Lakera

Qu’est-ce que Lakera ?

Lakera est une plateforme de sécurité destinée aux applications d’IA générative et aux agents intelligents, qui fait désormais partie du portefeuille de produits Check Point AI Security. Elle aide les équipes à identifier et à bloquer les risques de sécurité liés aux modèles avant et après leur déploiement, grâce à la découverte des actifs d’IA, à l’évaluation des risques, aux garde-fous en temps réel et aux tests de red team.

La fonctionnalité originale Lakera Guard de la plateforme est actuellement présentée principalement sous le nom d’AI Guardrails, tandis que les documents de développement et certains ressources techniques conservent encore le nom Lakera. L’objectif du produit n’est pas de générer du contenu, mais de vérifier si les entrées des utilisateurs, les sorties des modèles, le contenu recherché et les appels d’outils violent les politiques de sécurité.

Situation actuelle de l’entreprise et des produits

En 2025, Check Point a annoncé l’acquisition de Lakera, transaction qui a été finalisée la même année. Après cette acquisition, les capacités de protection de Lakera ont été intégrées à une gamme plus complète de produits de sécurité IA ; les clients existants peuvent toujours utiliser ces fonctionnalités via les consoles et interfaces actuelles.

Deux types de produits phares

Les entreprises peuvent déployer des mécanismes de protection en temps réel de manière indépendante, ou bien recourir à AI Agent Security, qui couvre l’ensemble du cycle de vie des actifs proxy. Ce dernier intègre des capacités de protection et regroupe la détection, l’évaluation et la protection continue au sein d’un même processus de gestion.

Découverte par l’agent IA

Le module de détection des agents se connecte à la plateforme d’agents utilisée par l’entreprise pour créer une liste unifiée des actifs. Il peut identifier les agents, les flux de travail, les outils, les connexions de données et les relations de permissions, ce qui réduit le problème selon lequel l’équipe ne sait pas quels agents IA sont en cours d’exécution.

• Prend en charge la connexion aux environnements Amazon Bedrock et AgentCore.
• Permet de vérifier les actifs proxy dans Google Cloud.
• Prend en charge l’espace de travail Microsoft Copilot Studio.
• Prend en charge les agents Salesforce Agentforce.
• Prend en charge les workflows d’automatisation n8n.
• Prend en charge la plateforme d’agents Relevance AI.
• Il est possible de visualiser les actifs et leurs relations de risque dans une vue unifiée.

Évaluation du risque pour l’agent

L’évaluation des risques analyse la configuration des agents, les permissions, les outils et les relations d’accès aux données, puis relie plusieurs problèmes isolés en des chemins de risque traitables. Les résultats sont classés par gravité, ce qui permet à l’équipe de sécurité de donner la priorité aux risques combinés susceptibles d’avoir un impact réel sur les activités de l’entreprise.

Barrières de sécurité en temps de exécution

AI Guardrails effectue un contrôle en temps réel entre les applications et les modèles ; il peut se contenter d’enregistrer les risques ou bloquer directement les requêtes non conformes. Il convient pour couvrir les entrées des utilisateurs, les réponses des modèles, les extraits de recherche, les descriptions des outils ainsi que les résultats retournés par ces derniers.

Injection de suggestions et protection contre les jailbreaks

Prompt Defense est utilisé pour détecter les tentatives d’injection par prompt direct, d’injection indirecte, de jailbreak et de manipulation des instructions système. Les attaques indirectes peuvent être cachées dans des pages web, des fichiers, des extraits de bases de connaissances ou le contenu retourné par des outils, il est donc nécessaire de vérifier à chaque étape de l’interaction via un proxy.

Protection du contenu et des données

• Identifier la haine, la violence, l’auto-mutilation, le contenu sexuel et d’autres catégories non conformes.
• Détection des fuites d’informations personnelles et de données sensibles.
• Réduire le risque que les prompts du système et les instructions internes soient volés.
• Identifier les liens malveillants et les redirections suspects.
• Restreindre les déviations de l’agent par rapport à sa mission autorisée ou l’exécution d’opérations non pertinentes.
• Contrôler les capacités appelables à l’aide des listes d’autorisation et de refus des outils.
• Configurer des garde-corps personnalisés pour les règles sectorielles et entreprises spécifiques.

Amélioration de la recherche générative et protection contre les appels d’outils

Dans le processus de génération améliorée par la recherche, la plateforme peut examiner séparément la question de l’utilisateur, le contexte retrouvé et la réponse finale du modèle. Cela permet non seulement de détecter les attaques directes de l’utilisateur, mais aussi d’identifier des instructions malveillantes cachées dans les documents de la base de connaissances.

Pour les appels d’agents et d’outils, des vérifications de sécurité doivent être effectuées avant et après chaque étape de raisonnement, et non seulement sur la réponse finale. La description de l’outil, ses paramètres, les résultats de son exécution ainsi que le contexte des protocoles externes peuvent tous constituer des points d’injection d’inductions indirectes.

Fonctionnement de l’API Guard

Les développeurs soumettent, via l’API Guard, les messages, les rôles et les informations de politique à vérifier ; l’interface renvoie alors un état de violation ainsi que les résultats de la détection. L’application décide ensuite, en fonction de la politique, d’autoriser l’accès, d’enregistrer l’événement, de fournir une indication de remplacement ou d’interrompre l’interaction en cours.

1. Créez un projet dans la console et obtenez les identifiants d’accès.
2. Sélectionnez une défense prédéfinie pour l’application et configurez les stratégies à exécuter.
3. Appeler l’interface Guard avant que les entrées de l’utilisateur ne soient envoyées au modèle.
4. Vérifier à nouveau le contenu de la recherche, les résultats des outils et les sorties du modèle avant de passer à l’étape suivante.
5. Lire la catégorie de violation et le résultat du traitement, puis exécuter la logique de blocage ou de dégradation.
6. Voir les journaux, les tendances et les faux positifs dans la console.
7. Ajuster les stratégies et les seuils en fonction des données commerciales réelles.
8. Envoyer les événements à haut risque vers le processus opérationnel de sécurité de l’entreprise.

Mode de détection et mode forcé

Capacités API et plateforme

L’interface actuelle est principalement basée sur la deuxième version des capacités Guard et offre des fonctionnalités d’entreprise telles que la consultation des résultats, la gestion des politiques et de la gestion de projet. Le déploiement auto-hébergé fournit également des outils de vérification de l’état de santé, de contrôle de la configuration et d’indication du statut de disponibilité des services, facilitant ainsi l’intégration avec l’orchestration de conteneurs et la surveillance des opérations.

Comparaison entre SaaS et auto-hébergement

Zone de données et prise en charge des langues

Pour SaaS, on peut choisir des zones de traitement telles que l’Est des États-Unis, l’Ouest des États-Unis, l’Irlande en Union européenne et Singapour en Asie ; les entreprises peuvent également configurer le stockage des journaux et les zones de traitement autorisées. Les organisations doivent choisir une zone en fonction des exigences relatives au séjour des données, aux transferts transfrontaliers et à la conformité interne.

La plateforme prend en charge plus d’une centaine de langues, ce qui la rend adaptée aux robots de conversation multilingues et aux applications d’agents transrégionaux. La qualité de reconnaissance dépend du langage, du domaine, de la longueur des prompts et du contexte métier ; il est donc encore nécessaire d’utiliser ses propres données pour une évaluation.

Tests de team rouge en IA

AI Red Teaming est utilisé pour attaquer automatiquement des modèles, des agents et des interfaces personnalisées avant leur mise en ligne ou après une mise à jour de version. Il couvre les catégories de sécurité, de sûreté et d’IA responsable, et rassemble les résultats des tests en un score de risque ainsi qu’en un rapport structuré exportable.

• Tester l’interface du modèle direct, l’application de chat et l’agent IA.
• Générer et exécuter automatiquement divers types d’attaques adversariales.
• Enregistrer les indications d’attaque, les réponses, la classification et l’état de succès.
• Aider à comparer les variations de risque entre différentes versions, stratégies et modèles.
• Il est possible d’exporter les résultats au format JSON ou CSV.
• Idéal pour les évaluations de sécurité, les contrôles d’accès aux publications et les tests de régression.

SDK de l’équipe rouge

Lakera Red propose une version bêta d’un SDK pour TypeScript et Python, permettant d’intégrer des applications personnalisées ou des interfaces internes aux tâches de test. Les composants déployés utilisent une connexion active vers l’extérieur ; les entreprises doivent néanmoins évaluer l’environnement de fonctionnement, les versions des dépendances et les limites des données de test.

1. Préparer des objectifs de test et des comptes dédiés isolés de la production.
2. Installez le SDK correspondant à la langue et configurez les identifiants de test.
3. Mettre en œuvre un adaptateur de cible pour envoyer les entrées d’attaque au modèle ou à l’agent.
4. Retourne la sortie du modèle et l’état de fonctionnement nécessaire.
5. Sélectionnez la catégorie de test, la portée et le nombre maximal de requêtes.
6. Exécuter le scan et vérifier les cas réussis à haut risque.
7. Conseils de réparation, permissions des outils, accès aux données ou configuration des protections.
8. Exécuter à nouveau le même ensemble de tests pour valider l’efficacité de la correction.

Prix et forfaits

Les informations sur les prix ont été vérifiées le 23 août 2026 ; les montants réels, les taxes, les taux de change et les remises peuvent varier. Les données finales seront celles affichées sur la page de paiement.

Lakera adopte un modèle combinant une quantité gratuite pour la communauté et des contrats sur mesure pour les entreprises. La solution communautaire convient à la validation de prototypes, tandis que les systèmes de production nécessitent généralement une prise de contact avec le service commercial en fonction de l’échelle de la demande, de la longueur du contexte, du mode de déploiement et des fonctionnalités souhaitées par l’entreprise.

Sécurité et conformité des entreprises

Le produit offre des droits d’accès par rôle, des journaux, des paramètres de conservation des données et une intégration avec des systèmes de sécurité, tout en détaillant ses mécanismes de contrôle de la sécurité et de la confidentialité des entreprises. L’acheteur doit néanmoins examiner les accords de traitement des données, les sous-traitants, les procédures de réponse aux incidents et les mécanismes de suppression, en fonction de ses propres obligations réglementaires.

• Durée de conservation respective des prompts de confirmation, des réponses et des journaux de détection.
• Déterminer les zones de traitement et les zones de journal utilisées par le projet.
• Rôle d’administrateur limité à la consultation du contenu d’interaction original.
• Minimiser, masquer ou tokeniser les champs sensibles.
• Intégrer les événements à haut risque dans le système de gestion des informations et des événements de sécurité de l’entreprise.
• Mettre en place un processus de réessai pour les modifications de modèles, d’agents et d’outils.
• Terminer le traitement des données et l’évaluation de la conformité avant l’achat officiel.

GitHub et l’état open source

La plateforme centrale Lakera, le modèle de détection Guard et la console d’entreprise ne sont pas des produits open source. L’organisation officielle GitHub a autrefois publié des démonstrations, des projets de recherche et des outils auxiliaires, mais la plupart des dépôts publics actuels ont été archivés ; il ne faut donc pas en déduire que les plateformes commerciales peuvent être déployées de manière autonome.

À qui s’adresse-t-il

• L’équipe de développement des applications basées sur de grands modèles de langage est en cours de mise en ligne.
• Il est nécessaire de protéger les entreprises dont la base de connaissances générée par l’amélioration des recherches doit être préservée.
• Équipe de sécurité chargée de gérer les agents d’IA multiplateformes et les actifs d’IA cachée.
• Responsables de produits qui doivent bloquer l’injection de prompts, les jailbreaks et les fuites de données.
• Équipe de projet visant à créer une plateforme de modélisation pour la publication de systèmes d’accès sécurisés.
• Organisations réglementées nécessitant une gestion propre ou une zone de données spécifiée.
• Conseiller en tests d’infiltration et en évaluation des risques pour l’IA générative.

Avantages du produit

• Il couvre en même temps la découverte des actifs, l’évaluation des risques, la protection en temps réel et les tests de red team.
• Permet de vérifier les entrées de l’utilisateur, les sorties du modèle, le contexte de recherche et les appels d’outils.
• Deux modes de fonctionnement sont proposés : détection et forcé, ce qui facilite le déploiement par étapes.
• Prend en charge les déploiements SaaS et auto-hébergés d’entreprise.
• Prend en charge les applications multilingues et plusieurs zones de traitement des données.
• Peut être intégré aux journaux, à la surveillance et aux processus opérationnels de sécurité.
• La limite communautaire gratuite convient aux développeurs pour effectuer d’abord une validation technique.

Restrictions et précautions

Aucune barrière de sécurité ne peut garantir la blocage de toutes les attaques inconnues, et des faux positifs ou des faux négatifs peuvent survenir. Les taux élevés de détection, les faibles délais et les faibles taux de faux positifs annoncés par les fabricants correspondent à des indicateurs du produit dans des conditions de test spécifiques, et ne doivent pas être considérés directement comme les résultats réels pour tous les langages, modèles et entreprises.

• Les capacités complètes de sécurité d’agent peuvent encore être en accès précoce ou mises en œuvre par étapes.
• La version entreprise n’a pas de prix fixe public ; le coût d’achat doit être évalué séparément.
• Chaque appel aux barrières de protection augmente le nombre de requêtes, les délais et la complexité de l’exploitation.
• Les contextes longs, les langues multiples et les termes sectoriels spécifiques nécessitent des tests séparés.
• Des politiques personnalisées trop strictes peuvent affecter les utilisateurs normaux et les tâches d’agent.
• La version auto-hébergée impose au client de gérer l’expansion, la surveillance, les mises à jour et la récupération en cas de panne.
• Un dépôt open source archivé ne doit pas servir de preuve de capacité de maintenance continue.
• Les barrières de sécurité ne peuvent pas remplacer les droits d’accès, la gestion des clés et l’approbation manuelle.

Recommandations pour le choix et la validation

1. Listez les modèles, agents, bases de connaissances et outils qui doivent être protégés.
2. Classer les niveaux de risque en fonction de la sensibilité des données et des droits d’exécution.
3. Créer un ensemble de test à partir de requêtes historiques réelles mais masquées.
4. Mesurez d’abord les faux positifs, les faux négatifs et les retards en mode Detect.
5. Activez progressivement l’injection de suggestions, la protection du contenu, des données et des outils.
6. Ajouter une vérification d’identité et une confirmation manuelle pour les opérations à haut risque.
7. Exécuter des tests de red team et enregistrer les résultats de comparaison entre versions.
8. Vérifier le volume de requêtes mensuel, la taille du contexte et le coût de concurrence en pointe.
9. Évaluer les limites des données pour les solutions SaaS régionales ou auto-hébergées.
10. Passez en mode Enforce après avoir effectué des tests de régression.

Questions fréquentes

Comment s’appelle Lakera maintenant ?

Lakera a été intégrée à Check Point, et ses fonctionnalités de protection principales continuent d’être fournies sous le nom de Check Point AI Guardrails. Certaines consoles, documents, SDK et ressources techniques historiques continueront d’utiliser le nom Lakera.

Lakera peut-il empêcher l’injection de prompts ?

Il est possible d’identifier les injections de suggestions directes et indirectes, les jailbreaks et la manipulation des instructions système, et de bloquer les requêtes en mode stratégie. L’efficacité réelle dépend du langage, du contexte, de la stratégie et du type d’attaque, ce qui nécessite des tests continus.

Quelle est la limite de la version gratuite ?

Le programme Community offre un maximum de 10 000 demandes de dépistage par mois, idéal pour les prototypes et les tests à petite échelle. Pour les volumes de demandes, le contexte et les fonctionnalités nécessaires à une utilisation en production par des entreprises, un contrat sur mesure est requis.

Est-ce que c’est compatible avec l’hébergement auto-géré ?

Les clients entreprises peuvent négocier un déploiement auto-hébergé, en exécutant les pare-feu au sein de leur propre infrastructure et en gérant les politiques, les journaux et l’extension des capacités. Les exigences techniques spécifiques ainsi que les coûts de licence doivent être confirmés par le service des ventes.

Lakera est-il un projet open source ?

Non, les garde-corps commerciaux, les plateformes de sécurité par proxy et les modèles de détection sont tous des produits à source fermée. Les projets open source ou archivés sur GitHub officiel ne couvrent que certains outils de recherche, extensions et codes de démonstration.

Est-il approprié de protéger les agents IA ?

C’est adapté, car il peut non seulement vérifier les prompts et les réponses, mais aussi détecter les actifs de proxy, évaluer les droits des outils et les relations avec les données, ainsi que vérifier les étapes de proxy en temps réel. Les actions à haut risque doivent toujours faire l’objet d’un minimum de droits et d’une approbation manuelle.

Résumé

Lakera s’est étendue d’un simple modèle de langage grandeur nature à un système de sécurité de l’IA d’entreprise sous Check Point, couvrant la découverte des agents, l’évaluation des risques, la protection en temps réel et les tests automatisés de red team. Elle est adaptée aux équipes qui souhaitent intégrer la sécurité de l’IA générative dans leurs processus de développement et de gestion de la sécurité.

Les développeurs individuels peuvent valider l’intégration de Guard avec 10 000 demandes de vérification gratuites par mois, tandis que les entreprises doivent obtenir un devis en fonction du déploiement, de la région, du volume de demandes et des fonctionnalités de gouvernance. Avant de choisir, il convient d’utiliser des tests réels sur le business pour évaluer le taux de détection, les faux positifs, les retards et les coûts, et de déployer les mécanismes de protection en même temps que l’identité, les permissions, l’approbation et la surveillance.