\u00c0 mesure que les agents IA gagnent en autonomie et touchent \u00e0 des outils sensibles, bases de donn\u00e9es, APIs internes, fichiers, op\u00e9rations sur l’infrastructure, la question de ce qu’ils ont le droit de faire devient aussi importante que celle de ce qu’ils savent faire. Coder ces r\u00e8gles \u00e0 l’int\u00e9rieur de chaque agent revient \u00e0 disperser la s\u00e9curit\u00e9 dans un d\u00e9dale de scripts difficile \u00e0 auditer. OPA (Open Policy Agent)<\/a><\/strong>, projet sous licence Apache 2.0, propose une r\u00e9ponse \u00e9prouv\u00e9e : externaliser la d\u00e9cision d’autorisation dans un moteur de politique unique, interrog\u00e9 en quelques millisecondes par tout composant qui en a besoin.<\/p>\n\n\n\n OPA fonctionne comme un service compagnon : il charge un ensemble de politiques \u00e9crites en Rego<\/em>, son langage d\u00e9claratif, et expose une API JSON. Un service m\u00e9tier, un proxy, un orchestrateur d’agents ou un cluster Kubernetes envoie une requ\u00eate de d\u00e9cision accompagn\u00e9e de son contexte, et OPA r\u00e9pond autoris\u00e9<\/em> ou refus\u00e9<\/em>, avec d’\u00e9ventuelles justifications. La politique vit en dehors du code applicatif, dans son propre d\u00e9p\u00f4t, avec ses propres revues et ses propres tests.<\/p>\n\n\n\n Cette s\u00e9paration lib\u00e8re deux choses importantes : la possibilit\u00e9 de modifier les r\u00e8gles sans red\u00e9ployer les applications, et la possibilit\u00e9 d’auditer un comportement en lisant un fichier de politique plut\u00f4t que tout le code source d’une stack.<\/p>\n\n\n\n Rego est un langage d\u00e9claratif inspir\u00e9 de Datalog, con\u00e7u pour exprimer \u00ab\u00a0ce qui est vrai\u00a0\u00bb plut\u00f4t que \u00ab\u00a0ce qu’il faut faire\u00a0\u00bb. Une r\u00e8gle s’\u00e9crit comme une assertion logique sur le contexte de la requ\u00eate. Une politique qui interdit \u00e0 un agent IA d’\u00e9crire dans certaines tables d’une base peut tenir en quelques lignes :<\/p>\n\n\n\n L’apprentissage demande un effort comparable \u00e0 celui de Terraform : la syntaxe surprend quelques jours puis devient un outil tr\u00e8s productif pour exprimer des conditions complexes sans empiler les if<\/em>.<\/p>\n\n\n\n Trois propri\u00e9t\u00e9s rendent OPA particuli\u00e8rement adapt\u00e9 \u00e0 l’\u00e9cosyst\u00e8me des agents IA :<\/p>\n\n\n\n En pratique, on appelle OPA depuis l’agent au moment o\u00f9 il s’appr\u00eate \u00e0 invoquer un outil : \u00ab\u00a0puis-je ex\u00e9cuter cette requ\u00eate SQL ?\u00a0\u00bb, \u00ab\u00a0puis-je \u00e9crire dans ce fichier ?\u00a0\u00bb, \u00ab\u00a0puis-je appeler cette API ?\u00a0\u00bb. La r\u00e9ponse arrive en quelques millisecondes, la d\u00e9cision est journalis\u00e9e, et l’agent poursuit ou refuse.<\/p>\n\n\n\n Dans une architecture o\u00f9 Keycloak<\/a> g\u00e8re les identit\u00e9s, o\u00f9 Langfuse<\/a> trace les appels LLM, o\u00f9 LiteLLM<\/a> r\u00e9partit les requ\u00eates, OPA prend naturellement la place du d\u00e9cideur central des autorisations. L’agent IA devient un consommateur du couple identit\u00e9 plus politique, exactement comme un service m\u00e9tier classique. Le control plane se compose alors d’une triade lisible : qui appelle<\/em> (Keycloak), a-t-il le droit<\/em> (OPA), qu’a-t-il fait<\/em> (Langfuse plus Loki).<\/p>\n\n\n\n Cette s\u00e9paration suit la m\u00eame logique que pour les microservices, \u00e9tendue aux agents : on ne fait pas confiance aveugl\u00e9ment \u00e0 un agent parce qu’il est intelligent, on l’encadre par des r\u00e8gles v\u00e9rifiables.<\/p>\n\n\n\n OPA n’est pas un syst\u00e8me de gestion d’identit\u00e9s : il consomme des informations sur l’utilisateur et son contexte, mais c’est \u00e0 Keycloak, Authentik ou un IdP \u00e9quivalent de les fournir. Rego se pr\u00eate mal \u00e0 l’expression de r\u00e8gles qui demandent un calcul lourd ou une lookup dans une base externe \u00e0 chaque requ\u00eate. Pour ces cas, on pr\u00e9charge les donn\u00e9es dans OPA via les bundles<\/em>, qui synchronisent un instantan\u00e9 de donn\u00e9es d\u00e9cisionnelles toutes les N secondes.<\/p>\n\n\n\n La courbe d’apprentissage de Rego est r\u00e9elle. Pour les \u00e9quipes qui souhaitent commencer plus doucement, Cedar (langage de politiques d’AWS, ouvert) ou Casbin offrent des alternatives moins puissantes mais plus rapides \u00e0 prendre en main. OPA reste toutefois le standard de fait dans l’\u00e9cosyst\u00e8me CNCF, ce qui p\u00e8se lourd sur la dur\u00e9e.<\/p>\n\n\n\n Externaliser les autorisations dans OPA, c’est traiter la s\u00e9curit\u00e9 des agents IA comme on traite la s\u00e9curit\u00e9 des microservices : avec une couche d\u00e9di\u00e9e, un langage adapt\u00e9, des tests, des revues et une tra\u00e7abilit\u00e9. \u00c0 mesure que les agents quittent le prototype pour rejoindre la production, cette couche cesse d’\u00eatre un confort et devient une exigence. La bonne nouvelle, c’est que les briques existent d\u00e9j\u00e0, qu’elles sont open source, et qu’elles s’int\u00e8grent naturellement aux frameworks d’agents couverts dans les derniers articles.<\/p>\n\n\n\n Le projet est disponible sur github.com\/open-policy-agent\/opa<\/a>, avec une documentation compl\u00e8te et un playground interactif sur openpolicyagent.org<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":" OPA (Open Policy Agent) : gouverner ses agents IA et son infrastructure avec des politiques d\u00e9claratives \u00c0 mesure que les agents IA gagnent en autonomie et touchent \u00e0 des outils sensibles, bases de donn\u00e9es, APIs internes, fichiers, op\u00e9rations sur l’infrastructure, la question de ce qu’ils ont le droit de faire devient aussi importante que celle de […]<\/p>\n","protected":false},"author":1,"featured_media":2358,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ocean_post_layout":"","ocean_both_sidebars_style":"","ocean_both_sidebars_content_width":0,"ocean_both_sidebars_sidebars_width":0,"ocean_sidebar":"","ocean_second_sidebar":"","ocean_disable_margins":"enable","ocean_add_body_class":"","ocean_shortcode_before_top_bar":"","ocean_shortcode_after_top_bar":"","ocean_shortcode_before_header":"","ocean_shortcode_after_header":"","ocean_has_shortcode":"","ocean_shortcode_after_title":"","ocean_shortcode_before_footer_widgets":"","ocean_shortcode_after_footer_widgets":"","ocean_shortcode_before_footer_bottom":"","ocean_shortcode_after_footer_bottom":"","ocean_display_top_bar":"default","ocean_display_header":"default","ocean_header_style":"","ocean_center_header_left_menu":"","ocean_custom_header_template":"","ocean_custom_logo":0,"ocean_custom_retina_logo":0,"ocean_custom_logo_max_width":0,"ocean_custom_logo_tablet_max_width":0,"ocean_custom_logo_mobile_max_width":0,"ocean_custom_logo_max_height":0,"ocean_custom_logo_tablet_max_height":0,"ocean_custom_logo_mobile_max_height":0,"ocean_header_custom_menu":"","ocean_menu_typo_font_family":"","ocean_menu_typo_font_subset":"","ocean_menu_typo_font_size":0,"ocean_menu_typo_font_size_tablet":0,"ocean_menu_typo_font_size_mobile":0,"ocean_menu_typo_font_size_unit":"px","ocean_menu_typo_font_weight":"","ocean_menu_typo_font_weight_tablet":"","ocean_menu_typo_font_weight_mobile":"","ocean_menu_typo_transform":"","ocean_menu_typo_transform_tablet":"","ocean_menu_typo_transform_mobile":"","ocean_menu_typo_line_height":0,"ocean_menu_typo_line_height_tablet":0,"ocean_menu_typo_line_height_mobile":0,"ocean_menu_typo_line_height_unit":"","ocean_menu_typo_spacing":0,"ocean_menu_typo_spacing_tablet":0,"ocean_menu_typo_spacing_mobile":0,"ocean_menu_typo_spacing_unit":"","ocean_menu_link_color":"","ocean_menu_link_color_hover":"","ocean_menu_link_color_active":"","ocean_menu_link_background":"","ocean_menu_link_hover_background":"","ocean_menu_link_active_background":"","ocean_menu_social_links_bg":"","ocean_menu_social_hover_links_bg":"","ocean_menu_social_links_color":"","ocean_menu_social_hover_links_color":"","ocean_disable_title":"default","ocean_disable_heading":"default","ocean_post_title":"","ocean_post_subheading":"","ocean_post_title_style":"","ocean_post_title_background_color":"","ocean_post_title_background":0,"ocean_post_title_bg_image_position":"","ocean_post_title_bg_image_attachment":"","ocean_post_title_bg_image_repeat":"","ocean_post_title_bg_image_size":"","ocean_post_title_height":0,"ocean_post_title_bg_overlay":0.5,"ocean_post_title_bg_overlay_color":"","ocean_disable_breadcrumbs":"default","ocean_breadcrumbs_color":"","ocean_breadcrumbs_separator_color":"","ocean_breadcrumbs_links_color":"","ocean_breadcrumbs_links_hover_color":"","ocean_display_footer_widgets":"default","ocean_display_footer_bottom":"default","ocean_custom_footer_template":"","osh_disable_topbar_sticky":"default","osh_disable_header_sticky":"default","osh_sticky_header_style":"default","osh_sticky_header_effect":"","osh_custom_sticky_logo":0,"osh_custom_retina_sticky_logo":0,"osh_custom_sticky_logo_height":0,"osh_background_color":"","osh_links_color":"","osh_links_hover_color":"","osh_links_active_color":"","osh_links_bg_color":"","osh_links_hover_bg_color":"","osh_links_active_bg_color":"","osh_menu_social_links_color":"","osh_menu_social_hover_links_color":"","ocean_post_oembed":"","ocean_post_self_hosted_media":"","ocean_post_video_embed":"","ocean_link_format":"","ocean_link_format_target":"self","ocean_quote_format":"","ocean_quote_format_link":"post","ocean_gallery_link_images":"on","ocean_gallery_id":[],"footnotes":""},"categories":[16],"tags":[],"class_list":["post-2357","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai","entry","has-media"],"yoast_head":"\nUn moteur de politique unifi\u00e9 pour des d\u00e9cisions distribu\u00e9es<\/h3>\n\n\n\n
Rego, un langage adapt\u00e9 aux d\u00e9cisions structur\u00e9es<\/h3>\n\n\n\n
package agent.db\n\ndefault allow := false\n\nallow if {\n input.action == \"read\"\n not data.tables.sensitive[input.table]\n}\n\nallow if {\n input.action == \"write\"\n input.user.role == \"data_engineer\"\n input.table in data.tables.writable\n}<\/pre>\n\n\n\nPourquoi c’est pertinent au moment des agents IA<\/h3>\n\n\n\n
\n
Trois points d’int\u00e9gration concrets<\/h3>\n\n\n\n
\n
OPA et le control plane d’une stack IA souveraine<\/h3>\n\n\n\n
Limites et points d’attention<\/h3>\n\n\n\n
Ce qu’apporte OPA dans une stack agentique<\/h3>\n\n\n\n