Docker place une couche de confiance entre l’agent IA et ce qu’il est autorisé à faire
Le 18 novembre 2026, Docker présente AI Governance, une couche de contrôle qui encadre les agents IA à trois niveaux : les sandbox, les outils MCP et l’audit. Si vous laissez un agent coder dans votre organisation, c’est aujourd’hui le contrôle d’exécution le plus concret — à condition de ne pas confondre annotation et décision.
18 novembre 2026. Docker publie AI Governance, une couche de contrôle destinée à encadrer les agents IA qui exécutent du code, accèdent à des fichiers et appellent des outils externes. 18 novembre 2026. Karan Verma pose le problème d’entrée : une décision de modèle n’est pas automatiquement une action autorisée. 18 novembre 2026. Le produit se résume à trois questions que toute équipe sécurité doit pouvoir se poser — où l’agent peut-il opérer, que peut-il faire, et peut-on voir ce qui s’est passé. Pourquoi c’est important : la plupart des déploiements d’agents font encore du comportement du modèle la frontière de sécurité, et c’est exactement la frontière qu’un agent peut franchir en une seule requête.
Un modèle qui décide n’est pas une action autorisée
Le postulat de Docker est simple à formuler et dur à contester. Tant qu’un IA se contente de répondre à une question, la sécurité se joue sur le contenu. Dès qu’un agent peut exécuter du code, modifier des fichiers, se connecter à des services ou appeler des outils, la question change de nature : comment donner à l’agent assez de liberté pour être utile, sans lui donner plus d’accès qu’il n’en a besoin ?
La réponse, insiste Verma, ne peut pas reposer uniquement sur le modèle. Le comportement d’un agent varie d’une exécution à l’autre, alors qu’un contrôle de sécurité doit être clair et opposable. Cela revient à placer les contrôles autour de l’environnement où tourne l’agent — ce qu’il peut atteindre, quels outils il peut utiliser, ce qui se passe quand une politique autorise ou bloque une action. Pour un RSSI, le « trust gap » se résume ainsi : approuver l’usage d’agents, c’est devoir répondre à bien plus que « le modèle est-il capable » — c’est devoir dire quel accès l’agent a, où ces limites sont appliquées, et quelles preuves il reste après coup. L’objectif affiché est de laisser les équipes adopter des agents sans faire du comportement du modèle la frontière de sécurité.
Trois questions, trois contrôles
Docker AI Governance organise sa réponse autour de trois piliers qui correspondent à trois questions opérationnelles : les Sandbox Policies répondent à « où l’agent peut-il opérer », la MCP Tool Governance à « que peut-il faire », et l’Audit + Visibility à « peut-on voir ce qui s’est passé ».
Sandbox Policies — l’espace d’exécution. Chaque agent tourne dans une Docker Sandbox, une micro-VM isolée avec son propre Docker Engine, son système de fichiers et son réseau. La gouvernance ajoute une politique au-dessus de cet environnement, pilotée centralement. Les règles réseau autorisent ou bloquent des domaines, des plages IP et des ports ; les règles de système de fichiers contrôlent quels chemins de l’hôte peuvent être montés, en lecture seule ou en lecture-écriture. Le point décisif est que ces contrôles sont appliqués au niveau du proxy réseau et des points de montage, pas dans une consigne que l’agent serait censé suivre. Un développeur peut vérifier la frontière effective avant de lancer l’agent :
$ sbx policy check network api.anthropic.com
Allowed: api.anthropic.com
$ sbx policy check network blocked.example.com
Denied: blocked.example.com La réponse vient de la politique active, pas d’une instruction du prompt. Une même limite suit ainsi les développeurs d’un sandbox à l’autre, sans être reconfigurée machine par machine, et un agent isolé ne peut pas élargir seul ses frontières.
MCP Tool Governance — l’accès aux outils. Le Model Context Protocol donne aux agents un moyen commun de se brancher sur des outils et des services, ce qui élargit d’autant ce sur quoi un agent peut agir. Rendre un outil disponible ne doit pas signifier que n’importe quel agent peut l’utiliser. Docker pose donc une politique autour de l’activité MCP qui transite par sa passerelle : quels serveurs MCP peuvent être enregistrés, quels appels d’outils, ressources ou prompts sont permis, et quelles actions exigent une confirmation. Ces politiques s’écrivent en Cedar, un langage de règles d’autorisation, avec une logique de refus par défaut — une requête gouvernée est refusée sauf si une politique la permet.
permit (principal, action == MCP::Action::"invokeTool", resource)
when {
resource in MCP::Server::"example" &&
resource.readOnly == true
}; Ici, readOnly provient des annotations de l’outil MCP, fournies par le serveur. La nuance compte : ces annotations sont indicatives, pas une garantie. Une équipe peut ainsi recevoir les outils dont elle a besoin pendant que d’autres serveurs restent inaccessibles, et certaines actions peuvent exiger un point de contrôle supplémentaire.
Audit + Visibility — la traçabilité. Poser une politique n’est que la moitié du travail. Docker enregistre les décisions de politique des sandbox et les événements de session sous forme d’enregistrements d’audit structurés — principal, action, cible, décision, horodatage — sans jamais stocker le contenu des prompts ni des réponses. Les enregistrements peuvent rester en local ou être livrés vers le cloud, pour être recherchés à l’échelle de l’organisation, exportés, ou poussés vers un SIEM. Les décisions refusées sont les plus précieuses : elles montrent non seulement qu’une action a échoué, mais quelle règle l’a bloquée et pourquoi.
La limite du contrôle par annotation
Le communiqué mérite une lecture critique, pas une reprise. Deux limites sautent aux yeux. D’abord, les politiques MCP s’appliquent à l’activité qui passe par la passerelle de Docker : si un agent se connecte directement à un serveur MCP distant depuis l’intérieur d’un sandbox, cette connexion retombe sous la politique réseau du sandbox, pas sous la gouvernance d’outils. La frontière existe, mais elle dépend du chemin emprunté par l’agent. Ensuite, la gouvernance d’outils s’appuie en partie sur des annotations déclarées par le serveur, qui sont « advisory » — le mot est dans le billet. Une politique fondée sur readOnly == true ne vaut que ce que vaut la déclaration du serveur.
À ces contrôles d’exécution s’ajoute un volet chaîne d’approvisionnement : les Docker Hardened Images fournissent des images minimales et signées, avec SBOM, VEX, signatures cryptographiques et provenance SLSA Build Level 3. C’est l’autre moitié de la question de confiance : non plus « que fait l’agent », mais « d’où vient ce que l’agent construit ».
Le verdict
Si vous faites tourner des agents de codage dans votre organisation, Docker AI Governance est aujourd’hui le contrôle d’exécution le plus concret que vous puissiez poser sans écrire votre propre infrastructure : le sandbox isole, la politique est appliquée au proxy et au montage plutôt qu’au prompt, et l’audit vous laisse une trace exploitable après coup. Adoptez-le en partant du principe que la politique réseau du sandbox est le vrai point d’application — c’est elle qui rattrape les connexions directes que la gouvernance d’outils ne voit pas.
En revanche, ne faites pas des annotations MCP une décision de sécurité : traitez-les comme de la métadonnée indicative, exigez une confirmation pour les actions sensibles, et validez vos règles Cedar sur des cas réels plutôt que sur la seule déclaration des serveurs. Le message de fond de Docker reste juste : la sécurité des agents ne se gagne pas dans le prompt, elle se gagne dans l’environnement — mais l’environnement, lui, doit être vérifié, pas supposé.