Ce qui se passe réellement quand vous donnez à une IA l'accès à votre base de données

Ce qui se passe réellement quand vous donnez à une IA l'accès à votre base de données

"Parlez à votre base de données en langage naturel" est l'un de ces argumentaires qui semblent magiques jusqu'à ce qu'on pose la question de suivi que personne ne veut poser : lui parler comment, exactement, et avec les permissions de qui.

Cette question compte davantage aujourd'hui qu'il y a un an. Avec le Model Context Protocol (MCP) qui devient un moyen courant de connecter des agents IA à des systèmes réels, un nombre croissant d'équipes branchent des modèles de langage directement sur des instances Postgres, MySQL et SQL Server qui n'étaient auparavant accessibles que via du code applicatif validé. L'interface a changé. Le contrôle d'accès sous-jacent, lui, n'a globalement pas changé. Et c'est dans cet écart que résident les risques intéressants.

Une chaîne de connexion n'est pas une nouvelle sorte de porte

Lorsque vous connectez une base de données à un serveur MCP, que ce soit via Hutif ou tout autre outil, ce qui est réellement configuré est une chaîne de connexion : hôte, port, nom de base de données, et identifiants pour un utilisateur ou un rôle spécifique. C'est tout. Il n'existe pas de "niveau d'accès IA" distinct intégré dans le moteur de base de données lui-même, du moins pas encore dans la plupart des configurations.

Cela signifie que l'IA n'obtient pas un ensemble de permissions nouveau et propre à l'IA. Elle hérite exactement de ce que cet utilisateur de base de données est autorisé à faire. Si les identifiants appartiennent à un rôle disposant d'un accès en lecture et écriture sur chaque table, l'IA dispose d'un accès en lecture et écriture sur chaque table. Si le rôle est limité à trois vues et rien d'autre, c'est tout l'univers que le modèle peut voir.

Cela paraît évident une fois énoncé, mais c'est facile à perdre de vue en pratique. Les équipes réutilisent souvent un identifiant "utilisateur applicatif" existant parce que c'est pratique, le même que celui déjà utilisé par un tableau de bord interne ou un outil de reporting. Cet identifiant était calibré pour un client spécifique et prévisible. Un agent IA n'est pas un client prévisible. Il interprète du langage naturel et décide quoi interroger sur la base de cette interprétation, ce qui représente un profil de risque fondamentalement différent de celui d'un tableau de bord fixe exécutant les cinq mêmes requêtes chaque jour.

Voir le schéma n'est pas la même chose qu'avoir carte blanche

Il y a une distinction qui mérite d'être précise : un serveur MCP expose généralement le schéma de la base de données, noms de tables, colonnes, relations, afin que le modèle comprenne avec quoi il travaille. C'est nécessaire pour que l'IA soit utile. Ce n'est pas la même chose que de donner au modèle une exécution de requêtes sans restriction.

Ce que le modèle peut réellement faire dépend de la façon dont la connexion est configurée :

  • Lecture seule versus lecture-écriture. Un rôle de base de données peut être restreint aux instructions SELECT uniquement, ce qui élimine toute une catégorie de risque (pas d'UPDATE ou de DELETE accidentel provoqué par une mauvaise lecture d'un prompt).
  • Liste blanche de tables ou de schémas. Certaines configurations permettent d'exposer uniquement des tables ou vues spécifiques, gardant les plus sensibles (détails de facturation, journaux d'audit internes) totalement hors de portée.
  • Limites de requêtes. Les limites de lignes, les délais d'expiration et les plafonds de complexité de requête empêchent qu'une simple demande conversationnelle ne se transforme en une requête qui bloque une table de production pendant dix minutes.

Rien de tout cela n'est automatique simplement parce que vous utilisez MCP. Cela doit être configuré, soit au niveau de la base de données elle-même (l'option la plus sûre et la plus durable, puisqu'elle tient bon quel que soit l'outil qui se connecte), soit au niveau de la couche du service qui gère la connexion. Si un produit ne vous offre pas de contrôle granulaire à ce niveau, ou opte par défaut pour un accès complet en lecture-écriture "par commodité", cela mérite d'être considéré comme un signal d'alarme, pas comme une fonctionnalité.

Ce qu'une couche conversationnelle ne corrige pas

Même avec des permissions strictes, il existe des problèmes que le contrôle d'accès ne touche tout simplement pas.

Le premier est l'interprétation. Un modèle peut générer une requête syntaxiquement correcte qui répond à la mauvaise question. Demandez "quels étaient nos meilleurs clients le trimestre dernier" et la réponse dépend de définitions que l'IA ne peut pas déduire seule : "meilleurs" signifie-t-il chiffre d'affaires ou nombre de commandes, "trimestre dernier" signifie-t-il calendaire ou fiscal, "clients" inclut-il les comptes perdus. Une erreur sur l'un de ces points donne une réponse confiante, bien formatée, et incorrecte. Ce n'est pas une défaillance de sécurité. C'est un simple risque de précision, et c'est sans doute le plus courant dans l'usage quotidien.

Le deuxième est le coût. Un rôle en lecture seule protège l'intégrité de vos données, mais ne protège pas la performance de votre base de données. Une requête mal ciblée sur une grande table non indexée peut rester coûteuse à exécuter même si elle ne peut rien modifier. Les limites de requêtes et les délais d'expiration aident, mais ce sont des atténuations, pas des garanties.

Le troisième est la dérive progressive du périmètre. Un accès qui semblait raisonnable lorsqu'une équipe a connecté une seule table de reporting a tendance à s'élargir à mesure que d'autres cas d'usage s'ajoutent, souvent sans que personne ne revienne vérifier si les permissions initiales ont toujours du sens.

Où cela laisse un produit comme Hutif

Le rôle de Hutif est de rendre rapide et sans code la connexion d'une base de données ou d'un fichier à un agent IA. C'est une vraie commodité, mais il vaut la peine d'être direct sur ce que cette commodité inclut, et n'inclut pas.

Ce que l'architecture vise à fournir : chaque connexion est isolée, et là où la base de données sous-jacente le permet, vous pouvez configurer un accès en lecture seule et restreindre les tables exposées avant de générer un lien. Ce qu'elle ne fournit pas et ne peut pas fournir : une garantie que les identifiants que vous saisissez sont correctement calibrés dès le départ. Si vous connectez un utilisateur de base de données avec un large accès en écriture parce que c'était l'identifiant le plus simple à récupérer, aucune couche MCP, ni celle de Hutif ni celle de quiconque, ne réduira rétroactivement cela pour vous.

Cette responsabilité incombe à celui qui configure la connexion, et c'est la même responsabilité qui existait avant l'arrivée des agents IA, simplement avec un nouveau client à l'autre bout qui pose les questions.

Un point de départ pratique

Quel que soit l'outil placé entre un agent IA et une base de données, quelques habitudes restent valables :

  • Créer un utilisateur de base de données dédié pour la connexion IA plutôt que de réutiliser un identifiant applicatif existant.
  • Opter par défaut pour la lecture seule, sauf raison spécifique nécessitant l'écriture pour l'agent.
  • Établir une liste blanche de tables explicite plutôt que d'exposer un schéma entier par défaut.
  • Définir des délais d'expiration et des limites de lignes au niveau de la base de données quand le moteur le permet.
  • Revoir la connexion périodiquement, de la même manière que vous réviseriez toute clé API disposant d'un accès permanent aux données de production.

Rien de tout cela n'est exotique. C'est la même discipline qui s'applique à tout système disposant d'un accès programmatique à une base de données, appliquée à un nouveau type de client qui parle en phrases plutôt qu'en requêtes fixes. La nouveauté de l'interface ne change pas les fondamentaux qui la sous-tendent. Si quelque chose, c'est plutôt une raison d'être plus rigoureux à leur sujet, pas moins.

← Retour au blog