Mnemom AEGIS est le réseau de sécurité d'exécution derrière Safe House. Il inspecte chaque transaction de l'agent — les prompts entrants, les appels d'outils et les résultats d'outils intermédiaires, et les actions sortantes — à quatre checkpoints : front door, back door, inside.autonomy et inside.integrity. Et il relie chaque client à une même défense : lorsque AEGIS détecte une nouvelle attaque contre n'importe quel agent du réseau, la protection est signée et déployée à tous.
Trois sources indépendantes alimentent un même pipeline. Les détections confirmées sont examinées, signées et poussées vers chaque gateway, où elles sont appliquées à quatre checkpoints. Ce qui est actif aujourd'hui est montré honnêtement — sur le threat thermometer et le flux public.
Chaque protection qu'AEGIS déploie provient de l'une de trois sources indépendantes. Le chemin vers la promotion est le même ; ce qui diffère, c'est l'origine du signal.
Une red team permanente de quinze personas attaquantes sonde chaque Safe House en continu, 24 h/24 — révélant de nouveaux contournements avant qu'ils n'atteignent un client.
Lorsqu'un client signale depuis son tableau de bord une attaque manquée ou une fausse alerte, celle-ci entre dans la file de revue. Sa contribution est créditée — mais seule la protection qui en résulte est partagée avec les autres clients, jamais le signalement d'origine.
AEGIS agrège des signaux anonymisés à travers tous les clients. Les schémas qu'aucun client ne pourrait voir seul — la même anomalie apparaissant dans de nombreuses organisations à la fois — émergent ici.
Six couches, de l'empreinte sur chaque contrôle jusqu'au flux public que chacun peut auditer. Ce qui est actif aujourd'hui est observable sur le threat thermometer et la trust surface.
Chaque évaluation porte le substrate fingerprint de l'agent — son fournisseur, son modèle, sa version de SDK et son lockfile de dépendances — avec le type d'attaque et sa provenance. C'est cette empreinte qui permet à AEGIS de relier la même attaque chez tous les clients tournant sur le même stack.
AEGIS suit les taux de détection et de contournement pour chaque combinaison de chaîne logicielle, de cas d'usage et de type d'attaque. C'est la couche qui repère les campagnes coordonnées qu'aucun client ne peut voir seul — le même comportement déviant chez de nombreux clients sur le même stack, au même moment.
AEGIS reprend le modèle « sous attaque » de Cloudflare. Vous définissez deux niveaux par organisation : votre posture normale et un plafond indiquant jusqu'où AEGIS peut élever de lui-même. Pendant une campagne, AEGIS relève l'application vers ce plafond — et jamais au-delà.
Votre plafond est toujours respecté. Les protections supplémentaires côté intégrité — pose de leurres, gel de l'émission de nouvelles credentials, preuves d'intégrité complètes — agissent en dessous, car elles renforcent la vérification sans modifier votre posture d'application.
Chaque protection est cryptographiquement signée (Ed25519) avant son déploiement et transite par deux chemins de livraison indépendants, signés séparément — de sorte que corrompre les règles qui atteignent votre gateway exigerait d'en briser plus d'un à la fois. Les nouvelles règles s'exécutent en mode observe-only pendant 24 heures avant de pouvoir s'escalader ; si les fausses alertes augmentent, un opérateur effectue leur rollback — le rollback automatique sera déployé peu après la GA.
Revue à quatre yeux, imposée par le système. Les règles assez puissantes pour agir sur le trafic en production ne peuvent jamais être promues par une seule personne — l'exigence est intégrée à la plateforme, pas laissée au processus.
Un tableau de bord client montrant l'état des campagnes en cours sur l'ensemble de votre stack, les Managed Rules actives à l'instant et votre niveau d'application effectif sous toute élévation. Si le réseau est calme, le tableau de bord affiche calme — nous ne fabriquons jamais d'activité.
Deux surfaces publiques. Un flux STIX 2.1 qui s'intègre directement à votre pipeline de threat intelligence, et des advisories post-incident signés qui indiquent clairement ce qui relevait d'une vraie campagne et ce qui relevait d'un exercice synthétique. Au lancement, le flux peut être vide et la liste d'advisories n'afficher qu'une seule graine synthétique clairement étiquetée — c'est le système qui dit la vérité, pas un espace réservé.
Voici notre promesse : si le réseau est réellement calme au lancement, le threat thermometer affiche calme, la liste d'advisories montre un seul exercice synthétique clairement étiqueté, et le flux public est vide. Ce n'est pas une page inachevée — c'est le système qui dit la vérité. Tous les autres fournisseurs de cet espace habillent un flux vide de théâtre. Pas nous.
Chargement des advisories…
La sécurité des agents IA se divise en quatre catégories. Chacune fait bien son travail, et AEGIS fonctionne aux côtés de n'importe laquelle. Nous avons conçu AEGIS pour le travail qu'aucune ne fait : observer ce qu'un agent fait réellement et transformer la détection d'un client en la défense de tous.
AWS Bedrock Guardrails · Google Model Armor
Points forts: Filtrage de contenu configurable intégré à votre plateforme de modèles — détection d'injection et de jailbreak, expurgation des PII, sujets interdits, contrôles de grounding et d'URL malveillantes.
Là où ça s'arrête: Liés au cloud et mono-client. Ils examinent le prompt et la réponse, pas ce que l'agent fait entre les deux — et la détection d'un client ne devient jamais la défense d'un autre.
Palo Alto Prisma AIRS · Cisco AI Defense
Points forts: Large couverture — scan de modèles, gestion de posture, red-teaming et protection à l'exécution — adossée à des équipes de recherche sur les menaces de premier plan.
Là où ça s'arrête: La télémétrie d'exécution reste à l'intérieur de votre propre organisation. Leur intelligence est une recherche curée par l'éditeur, pas un réseau vivant de client à client : l'attaque détectée par un client n'est pas signée ni poussée vers tous les autres clients.
Lakera Guard · NVIDIA NeMo Guardrails
Points forts: Défense rapide et précise au niveau de la conversation — détection gérée de prompt injection qui apprend de millions d'attaques participatives, et rails programmables open source que vous intégrez à votre application.
Là où ça s'arrête: Ils agissent une conversation à la fois et améliorent un modèle partagé au rythme des versions. Aucun ne propage une défense signée sur un réseau vivant à l'instant où un client est touché.
Cloudflare AI Gateway · AI Security for Apps
Points forts: Défense HTTP et edge de premier plan, avec un véritable effet de réseau inter-clients — détection d'injection et de PII, rate-limiting, caching et observabilité devant n'importe quel modèle.
Là où ça s'arrête: Ce réseau opère à la couche du trafic web, pensé pour les applications et les humains. Il n'atteint pas la couche de décision de l'agent — les appels d'outils que fait un agent, les résultats d'outils auxquels il se fie, les actions qu'il entreprend.
AEGIS complète les outils que vous utilisez déjà. Gardez les garde-fous Bedrock ou Model Armor sur le modèle, Lakera ou NeMo sur le prompt et Cloudflare en edge — et faites tourner AEGIS comme la couche inter-clients qui observe ce que vos agents font réellement.
Ce sont des cibles publiées. La première fenêtre de mesure de 30 jours s'ouvre 30 jours après la GA ; d'ici là, nous les présentons comme des cibles, pas comme des résultats. Nous n'annonçons pas de chiffres que nous ne pouvons pas défendre.
Votre vision des menaces en direct — état des campagnes en cours, Managed Rules actives et votre niveau d'application effectif.
Ouvrir le tableau de bord →curl https://api.mnemom.ai\ /v1/trust/iocsRécupérer le bundle STIX 2.1 →
Passons en revue l'architecture, les engagements de SLO, la correspondance avec l'EU AI Act et ce que le self-hosting implique pour votre posture de conformité.
Nous contacter →