Les entreprises qui adoptent l'intelligence artificielle (IA) font face à un problème croissant : plus elles intègrent d'agents et d'applications automatisées, plus il devient difficile de garantir que ces systèmes respectent les règles métier, protègent les données sensibles et fournissent des réponses fiables. Pour relever ce défi, des options telles qu'une architecture et un ensemble d'outils ont été créées afin que les protections de sécurité cessent de dépendre de chaque application individuelle et soient appliquées depuis les couches les plus profondes de la plateforme technologique.
Le modèle, dénommé Deep Trust AI Architecture, part d'une prémisse concrète : si les politiques d'accès et les règles métier sont définies uniquement dans le code de chaque application, les systèmes générés par IA peuvent les implémenter mal ou, dans le pire des cas, les ignorer complètement. La proposition transfère ces protections à quatre niveaux de l'infrastructure (logiciel de base, données, accès aux données et développement d'applications) afin que tout agent ou application opérant sur cette plateforme les hérite automatiquement.
« Les entreprises ne peuvent pas profiter des avantages de l'IA si elles ne peuvent pas faire confiance à ce qu'elle génère », a déclaré Juan Loaiza, vice-président exécutif des technologies de bases de données IA chez Oracle, lors de l'AI World.
Le risque de laisser la sécurité entre les mains de chaque application d'IA
Le scénario qui préoccupe les organisations est clair. À mesure que se multiplient les agents d'intelligence artificielle accédant aux bases de données d'entreprise — que ce soit par des requêtes directes ou via la conversion du langage naturel en code de requête —, chacun de ces points de contact représente une possible faille de sécurité.
Lorsqu'un agent d'IA convertit la question d'un employé en une requête vers la base de données, il peut omettre des restrictions d'accès qui existaient dans l'application traditionnelle. De même, une application générée par IA peut implémenter de manière incorrecte les politiques concernant qui peut voir quelles informations. L'architecture présentée vise à combler cette faille en appliquant les règles directement dans la base de données, où aucun agent externe ne peut les contourner.
Les règles métier sont appliquées dans la base de données, hors de portée des agents
L'un des outils centraux de cette proposition est Deep Data Security, qui permet de définir les règles d'accès de chaque utilisateur directement dans la base de données. Le système vérifie l'identité au moyen d'un certificat numérique émis par l'annuaire d'entreprise et détermine quelles informations cette personne peut consulter, indépendamment de l'application ou de l'agent effectuant la demande.
A cela s’ajoute SQL Assertions, une fonctionnalité qui applique des règles métier directement au sein de la base de données. Exemple concret : si un employé tente d’approuver une dépense dépassant sa limite autorisée, la base de données bloque l’opération, quelle que soit l’application, l’utilisateur ou l’agent d’IA à l’origine de la demande.
Les mises à jour de sécurité sont installées avant leur publication
Sur le plan logiciel, l’architecture s’appuie sur Autonomous AI Database, un système qui élimine le besoin d’appliquer manuellement les correctifs de sécurité. Les mises à jour sont installées sur le moteur de base de données, le système d’exploitation, le stockage et le micrologiciel avant leur diffusion publique, et sont déployées par étapes afin de garantir la continuité des applications sans interruption.
Le chiffrement reste actif en permanence, que ce soit pour les données stockées ou celles en transit. Seuls les utilisateurs et les applications autorisés peuvent déchiffrer les informations. Ce service fonctionne auprès des principaux fournisseurs de cloud ainsi que dans les installations locales.
Les requêtes en langage naturel intègrent le contexte métier pour réduire les erreurs
Un autre point critique est la précision des réponses lorsque les utilisateurs posent des questions en langage naturel. L’outil Deep NL2SQL permet à l’IA d’interpréter ces requêtes en s’appuyant sur des informations contextuelles propres à chaque organisation : terminologie interne, pratiques courantes, métriques spécifiques et structure des données.
Si la réponse s’avère incorrecte, les utilisateurs peuvent la corriger grâce à un système d’apprentissage par rétroaction continue. Avant que ces corrections ne soient intégrées à la base de connaissances de l’entreprise, elles passent par un processus de validation visant à empêcher la propagation d’une erreur. Ces fonctionnalités ciblent un problème fréquent : les solutions traditionnelles de conversion du langage naturel en requêtes techniques échouent souvent lorsqu’elles ignorent le contexte métier spécifique.
Les applications générées par IA produisent des définitions, pas du code exécutable
Sur la couche de développement, l’architecture intègre APEX AI Application Generator, qui permet aux agents de programmation de convertir des descriptions en langage naturel en définitions d’applications via APEXlang, un langage ouvert conçu à cet effet.
La différence avec d’autres approches de génération automatique de logiciels réside dans le fait que l’IA ne produit que la définition de l’application, et non le code exécutable. Le moteur d’exécution sous-jacent gère la sécurité, la scalabilité et la disponibilité. Cela réduit le besoin de maintenir et de réviser de grands volumes de code généré par l’intelligence artificielle, une préoccupation majeure des équipes de développement.
25 applications qui exécutent des processus complexes avec supervision humaine
En parallèle de l'architecture de confiance, 25 applications agentic ont été présentées au sein de Fusion Cloud Applications, propulsées par un environnement d'exécution appelé Fusion Claw. Ces outils fonctionnent selon un modèle qu'Oracle décrit comme « système de résultats » : les humains définissent les objectifs et les politiques, tandis que les applications coordonnent les processus nécessaires pour les atteindre.
« La prochaine ère de l'IA d'entreprise se concentrera sur la fourniture de logiciels réalisant de plus en plus de tâches, tandis que les humains définissent les objectifs et établissent les politiques », a affirmé Chris Leone, vice-président exécutif du Développement des Applications de l'entreprise.
Les 25 applications couvrent des domaines tels que la planification des ressources d'entreprise (ERP), la gestion du capital humain (HCM), la chaîne d'approvisionnement et la fabrication (SCM) ainsi que l'expérience client (CX). Parmi elles, Ledger accélère la clôture comptable en conciliant les informations et en résolvant les exceptions dans de grands volumes d'écritures. Workforce Orchestration élabore des plans de main-d'œuvre qui équilibrent la demande, les coûts et la continuité opérationnelle, et coordonne des actions telles que les réaffectations ou les embauches une fois approuvées.
Rémunération, chaîne d'approvisionnement et service client, parmi les processus automatisés
Payroll Activity Workspace compare les rémunérations et les coûts actuels aux périodes précédentes pour identifier les variations et préparer des recommandations. Dans le domaine de la chaîne d'approvisionnement, Supply Planning Allocation détermine comment distribuer les matériaux et la capacité de production limités entre des demandes concurrentes, et prépare des scénarios d'allocation pour révision humaine.
Procurement Spend se concentre sur le contrôle des dépenses : il analyse les données d'achat et les accords avec les fournisseurs, détecte les non-conformités contractuelles et quantifie les opportunités d'économies. Service Health Check identifie les problèmes de performance du service client, en détermine les causes et prépare des actions correctives avant que les défaillances ne deviennent persistantes. Strategic Field Demand Planning a également été présenté, alignant la capacité des équipes terrain avec la demande et gérant les coûts des heures supplémentaires.
Un assistant permet d'interagir avec les applications d'entreprise depuis ChatGPT
De plus, Fusion Companion est une couche intelligente qui permet aux utilisateurs d'interagir avec les applications d'entreprise via des outils d'IA compatibles, tels que ChatGPT. Le système utilise le contexte de l'entreprise, les données et les autorisations de chaque utilisateur pour identifier quelles transactions, flux de travail ou approbations sont nécessaires pour accomplir une tâche.
Complètez cette expérience avec Fusion Agentic Home, une interface où les utilisateurs peuvent définir des objectifs, déléguer des tâches à des agents d'IA et suivre l'avancement. Pour ceux qui souhaitent créer leurs propres agents, AI Agent Studio for Fusion Applications offre des capacités de développement sans code et professionnelles, ainsi que des contrôles de sécurité et des outils pour mesurer le retour sur investissement.
Un analyste du secteur souligne que la concurrence se déplace des modèles vers l'architecture
Steven Dickens, directeur général de HyperFRAME Research, a indiqué que la concurrence dans l'IA d'entreprise migre « de l'intelligence des modèles vers la confiance dans l'architecture ». Selon cet analyste, alors qu'une grande partie du secteur travaille encore à résoudre les problèmes de sécurité des agents d'IA et la gouvernance de l'accès aux données, « Oracle change radicalement l'équation de l'IA d'entreprise » en unifiant sécurité et gouvernance dès les fondations de la plateforme.
L'entreprise a indiqué que chaque nouvel agent ou application fonctionnant sur cette architecture héritera des protections de sécurité dès le premier jour. Les outils de sécurité et de mise à jour avec réduction pour les systèmes locaux et le cloud partagé seront disponibles jusqu'à fin février 2027.