Une fuite de données, ce n’est pas juste un sujet RSSI. C’est un sujet produit. Et depuis que les boîtes branchent des copilotes, des RAG et des agents sur le CRM, le support, la facturation ou Microsoft 365, la surface d’attaque grossit vite. L’incident Chargemap, rendu public en novembre 2026, est un rappel utile car il ressemble à ce qui arrive tous les jours en entreprise: une ancienne interface, un bout d’API oublié, et d’un coup une extraction de données.
Objectif ici: partir d’un cas réel et en tirer une check-list cybersécurité IA simple à imposer avant de connecter un modèle à des données clients. Pas pour “faire joli RGPD”. Pour réduire un risque très concret: l’exposition involontaire par connecteur, logs, index vectoriel ou action automatique.
Ce que l’incident “Chargemap” raconte, factuellement
Chargemap a indiqué avoir subi une cyberattaque le 8 novembre 2026, avec accès et extraction d’une partie des données de comptes via une ancienne interface présentant une faille. C’est typiquement de la dette technique et de l’“endpoint oublié” qui finit en porte d’entrée. Source: PC INpact relayé via mov.im.
Les éléments le plus souvent rapportés comme exposés: données de compte (exemple e-mail, identifiant/nom d’utilisateur) et empreintes (hash) de mots de passe. Risques directs: phishing ciblé et tentatives de réutilisation de mots de passe. Source: smtpedia.com.
L’incident est aussi présenté comme notifié à la CNIL. Source: smtpedia.com.
Ce contexte compte car le volume de cas augmente: la CNIL a reçu 6 167 notifications de violations de données en 2025, soit +9,5% vs 2024 et +50% vs 2022. Source: La Gazette des Communes.
Pourquoi ce cas est un bon modèle de risque pour l’IA en entreprise
Dans un projet GenAI “entreprise”, la fuite ne vient pas forcément du modèle. Elle vient du système autour:
- un connecteur SaaS trop large (CRM, ticketing, Drive, SharePoint),
- un compte de service qui traîne,
- un endpoint d’API ancien ou mal authentifié,
- des pipelines d’indexation qui copient trop,
- des logs qui enregistrent des prompts et des extraits sensibles,
- des agents qui font des actions (export, envoi d’e-mails) sans garde-fou.
L’ANSSI insiste notamment sur un point qui parle à tous ceux qui déploient des copilotes: journaliser finement et distinguer la requête utilisateur des données réellement envoyées au modèle, car les logs deviennent vite une source d’exposition si on les remplit de contenu sensible. Source: Recommandations ANSSI IA générative (29 avril 2024).
Check-list cybersécurité IA: 12 contrôles à imposer avant d’ouvrir des données clients
Ces contrôles sont pensés pour la vraie vie: copilote interne, assistant support, agent “sales ops”, RAG documentaire, automatisations. Et ils sont tous reliés à un risque de fuite de données, de sécurité IA entreprise et de RGPD IA.
1) Cartographie des données et minimisation (RGPD IA)
Tu veux brancher une IA sur des données clients? Commence par écrire noir sur blanc:
- quelles sources (CRM, support, facturation, M365, data warehouse),
- quels champs exacts,
- quels extraits seront envoyés au modèle,
- quels éléments seront stockés (index vectoriel, cache, historiques),
- quels éléments seront journalisés.
Blocage par défaut sauf justification documentée: pièces d’identité, données bancaires, santé, données mineurs, secrets d’affaires. C’est la base “minimisation” côté RGPD, et c’est aussi la base “limiter le blast radius” côté cyber.
2) Inventaire des accès et “chemins de traverse” (le vrai enseignement Chargemap)
L’incident Chargemap pointe une cause classique: ancienne interface. Dans un projet IA, ça se traduit par:
- anciens endpoints API non documentés,
- webhooks oubliés,
- comptes techniques créés pour un POC, jamais supprimés,
- connecteurs iPaaS/RPA qui conservent des jetons “à vie”.
Contrôle à imposer: revue d’exposition avant mise en prod (scan externe, inventaire DNS, vérif des consoles d’admin, revues des apps OAuth). Objectif: réduire le risque “interface oubliée” qui contourne tes nouveaux garde-fous.
3) Segmentation réseau et cloisonnement des composants IA
Le copilote “c’est juste une app”. Faux. Tu as souvent:
- un orchestrateur (backend),
- une base de documents,
- une base vectorielle,
- une gateway API,
- des workers d’indexation.
Contrôle: zone dédiée pour la stack IA, flux strictement nécessaires, pas d’accès latéral “facile” vers le SI. C’est un classique des recommandations ANSSI: empêcher qu’une compromission d’un composant se propage.
4) Durcissement IAM: humains, comptes de service, connecteurs
La plupart des fuites “via IA” sont des fuites “via permissions”. Donc:
- moindre privilège partout,
- séparation des rôles (admin, dev, analyste, run),
- un compte de service par connecteur,
- rotation des secrets, expiration courte des tokens,
- scopes OAuth minimum sur les SaaS.
Point clé: interdire les jetons “full access” sur Drive/SharePoint/CRM “parce que sinon ça marche pas”. Si ça marche pas sans full access, ton design est mauvais.
5) Journalisation “safe by design” (sans fuite dans les logs)
Les logs sont utiles pour enquêter. Et dangereux si tu y mets du contenu client.
- Loggue des métadonnées (qui, quand, quel connecteur, quel type d’action),
- distingue requête utilisateur et données envoyées au modèle,
- applique redaction/masquage automatique (IBAN, e-mail, NIR, numéros carte),
- définis une rétention courte et justifiée,
- sécurise l’accès aux logs (c’est une base de données sensible).
Ce point est explicitement mis en avant par l’ANSSI dans ses recommandations IA générative.
6) DLP et classification sur les flux vers l’IA (pas juste sur l’e-mail)
Beaucoup de boîtes ont un DLP “mail”. Et rien sur:
- les appels API vers le modèle,
- les copier-coller dans un copilote,
- l’index vectoriel (où les extraits finissent stockés),
- les exports de conversations,
- les pièces jointes.
Contrôle: règles DLP sur les flux IA. Concret: détection IBAN, NIR, numéros de carte, pièces d’identité, adresses, combos e-mail + téléphone, etc. Réponse: blocage, quarantaine, ou passage en validation.
7) Tests de connecteurs et pentest ciblé “IA” avant prod
Si tu ajoutes un connecteur, tu ajoutes une porte. Donc tu testes cette porte.
- tests d’authentification et d’autorisations (authN/authZ),
- rate limiting,
- fuzzing simple sur endpoints critiques,
- vérif des scopes OAuth réels,
- tests de régression sur les “anciens endpoints”.
Le parallèle Chargemap est direct: l’ancienne interface, c’est exactement le truc qui saute dans une revue de connecteurs sérieuse.
8) Contrôles anti-exfiltration spécifiques aux copilotes et agents
Une IA qui lit, ça va. Une IA qui agit, c’est une autre classe de risque.
- allowlist d’outils et d’actions (pas de “fait tout”),
- confirmation humaine sur actions à impact (envoi, suppression, export),
- quotas par utilisateur et par période,
- limite de taille des documents et du volume exportable,
- détection de requêtes anormales (exemple “exporte tous les clients”, “liste toutes les factures”).
Sans ces garde-fous, ton agent devient un outil d’exfiltration “avec une UX sympa”.
9) Chiffrement partout et gestion des clés
- TLS en transit,
- chiffrement au repos des documents et de l’index vectoriel,
- séparation dev/test/prod (et pas de données clients en dev),
- si possible: clés gérées côté entreprise (KMS), accès aux clés limité et journalisé.
Ça ne stoppe pas tout. Mais ça réduit l’impact en cas d’accès non autorisé à un stockage ou un snapshot.
10) Politique de rétention: conversations, prompts, pièces jointes, index
Le piège: “on garde tout, ça servira”. Non. Ça servira surtout à augmenter l’impact le jour où ça fuit.
- rétention courte par défaut,
- règles par type de données,
- purge automatique,
- capacité à supprimer à la demande (droits RGPD),
- preuve de purge (logs d’effacement, tickets).
Sur ce sujet, tu peux t’appuyer sur ce guide Lyon IA: Écrire une politique de conservation des données pour ses outils IA.
11) Procédure incident et notification: prêt avant, pas après
Chargemap indique une notification à la CNIL. C’est un bon rappel: le pire moment pour découvrir ton process, c’est pendant la crise.
- playbook “fuite de données via IA” (qui décide, qui coupe, qui contacte),
- collecte de preuves (logs, traces, snapshots) sans les écraser,
- critères d’escalade DPO/RSSI/Direction,
- modèles de messages (clients, partenaires),
- process CNIL (délais, infos minimales, mise à jour).
Pour un kit opérationnel, voir: Fuite de données: kit de réponse en 24 h à Lyon (RGPD, preuves, com, M365).
12) Gouvernance fournisseurs IA: clauses, audits, notification, sous-traitants
Si ton IA s’appuie sur un fournisseur (LLM, plateforme d’agents, iPaaS, outil de support), tu as un risque “tiers”. Et un risque RGPD si le rôle sous-traitant est mal cadré.
- où sont traitées et stockées les données (localisation),
- durées de conservation,
- sous-traitants ultérieurs,
- conditions d’usage pour entraînement (interdiction si tu l’exiges),
- droits d’audit et preuves (SOC2/ISO, tests, logs),
- obligation de notification d’incident et délais,
- clauses de réversibilité (sortie propre, effacement).
Pour cadrer sans te raconter d’histoires: Contrat avec un fournisseur d'IA : les clauses à lire deux fois.
Focus Lyon: réduire le risque quand tu déploies des copilotes et agents dans une équipe locale
À Lyon, on voit le même pattern dans les PME, ETI et sièges: un copilote part d’un besoin terrain (support, commerce, finance), puis on “branche vite” sur M365, un CRM, un outil de ticketing. Et on découvre trop tard que le risque principal n’est pas “l’IA hallucine”, mais “l’IA a accès à trop de choses”.
Trois réflexes qui évitent 80% des expositions involontaires
- Commence petit, cloisonné: un périmètre documentaire limité, un groupe pilote, un connecteur, puis extension. Pas l’inverse.
- Fais valider l’IAM avant le POC: si le POC nécessite des droits admin globaux, stop. Re-design.
- Traite l’index vectoriel comme une base sensible: ce n’est pas un cache innocent. C’est souvent une copie partielle de tes documents.
Une manière simple d’outiller le pilotage local
Si tu es DSI, RSSI, responsable data ou chef de produit interne, impose un document d’une page “avant connexion”:
- objectif métier et utilisateurs,
- données touchées (sources, champs),
- connecteurs, comptes techniques, scopes,
- stockages (logs, index, historiques) + durées,
- garde-fous agent (allowlist, validation humaine),
- plan incident (qui coupe quoi, qui notifie).
Pour compléter côté garde-fous agents: Agents IA : 10 garde-fous avant d’automatiser en entreprise (accès, données, actions) et Sécuriser un agent IA qui a accès à vos outils.
Ce que tu peux faire cette semaine (sans “grand programme”)
- J+1: liste tous les connecteurs IA existants et leurs scopes. Cherche les “full access” et les tokens sans expiration.
- J+2: décide ce qui n’a pas le droit d’entrer dans l’IA (PII sensibles, finance, santé). Par défaut: bloqué.
- J+3: vérifie les logs. Si tu loggues prompts + extraits clients en clair, corrige avant d’élargir le pilote.
- J+4: mets une règle simple d’anti-exfiltration: quotas + confirmation humaine sur export/envoi.
- J+5: aligne contrat et RGPD: rôle du fournisseur, conservation, notification d’incident.
Le message derrière Chargemap est limpide: les interfaces oubliées existent toujours. Les projets IA en créent de nouvelles, très vite, via des connecteurs et de l’automatisation. Ta meilleure défense, ce n’est pas une promesse marketing “IA sécurisée”. C’est une check-list appliquée, testée, et tenue dans le temps.
Laisser un commentaire