Apple restreint l'accès au disque sur macOS à mesure que les agents IA se multiplient
Apple a annoncé le 2 octobre l'introduction de contrôles plus stricts pour l'accès complet au disque sur macOS. L'entreprise lie cette décision aux risques croissants que font peser les agents IA autonomes sur les données des utilisateurs.

Le 2 octobre, Apple a publié un communiqué sur son site pour développeurs. Le changement modifie la façon dont les applications demandent l'accès complet au disque sur macOS. L'entreprise affirme que « certains développeurs » utilisent cette autorisation d'une manière « qui pourrait mettre les utilisateurs en danger ». C'est un changement structurel dans la gestion des autorisations par les systèmes d'exploitation, pour les logiciels qui agissent au nom des utilisateurs.
La menace précise
Apple explique que l'accès complet au disque est aujourd'hui conçu pour permettre aux applications de sauvegarde de fonctionner. Or cette autorisation « contourne largement » les contrôles de confidentialité standard. Selon le communiqué, un usage détourné peut exposer « tout ce qui se trouve sur leur système, y compris les fichiers, les mails, les messages et même l'historique de navigation » sans que l'utilisateur en ait pleinement conscience. Pour les applications de messagerie, cette atteinte touche aussi la vie privée des personnes avec qui l'utilisateur dialogue. L'entreprise note que, les agents IA devenant « de plus en plus capables et autonomes », les risques liés à ce niveau d'accès vont « augmenter sensiblement ».
Le calendrier compte. Cette annonce arrive au moment où des outils comme Meta Muse et Dots d'OpenAI gagnent en popularité. Ce sont des agents toujours actifs, qui réclament un accès étendu aux données personnelles. 9to5Mac rapporte qu'il y a déjà eu des « histoires d'horreur » avec Meta Muse. Le risque théorique devient donc une réalité pratique. Apple indique qu'elle instaurera des contrôles pour que les utilisateurs n'accordent cet accès « extraordinaire » que par une « action très explicite de leur part ». L'entreprise n'a pas donné plus de détails sur la mise en œuvre technique au moment du rapport.
Identité et contrôle d'accès
Pendant qu'Apple traite l'autorisation au niveau du système, une tendance parallèle dans les outils pour agents porte sur l'identité. Donner à un agent vos identifiants personnels crée un risque de sécurité. L'application ne peut pas distinguer vos actions de celles de l'agent. Si l'agent se comporte mal, le seul moyen de l'arrêter est de changer votre propre mot de passe. Vous vous retrouvez alors exclu de votre compte. AgentMail, qui fournit des solutions d'identité pour les agents, plaide pour un modèle distinct. La société propose de donner aux agents leur propre identité, avec leur propre boîte mail et leur propre clé de connexion. Dans ce modèle, l'agent est un principal à part entière. Si un identifiant fuit, cela ne touche que la connexion de cet agent précis, pas tout le compte du propriétaire. Le propriétaire reste enregistré comme la personne responsable, mais les dégâts restent contenus.
Cette distinction entre délégation et identité séparée devient une décision d'architecture courante. Pour les agents qui agissent dans vos comptes existants, emprunter l'autorité fonctionne. Pour ceux qui s'inscrivent à des services, reçoivent du courrier et détiennent des comptes dans la durée, une identité séparée est plus sûre. Pouvoir révoquer l'accès d'un agent sans toucher au propriétaire humain est une fonction de sécurité essentielle. Les identifiants empruntés ne l'offrent pas.
Vérification et dérive
Les autorisations ne sont qu'une pièce du problème. Il faut aussi s'assurer que l'agent fait bien ce qu'il prétend faire. Microsoft et Hugging Face ont publié le 3 octobre un benchmark nommé ThinkingBox. Il note les agents IA sur les traces qu'ils laissent dans une base de données, pas sur les phrases qu'ils produisent. Le benchmark fait passer les agents par 507 workflows métier avec état, chacun répété 20 fois. Les résultats sont sans appel. Sur un test couvrant 121 680 essais valides avec 12 modèles LLM, 79 853 tentatives ont échoué aux contrôles exécutables. Parmi ces échecs, 67,24 % des agents se sont arrêtés proprement et n'ont signalé aucune erreur. Pourtant, la base de données affichait des valeurs de champs erronées dans 77,61 % de ces cas. Des effets supplémentaires non voulus sont apparus dans 43,30 % des échecs. Cela met en évidence un problème central : un agent peut sembler avoir raison tout en laissant le système dans un mauvais état.
À cela s'ajoute la « dérive des agents ». Ce concept, détaillé dans une analyse récente de Sdarchitect, désigne le moment où le comportement d'un agent change alors qu'aucun code n'a été déployé. Un agent fonctionne dans un ensemble de modèles, d'outils et de données. Toute modification de ces éléments peut altérer son comportement. Un fournisseur de modèle qui met à jour une version ou change ses contrôles de sécurité peut amener un agent à agir autrement. Les systèmes classiques de gestion des changements, qui suivent les déploiements de code, ne le détectent pas. Conséquence : l'évaluation doit être continue, et non un simple contrôle de conception fait une fois. Si l'environnement change, le comportement de l'agent change, quel que soit son propre code.
Infrastructure et supervision
À mesure que les agents gagnent en autonomie, l'infrastructure qui les entoure évolue pour gérer le risque. Spawned a lancé une plateforme cloud conçue à la fois pour les humains et pour les agents. Elle leur permet de déployer une véritable infrastructure sur AWS, GCP ou Azure. Un cadre déclaratif garantit que les agents ne créent pas de mauvaises configurations ni de composants inventés. Kimchi propose une autre approche, centrée sur les coûts et la gouvernance des données. La société impose des plafonds budgétaires stricts et veille à ce que les données des modèles ne sortent pas de l'environnement de l'entreprise. C'est une exigence clé pour les secteurs très réglementés.
Les garde-fous techniques ne suffisent toutefois pas si la supervision humaine est défaillante. Un article intitulé « Oversight Has a Capacity », publié sur arXiv en juin 2026, soutient que les points de validation avec un humain dans la boucle reposent sur de fausses hypothèses. L'étude constate que les relecteurs ne s'accordent que modérément sur ce qui constitue une action risquée, avec un kappa de Fleiss de 0,52. Plus important, l'attention humaine est limitée. Modélisée comme une ressource qui s'épuise, la sécurité effective suit une courbe en U inversé. Une escalade excessive peut même rendre un système moins sûr, parce que le relecteur se fatigue. La stratégie optimale consiste à escalader moins de 100 % du temps, en réservant le jugement humain aux décisions les plus critiques. La supervision n'est donc pas seulement un problème de classification, mais un problème d'allocation de ressources.
La convergence de ces évolutions annonce une nouvelle phase dans le déploiement des agents IA. Il ne suffit plus de bâtir un modèle intelligent. L'attention se déplace vers le système dans son ensemble. Cela couvre la manière dont l'agent s'identifie, dont il est vérifié face à l'état réel, dont son environnement est géré, et dont la supervision humaine est calibrée pour éviter la fatigue. La décision d'Apple sur les autorisations macOS montre que les éditeurs de systèmes d'exploitation prennent le sujet au sérieux. L'époque où l'on traitait les agents comme de simples scripts se termine. La prochaine génération d'outils partira du principe que les agents sont des acteurs autonomes. Ils auront leur propre identité, leur propre budget et leur propre capacité à commettre des erreurs que seule une vérification rigoureuse, fondée sur l'état réel, peut détecter.
Sources
11- 01Apple says it's tightening macOS privacy controls amid the rise of AI agentsEN
- 02Give Your AI Agent Its Own IdentityEN
- 03The Agent Said It Was Done. The Database DisagreedEN
- 04AI Risk – A user's guide (Part IV): Understanding Agent DriftEN
- 05Spawned: AIO cloud platform for humans and agentsEN
- 06Pi-based coding agent with hard budget capsEN
- 07Oversight Has a Capacity: Calibrating Agent Guards to a Subjective, Fatiguing HumanEN
- 08Against Personal Agents Theory of Everything Why the Future of Work Is a FactoryEN
- 09I stopped reviewing my agents' code. Here's what I do insteadEN
- 10Design Systems for AI AgentsEN
- 11Writing Evals for Agentic Systems as a 4 Step LoopEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.