et des métriques de performance. Ils peuvent détecter les goulots d’étranglement, les zones à latence élevée ou les nœuds surchargés. En réponse, ils mettent en œuvre des actions telles que le réacheminement dynamique du trafic ou l’allocation de bande passante pour assurer une disponibilité maximale et une qualité de service (QoS) optimale. L’IA suit en permanence l’activité du réseau et ajuste les ressources pour maintenir la stabilité. Les agents peuvent ajuster les paramètres du réseau pour une connectivité optimale en analysant les données des appareils connectés.

L’emploi de l’IA agentique entre en phase avec la pratique AIOps (Artificial Intelligence for IT Operations), où elle est utilisée pour analyser les modèles d’utilisation du réseau, optimiser l’allocation des ressources et aider à la planification de l’infrastructure.

Exemples concrets

• NTT Docomo a intégré l’IA au cœur de sa stratégie de gestion de réseau, employant l’analyse prédictive basée sur l’IA pour améliorer les performances du réseau, minimiser la latence et améliorer l’efficacité du spectre. Les agents spécifiques comme l’Agent OLT (pour les données Optical Line Terminal) et l’Agent ACS (pour les données Auto Configuration Server) peuvent gérer des requêtes techniques liées à l’infrastructure^[1].
• Vodafone utilise des outils basés sur l’IA pour évaluer les sites RAN (Radio Access Network) et optimiser la fonctionnalité du réseau par la maintenance prédictive et les tâches de configuration continue^[2].

^[1][2] Forbes - Transforming Telecom Operations Through Agentic And Generative AI

Maintenance prédictive

Les agents d’IA sont capables de prédire et résoudre les défaillances avant qu’elles n’affectent le service. Ils analysent les données du réseau en temps réel pour détecter les modèles indiquant des problèmes potentiels, permettant une intervention rapide. En s’appuyant sur les données historiques, l’IA prédit le moment où les composants peuvent se dégrader et recommande une maintenance préventive pour éviter les pannes.

Exemples concrets

• AT&T utilise l’IA générative pour la maintenance prédictive du réseau, anticipant les congestions, détectant les perturbations potentielles et automatisant les mesures correctives avant que les clients ne rencontrent des problèmes^[3].
• Vodafone intègre l’IA pour la maintenance prédictive afin d’optimiser la fonctionnalité du réseau. L’IA peut identifier les premiers signes de dégradation matérielle et planifier la maintenance pour minimiser les temps d’arrêt^[4].

^[3] AT&T Labs - Analytics and AI-based automation

^[4] Google Cloud - How Vodafone is using gen AI to enhance network life cycle

Sécurité et détection de fraude

Les agents de sécurité basés sur l’IA peuvent surveiller les menaces, détecter les intrusions et initier des contre-mesures automatiques. Ils suivent les modèles de transaction, les anomalies d’utilisation et les comportements d’accès. Ils utilisent l’analyse comportementale et l’apprentissage automatique pour détecter la fraude en temps réel (comme la fraude SIM swap ou le contournement international des péages). Les agents peuvent signaler les activités suspectes, bloquer les comptes compromis et générer des alertes.

Cas d’usage

Dans son article “Agentic AI in Telecom Industry - The Ultimate Guide“, le Dr. Jagreet Kaur Gill propose un Agent de détection de fraude dédié.

• L’IA renforce la sécurité des télécommunications en détectant les comportements suspects sur les réseaux, identifiant les schémas inhabituels dans les enregistrements d’appels et l’utilisation des données pour signaler les tentatives de fraude potentielles.
• L’intégration de l’IA agentique dans les opérations des centres d’opérations de sécurité (SOC) transforme la manière dont les équipes détectent, analysent et répondent aux menaces.
• Les agents peuvent apprendre continuellement des nouveaux modèles de fraude, adapter automatiquement les protocoles de sécurité et collaborer entre les systèmes pour prévenir les menaces en temps réel.

Optimisation opérationnelle générale et gestion de la chaîne d’approvisionnement

L’IA agentique peut optimiser les processus internes tels que la facturation, l’allocation des ressources et la conformité. Les agents automatisent les tâches répétitives, comme la détection des défauts, la billetterie, la validation de la facturation et le réglage du réseau, ce qui réduit les dépenses de main-d’œuvre et de maintenance. Ils peuvent gérer la chaîne d’approvisionnement, optimiser les stocks, prévoir la demande et anticiper les besoins logistiques. La collaboration entre plusieurs agents à travers différents domaines des télécommunications (support client, gestion de réseau, facturation, etc.) permet une automatisation de bout en bout.

Exemples concrets

• En mars 2023, AT&T annonce un partenariat avec NVIDIA pour la mise en place de nouvelles capacités construites autour de l’intelligence artificielle, notamment pour optimiser la répartition des agents de terrain en utilisant NVIDIA cutOpt^[5]. Les tous premiers tests attestent à l’époque d’une augmentation du nombres d’opérations de terrain ainsi qu’une réduction de 90% des coûts infonuagiques associés.
• Toujours en relation avec les opérations de terrain, Orange utilise des fonctionalités de reconnaissance d’image par intelligence artificielle pour valider la qualité des travaux effectués, permettant le cas échéant des actions correctrices immédiates^[6].

^[5] AT&T Press Room - AT&T Supercharges Operations With NVIDIA AI

^[6] Orange - L’IA, moteur d’innovation dans les réseaux télécoms d’Orange

Applications d’informatique de pointe (Edge Computing)

Les agents d’IA peuvent supporter des charges de travail informatiques intensives sur des réseaux privés en périphérie (edge), combinant des réseaux privés 5G sécurisés à faible latence avec des plateformes logicielles d’IA pour permettre des services d’IA en temps réel sur site.

Exemple concret

Verizon s’est associé à Nvidia pour supercharger les charges de travail d’IA sur les réseaux privés 5G couplés à l’informatique de pointe mobile^[7]. Cela prend en charge des applications exigeantes en calcul, telles que les modèles d’IA générative, la vision par ordinateur et la réalité augmentée. Les applications sont variées, incluant:

• le jumeau numérique,
• l’automatisation manufacturière,
• l’analyse du trafic en magasin,
• la gestion de la chaîne d’approvisionnement (réapprovisionnement intelligent, transport et logistique).

^[7]Verizon collaborates with NVIDIA to power AI workloads on 5G private networks with Mobile Edge Compute

Marketing personnalisé

L’IA agentique peut analyser les données clients et prédire les offres les plus pertinentes. Elle adapte les recommandations en utilisant des informations en temps réel sur l’activité des clients et l’utilisation des services.

Exemple concret

• T-Mobile utilise l’IA basée sur le comportement utilisateur en temps réel pour personnaliser les offres^[8]. Les agents de vente IA peuvent identifier les clients susceptibles de passer à des forfaits supérieurs ou de renouveler leurs contrats.

^[8] AWS - At T-Mobile, AI Humanizes Customer Service

Analyse et reporting

Les agents peuvent consolider les données provenant de diverses sources et générer des tableaux de bord et des rapports automatisés pour les dirigeants et les équipes, facilitant ainsi la prise de décision basée sur les données.

Cas d’usage

Toujours dans son article “Agentic AI in Telecom Industry - The Ultimate Guide“, le Dr. Jagreet Kaur Gill décrit un Agent d’Analyse et Reporting qui remplirait les fonctions suivantes:

• Audit des journaux de facturation, des enregistrements de paiement et des configurations de plan.
• Détection des écarts tels que la surfacturation, les frais retardés ou les remises mal appliquées.
• Recommandation sur des ajustements de facturation et transmission des alertes ou des remboursements pour les clients.

Conclusion

Ces applications démontrent comment les agents d’IA vont au-delà du support client pour transformer les opérations des télécommunications en les rendant plus intelligentes, proactives et résilientes.

Les systèmes d’IA agentique fonctionnent en décomposant des tâches complexes en agents spécialisés et en gérant leurs interactions via une couche d’orchestration. Cette approche collaborative, où plusieurs agents travaillent ensemble, est cruciale pour aborder des problèmes complexes qui dépassent les capacités d’un seul agent. L’architecture agentique permet cette collaboration, souvent structurée de manière hiérarchique avec des agents utilitaires, des super agents et des agents orchestrateurs. Les systèmes d’orchestration basés sur des frameworks comme SWARM ^[9] ou les plateformes comme Accenture AI Refinery™ ^[10] permettent de gérer ces interactions et d’atteindre des objectifs complexes.

^[9] Neurons Lab - Building a Telco AI Agent Orchestration Layer with SWARM

^[10] Accenture - AI Refinery™

Foreword: This article, enhanced with AI-generated improvements (Napkin, Microsoft Copilot), is made available under the CC BY-ND 4.0

Trust Levels and IT Risk Management

Inspired by military domains, the first iterations of security zone management rely on a clear and structured organization of flows. There are mainly three types of zones:

Trust Zones

These zones group everything with known and controlled origins, such as private user networks or internal servers.

Untrust Zones

This category includes everything not under control, like the Internet, where risks are unpredictable.

Demilitarized Zones (DMZ)

These zones host services that, although managed from a trust zone, must be accessible from untrust zones.

Traffic Rules Between Trust Zones

Traffic flowing within the same zone encounters no restrictions. However, to ensure system security, communication between zones goes through strict controls, following these basic principles:

• Traffic initiated from a trust zone to DMZs and untrust zones is allowed. However, traffic initiated outside the trust zone is systematically blocked to prevent compromise.
• The DMZ is by definition more exposed to risk, and therefore is accessible from both trust and untrust zones.

Evolution of Cyber Threats

In a world where human and business interactions greatly depend on the digital realm, the robustness of network security controls is constantly challenged, undermining basic traffic flow principles. In less than half a century, malicious individuals have armed themselves with various tools to elevate their threats to a higher level.

Malware

Designed to infiltrate, damage, or disrupt computer systems. There are several types including:

• Trojans, malicious programs distributed as legitimate software to deceive users,
• Viruses, which attach to files and spread when the host file is opened/executed,
• Worms, which execute and propagate without user intervention,
• Ransomware, which once infiltrated into systems, encrypts all data to allow attackers to demand a ransom for decryption.

Phishing

This technique involves deceiving users into disclosing sensitive information, such as passwords or credit card numbers, by impersonating trusted entities. The most common variants are:

• Phishing, via email, aimed at tricking users into clicking fraudulent links (fake websites, malware downloads, etc.)
• Smishing, the SMS variant of phishing,
• Vishing, by phone, aimed at tricking people into verbally revealing sensitive information.

Security Vulnerability Exploitation

Although brute force attacks are still present, they are becoming less effective as security systems evolve.

Instead, cybercriminals are turning to more sophisticated techniques to exploit system vulnerabilities. Security flaws can exist in software, operating systems, or even network configurations. Once a vulnerability is discovered, it can be exploited to execute malicious code, access sensitive data, or disrupt normal system operations. Targeted attacks, such as zero-day exploits, are particularly dangerous because they exploit vulnerabilities unknown to developers and users, leaving little time to react and patch the flaws.

Denial of Service Attacks

You know when the e-commerce site you’re browsing shows a 503 error during Black Friday? That’s a denial of service caused by traffic overload, because you’re not alone in trying to get those deals ;-)

This undesirable side effect has inspired cyber villains, who have found ways to coordinate high-amplitude attacks to make entire services and networks inoperable by overwhelming them with useless requests.

Zero Trust Model: “You can’t trust jack squat these days, for real…”

By examining the main attack vectors, it’s become obvious that cyber threats seek to disrupt normal data flow patterns in a system. In other words, attackers try to manipulate or hijack normal data flows to access confidential information and compromise the security of the targeted system.

The concept of Zero Trust Network Access has emerged as an effective remedy to this de facto decompartmentalization.

What’s This Zero Trust Thing?

Unlike traditional security models based on trust perimeters, the Zero Trust model assumes that no entity, whether inside or outside the network, should automatically be trusted.

Zero Trust is based on several key principles:

• Continuous verification: Every attempt to access resources must be authenticated and authorized, regardless of the request’s origin.
• Least privilege: Users and systems receive only the permissions necessary to perform their tasks, minimizing risks in case of compromise.
• Micro-segmentation: The network is divided into smaller, secure segments, limiting threat propagation in case of a breach.
• Monitoring and analysis: Constant monitoring and behavior analysis enable quick detection and response to suspicious activities.

What Does It Take to Implement Zero Trust?

Implementing a Zero Trust strategy requires a comprehensive and integrated approach. Here are some essential steps to adopt this model:

1. Asset and risk assessment: Identify critical assets and evaluate risks associated with their access and use.
2. Authentication enhancement: Implement multi-factor authentication (MFA) mechanisms to strengthen identity verification.
3. Access control: Use attribute-based access control (ABAC) or role-based access control (RBAC) policies to manage permissions dynamically and contextually.
4. Network segmentation: Implement micro-segmentation to isolate different network parts and limit attackers’ lateral movement.
5. Continuous monitoring: Deploy monitoring and analysis tools to detect anomalies and respond quickly to security incidents.

Sounds Good, But What Are the Benefits?

Well, yes :) It mainly provides the following advantages:

• Reduced attack surface: By limiting access and segmenting the network, there are fewer opportunities for hackers to find a breach.
• Improved resilience: Systems become more robust against attacks because potential breaches are contained and isolated.
• Regulatory compliance: Zero Trust helps comply with data protection and security laws and regulations.
• Flexibility and adaptability: The model adapts to new work environments, such as remote work or cloud infrastructures.

Yeah, But Modernizing Is Expensive… What If I Keep Things As They Are?

Despite significant progress in mindsets over the past decade, I still sometimes hear “nothing has ever happened with the current system, and you’re proposing top-notch stuff that’s going to cost so much… Why should I transform anything?”

It’s a bit like Kevin’s story who, after saving for several years, just bought his dream car, but has no covered parking or garage to park it, and no budget for comprehensive insurance. He doesn’t care, he lives in an uneventful suburb, nothing has ever happened. And there’s the family dog, Spot, who’s been watching over the house since Kevin learned to walk, it’s chill!

Of course, as you might guess, quite a story unfolds:

• Thieves broke into the yard, took advantage while Spot was sleeping to loot and wreck the precious vehicle, leaving only a wreck good for scrap.
• Even worse, they stole Kevin’s backpack that was inside, containing what Kevin cherished even more than his car: his Pokémon card collection!
• The very next day, the thieves contact our young friend to extort such an indecent ransom that he’ll end up missing his only chance to ever see his mint condition shiny MewTwo again…

Conclusion

Kevin’s story perfectly illustrates why modernizing IT system security is crucial, even if it might seem costly and unnecessary at first glance. Here’s what we can learn from it.

Kevin thought his quiet neighborhood and faithful dog were enough to protect his precious car and Pokémon card collection. But when thieves struck, he lost much more than what he had saved for years. Only after this painful experience did he understand the importance of investing in robust security measures, like a secure garage and surveillance system.

Similarly, companies might think their current systems are sufficient because they’ve never been attacked. But cyber threats constantly evolve, and what was safe yesterday isn’t safe today. Waiting for an attack to happen before acting can cost much more than modernizing security now. By investing in advanced security solutions like Zero Trust, companies can prevent catastrophic losses and protect their most precious assets, just as Kevin finally protected his new car and Pokémon card collection.

Avant-propos: Cet article, augmenté pour moitié d’améliorations générées avec des IA (Napkin , Microsoft Copilot ), est mis à disposition au travers de la license CC BY-ND 4.0

Niveaux de confiance et maitrises du risque informatique

Inspirée du domaine militaire, les premières itérations de gestion des zones de sécurité reposent sur une organisation claire et structurée des flux. On distingue principalement trois types de zones :

Les zones de confiance (Trust)

Ces zones regroupent tout ce dont l’origine est connue et maîtrisée, comme les réseaux privés des utilisateurs ou les serveurs internes.

Les zones de non-confiance (Untrust)

Cette catégorie inclut tout ce qui n’est pas sous contrôle, comme Internet, où les risques sont imprévisibles.

Les zones démilitarisées (DMZ)

Ces zones accueillent les services qui, bien que gérés depuis une zone de confiance, doivent être accessibles depuis des zones de non-confiance.

Règles de Circulation entre zones de confiance

Les flux circulant au sein d’une même zone ne rencontrent aucune restriction. Cependant, pour assurer la sécurité des systèmes, la communication entre ces zones passe par des contrôles stricts, respectant les principes de base suivants

• On laisse passer les flux initiés depuis une zone de confiance vers les zones démilitarisées et celles de non-confiance. Cependant on va bloquer systématiquement les flux initiés en dehors de la zone de confiance pour éviter toute compromission.
• La zone démilitarisée est par définition plus exposée au risque, et de ce fait est accessible à la fois depuis les zones de confiances et celles de non-confiance.

Évolution des cybermenaces

Dans un monde où les interactions humaines et commerciales dépendent grandement du monde numérique, la robustesse des contrôles de sécurité des réseaux informatiques est mise à mal en permanence, mettant à mal les principes de base de circulation des flux. En moins d’un demi-siècle, les individus les moins scrupuleux se sont armés d’outils divers et variés pour porter leurs menaces à un niveau supérieur.

Les logiciels malveillants

Conçus pour infiltrer, endommager ou perturber les systèmes informatiques. On en retrouve de plusieurs types dont:

• Les chevaux de Troie, programmes malveillants distribués sous la forme de logiciels légitimes pour tromper les utilisateurs,
• Les virus, qui s’attachent à des fichiers et se propagent lorsque le fichier hôte est ouvert/exécuté,
• Les vers, qui s’exécutent et se propagent sans intervention utilisateur,
• Les rançongiciels, qui une fois infiltérs dans les systèmes vont chiffrer l’ensemble des données pour permettre aux attaquant d’exiger un paiement contre leur déchiffrement.

L’hameçonnage

Cette technique consiste à tromper les utilisateurs pour qu’ils divulguent des informations sensibles, telles que des mots de passe ou des numéros de carte de crédit, en se faisant passer pour une entité de confiance. Les variantes les plus connues sont :

• Le phishing, par courriel, qui vise à tromper les utilisateurs pour leur faire cliquer sur des liens frauduleux (faux sites internet, téléchargement de logiciel malveillant,…)
• Le smishing, la variante SMS du phising,
• Le vishing, par téléphone, qui vise à tromper les personnes pour leur faire révéler verbalement des informations sensibles.

L’exploitation des failles de sécurité

Bien que les attaques par force brute soient toujours d’actualité, celles-ci sont de moins en moins efficaces au fur et à mesure de l’évolution des systèmes de sécurité.

En revanche, les cybercriminels se tournent vers des techniques plus sophistiquées pour exploiter les vulnérabilités des systèmes. Les failles de sécurité peuvent résider dans les logiciels, les systèmes d’exploitation, ou même dans les configurations réseau. Une fois qu’une faille est découverte, elle peut être exploitée pour exécuter du code malveillant, accéder à des données sensibles, ou perturber les opérations normales du système. Les attaques ciblées, telles que les exploits zero-day, sont particulièrement dangereuses car elles exploitent des vulnérabilités inconnues des développeurs et des utilisateurs, laissant peu de temps pour réagir et corriger les failles.

Les attaques par déni de service

Vous savez, quand le site internet marchand que vous consultez affiche une erreur 503 durant le Vendredi Fou ? C’est un déni de service provoqué par un surcroit de traffic, car vous n’êtes pas seul(e) à vouloir profiter des aubaines ;-)

Cet effet de bord indésirable a fait des émules auprès des cyber vilains, qui ont trouvé le moyen de coordonner des attaques de forte amplitude afin de rendre inopérants des services et réseaux entiers en les surchargeant de requêtes inutiles.

Modèle Zero Trust : “Y’a pu personne pantoute à qui tu peux faire confiance asteur…”

En examinant les principaux vecteurs d’attaque, c’est rendu évident que les cybermenaces cherchent à perturber les schémas normaux de circulation des données dans un système. Autrement dit, les attaquants tentent de manipuler ou de détourner les flux de données habituels pour accéder à des informations confidentielles et compromettre la sécurité du système ciblé.

Le concept de Zero Trust Network Access (confiance zéro sur les accès réseau) a émergé comme une remédiation effective à ce décloisonnement de fait.

C’est-tu quoi c’t’affaire-là, le Zero Trust ?

Contrairement aux modèles traditionnels de sécurité qui se basent sur des périmètres de confiance, le modèle Zero Trust part du principe que toute entité, qu’elle soit à l’intérieur ou à l’extérieur du réseau, ne doit pas pantoute être automatiquement digne de confiance.

Le Zero Trust repose sur plusieurs principes clés :

• Vérification continue : Chaque tentative d’accès aux ressources doit être authentifiée et autorisée, indépendamment de l’origine de la demande.
• Moindre privilège : Les utilisateurs et les systèmes ne reçoivent que les permissions nécessaires pour accomplir leurs tâches, minimisant ainsi les risques en cas de compromission.
• Micro-segmentation : Le réseau est divisé en segments plus petits et sécurisés, limitant la propagation des menaces en cas de brèche.
• Surveillance et analyse : Une surveillance constante et une analyse des comportements permettent de détecter et de répondre rapidement aux activités suspectes.

Ça prend quoi pour mettre en place du Zero Trust ?

La mise en œuvre d’une stratégie Zero Trust nécessite une approche globale et intégrée. Voici quelques étapes essentielles pour adopter ce modèle :

1. Évaluation des actifs et des risques : Identifier les actifs critiques et évaluer les risques associés à leur accès et à leur utilisation.
2. Renforcement de l’authentification : Mettre en place des mécanismes d’authentification multi-facteurs (MFA) pour renforcer la vérification des identités.
3. Contrôle des accès : Utiliser des politiques de contrôle d’accès basées sur des attributs (ABAC, ou RBAC en anglais) pour gérer les permissions de manière dynamique et contextuelle.
4. Segmentation du réseau : Implémenter la micro-segmentation pour isoler les différentes parties du réseau et limiter les mouvements latéraux des attaquants.
5. Surveillance continue : Déployer des outils de surveillance et d’analyse pour détecter les anomalies et réagir rapidement aux incidents de sécurité.

C’est bin beau c’te patente de Zero Trust, mais c’est-tu avantageux ?

Bin là oui :) Principalement ça va apporter les avantages suivants

• Réduction des surfaces d’attaque : En limitant les accès pis en segmentant le réseau, y’a moins de chances pour les hackers de trouver une brèche.
• Amélioration de la résilience : Les systèmes deviennent plus toughs face aux attaques, parce que les brèches potentielles sont contenues pis isolées.
• Conformité réglementaire : Le Zero Trust aide à respecter les lois pis les règlements en matière de protection des données et de sécurité.
• Flexibilité pis adaptabilité : Le modèle s’adapte aux nouveaux environnements de travail, comme le télétravail ou les infrastructures cloud.

Ouin, c’est rendu dispendieux de moderniser… Et si je laissais ça comme avant?

Malgré des progrès significatifs dans les mentalités depuis une dizaine d’année, j’entends encore parfois du “il n’est jamais rien arrivé avec le système actuel, et vous me proposer du top notch qui va coûter so fucking cher… Pourquoi je transformerai quoi que ce soit ?”.

C’est un peu comme l’histoire de Kévin qui, après avoir économisé durant plusieurs années, vient de s’acheter le char de ses rêves, mais il n’a pas de parking couvert ni de garage pour le parker, et pas le budget pour financer une assurance tous risques. Il s’en câlisse, il habite dans une banlieue sans histoire, y’a jamais rien eu qui s’est passé. Et pis y’a le chien de la famille, Pitou, qui veille sur la maison depuis que Kevin a appris à marcher, c’est chill!

Bien sûr, tu t’en doutes, toute une histoire qui se passe:

• Des voleurs se sont introduits dans le jardin, ont profité que Pitou était en train de dormir pour piller et saccager le précieux véhicule, ne laissant qu’une épave bonne à scrapper.
• Pire encore, ils ont volé le backpack de Kévin qui était dedans, et qui contenait ce que Kévin chérissait encore plus que son char: sa collection de cartes Pokémon!
• Dès le lendemain, les voleurs contactent notre jeune ami pour lui soutirer une rançon d’un montant si indécent qu’il finira par laisser passer cette seule chance de revoir un jour son MewTwo shiny état mint…

L’assurance ne couvrant rien, mais bien décidé à retrouver ses plaisirs d’antan, Kévin va travailler dur et économiser longtemps pour enfin pouvoir se payer à nouveau son Honda Civic et se refaire une collection à faire palir toute la gang au centre d’achat. Par contre on ne l’y reprendra plus :

• Il a fait contruire un garage digne des plus imprenables des chateaux forts, avec trois niveaux de serrures multi-points dont lui seul sait comment des débarrer, et un système de surveillance 24h premium.
• Son classeur de cartes est désormais en sûreté dans un coffre à la caisse Desjardins du village voisin.
• Tout ça est définitivement assuré tout risque!

En conclusion

L’histoire de Kevin illustre parfaitement pourquoi il est crucial de moderniser la sécurité des systèmes informatiques, même si cela peut sembler coûteux et inutile à première vue. Voici la conclusion qu’on peut en tirer.

Kevin pensait que son quartier tranquille et son chien fidèle suffisaient à protéger son précieux char et sa collection de cartes Pokémon. Mais quand les voleurs ont frappé, il a perdu bien plus que ce qu’il avait économisé pendant des années. C’est seulement après cette expérience douloureuse qu’il a compris l’importance d’investir dans des mesures de sécurité robustes, comme un garage sécurisé et un système de surveillance.

De la même manière, les entreprises peuvent penser que leurs systèmes actuels sont suffisants parce qu’ils n’ont jamais été attaqués. Mais les cybermenaces évoluent constamment, et ce qui était sûr hier ne l’est plus aujourd’hui. Attendre qu’une attaque se produise pour agir peut coûter bien plus cher que de moderniser la sécurité dès maintenant. En investissant dans des solutions de sécurité avancées comme le Zero Trust, les entreprises peuvent prévenir les pertes catastrophiques et protéger leurs actifs les plus précieux, tout comme Kevin a finalement protégé son nouveau char et sa collection de cartes Pokémon.