法国国家信息与自由委员会与人工智能及数字委员会《智能体AI与个人数据保护：对用户而言的多未知数方程式》探索性说明（2026年7月）

【说明】以下为CNIL／CIANum《智能体AI与个人数据保护》探索性说明（2026年7月）正文（原文，PDF 文字层完整提取）。 官方页面：https://www.cnil.fr/fr/ia-agentique-cnil-cianum-note 提取范围：全文 17 页（法文原文）。如需引用，请以官方原文为准。 N o t e j u i l l e t 2 0 2 6 é q u a t i o n à i n c o n n u e s m u l t i p l e s p o u r l e s u t i l i s at e u r s I A a g e n t i q u e e t p r o t e c t i o n d e s d o n n é e s p e r s o n n e l l e s : 1 Résumé opérationnel Le passage à l’agentique marque un changement d’échelle dans les usages d’intelligence artificielle (IA), lequel amplifie les risques de cybersécurité – qui ont fait l’objet d’une note précédente du CIANum – ainsi que les risques pour les données personnelles des utilisateurs, sujet de cette note. En effet, en dépassant le simple traitement de requêtes pour atteindre une autonomie d’action croissante, les systèmes agentiques questionnent la mise en œuvre du cadre lé gal de la protection des données et diluent la maîtrise de l'utilisateur sur la circulation de ses données personnelles. Caractérisées par leur capacité à réaliser de multiples tâches successives et à interconnecter plusieurs agents au système orchestrateu r, les IA agentiques constituent une rupture dans le traitement et la circulation des données personnelles. Elles mettent ainsi en tension les principes fondamentaux du Règlement général sur la protection des données personnelles (RGPD). Pour autant, ces principes essentiels restent absolument essentiels à la protection des données personnelles, sujet crucial à l’ère de l’intelligence artificielle afin d’éviter des dérives sociétales majeures. Cette note s’attache à examiner l’application du RGPD à l’IA agentique, tandis que l’application complète du Règlement sur l’IA (RIA), prévue en 2027, ne prévoit pas de règles spécifiques pour les agents IA. Le fonctionnement et l’amélioration permanente des agents IA nécessitent une connaissance fine, continue et évo lutive de l'utilisateur. Grâce à des mécanismes de mémoire persistante, l'IA agentique crée des profils utilisateurs très précis qui, couplés à une autonomie décisionnelle accrue, font peser le risque d’une perte de maîtrise de l’utilisateur sur ses données personnelles. De plus, les flux, parfois opaques et souvent entre de multiples services, complexifient l’attribution des responsabilités des différents acteurs de la chaîne de valeur. Le manque de transparence de cette architecture accentue les risques liés aux décisions automatisées, en particulier dans des secteurs sensibles ou régulés (financiers ou judiciaires, par exemple). Enfin, cette note identifie des voies de conciliation possibles pour garantir l’effectivité du cadre du juridique et le déploie ment des systèmes d’IA agentique, par la mise place de mécanismes techniques de contrôle et de supervision. Sur le plan juridique, cela nécessitera des règles de transparence renforcées sur l’action agentique ou l'obligation d'une validation humaine pour l es décisions les plus critiques (human in the loop). Sur le plan technique, il sera important d'intégrer des mesures dès la conception des systèmes, telles que le cloisonnement de la mémoire des agents pour éviter l'accumulation de données, le déploiement dans IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 2 Table des matières Résumé opérationnel ................................................................................................................................. 1 Introduction ................................................................................................................................................. 3 I. De l’IA générative à l’IA agentique : vers l’amplification des risques pour les données personnelles ................................................................................................................................................. 5 (a) L’opacité des flux de données augmente les risques pour l’utilisateur ........................... 5 (b) Les effets de l’IA agentique : une mise en tension des principes du RGPD .................... 5 II. Autonomie et hyperpersonnalisation de l’IA agentique : quelles incidences sur la maîtrise des données personnelles ? ...................................................................................................... 7 (a) La constitution d’une connaissance approfondie de l’utilisateur par les systèmes agentiques ................................................................................................................................................ 7 (1) La mémoire des agents : un outil de personnalisation fondé sur la conservation des données personnelles ......................................................................................................................................... 7 (2) L’enrichissement du profil de l’utilisateur par l’exploitation de sources de données externes ................................................................................................................................................................... 8 (b) De l’assistance à la délégation décisionnelle ........................................................................ 8 III. L’opacité des flux décisionnels dans l’IA agentique : flou autour de la responsabilité des acteurs et sécurité des données ..................................................................................................... 10 IV. Préserver la maîtrise des données personnelles face aux capacités d’action des IA agentiques : quelles voies de conciliation ? ......................................................................................... 11 (a) Garantir l'effectivité des principes du RGPD et adapter les recommandations sectorielles .............................................................................................................................................. 12 (b) Mettre en place des mécanismes techniques de contrôle et de supervision .............. 13 des environnements isolés ( sandboxing), ou encore l'installation d'un bouton d'arrêt d'urgence (kill switch button) à la main de l'utilisateur. Le développement de systèmes d’IA respectueux des utilisateurs est un enjeu majeur qui doit préoccuper l’e nsemble de l’écosystème afin de tirer le meilleur bénéfice de ces nouvelles technologies tout en nous préservant collectivement des nombreux risques susceptibles de se matérialiser. IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 3 Introduction Le développement de l’IA agentique constitue une évolution importante dans les interactions entre les utilisateurs et les systèmes d’IA actuellement répandus. On désigne par IA agentique un ensemble de programmes informatiques reposant sur des modèles d’IA générative et capables de prendre des décisions de manière autonome, d’orchestrer des actions complexes et d’interagir avec des services tiers, avec ou sans validation humaine 1 . L’architecture d’un système d’IA agentique repose généralement sur l’inte raction entre plusieurs composants : (i) Un agent « orchestrateur », au cœur duquel le modèle d’IA générative permet à l’utilisateur d’interagir en langage naturel avec le système. Ce modèle constitue ainsi l’interface principale entre l’utilisateur et le système. (ii) Des agents « spécialisés », coordonnés par l’agent orchestrateur, qui peuvent accomplir des tâches complexes nécessitant des compétences spécifiques (génération de code, traitement de texte, paiements en ligne, etc.). (iii) L’ensemble de ces agents peut ensuite être connecté à des services externes comme des applications, des bases de données ou des outils de recherche web qu’ils peuvent mobiliser pour traiter les requêtes. Les interactions entre l’agent orchestrateur, les agents spécialisés et les services tiers reposent sur des protocoles d'échange standardisés 2, qui établissent un langage de communication commun entre les modèles d'IA et les applications tierces. Ces protocoles sont indispensables à l'interopérabilité des différents systèmes et permettent aux agents d'accéder aux ressources externes nécessaires à la réalisation des actions attendues. * Pour assurer la continuité des interactions avec l’utilisateur et exécuter les tâches qui leur sont confiées, les systèmes d’IA agentique mettent en œuvre deux mécanismes spécifiques de gestion des données : • Le « processus », c’est -à-dire le traitement d e requêtes, repose sur un « contexte » mobilisé par l’agent, lui permettant de conserver l’historique des échanges avec l’utilisateur, les instructions reçues (directement par l’utilisateur ou par un autre agent), ainsi que l’ensemble des interactions avec les autres agents et services impliqués. Le contexte est supprimé à la fin du processus. 1 Pour plus d’informations voir la première note de la série IA agentique du Conseil de l’IA et du numérique. Les intelligences artificielles à l’heure de la vague agentique : de quoi parle-t-on ?. Février 2026. 2 Les protocoles MCP, développé par Anthropic, et ACP, développé par OpenAI, sont des exemples de protocoles très utilisés : https://modelcontextprotocol.io/docs/getting-started/intro https://www.agenticcommerce.dev/docs IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 4 • En complément, le « stockage mémoire » permet de conserver des informations réutilisables d’un processus à l’autre, notamment des données relatives à l’utilisateur. Cette mémoire peut être alimentée ou modifiée par l’utilisateur, ou enrichie automatiquement à partir des interactions avec le système d’IA agentique. Elle est persistante et indépendante des processus d’exécution. Chaque agent (orchestrateur ou spécialisé) dispose de son contexte propre et de sa propre mémoire, regroupant les informations utiles pour l’exécution de ses tâches. Dans certains cas, il peut également exister une mémoire partagée et commune à plusieurs agents. * Les systèmes d’IA agentique sont susceptibles de traiter des volumes importants de données personnelles, y compris des données sensibles au sens du RGPD 3, ainsi que des informations confidentielles. Or, le cadre posé par le RGPD, conçu à une époque où les traitements étaient principalement déterminés et mis en œuvre par des acteurs humains dans la poursuite de finalités préalablement définies, est désormais appelé à s’appliquer à des environnements dans lesquels une partie des opérations de traitement peut être initiée, coordonnée ou exécutée de manière autonome par des systèmes d’IA agentique. Si les IA agentiques peuvent conserver des données personnelles de manière prolongée 4, elles sont également en mesure de créer des profils utilisateur hyper-personnalisés. Par extension, en agissant de manière autonome, sans intervention directe de l’utilisateur, l’IA agentique peut être amenée à prendre des décisions ou à accomplir des actes susceptibles de produire des effets juridiques à l’égard de celui-ci. De telles capacités soulèvent des interrogations fondamentales quant à la délégation de la prise de décision par des systèmes autonomes, à la responsabilité des actes qu'ils accomplissent, ainsi qu'au maintien d'un contrôle effectif par l'utilisate ur ou par des tiers sur leur fonctionnement. Dans cette perspective, cette note examine comment les principes fondamentaux du RGPD sont mis en tension dans le cadre de l’IA agentique (I), capable d’autonomie croissante et d’hyperpersonnalisation, au risqu e d’une perte de maîtrise des utilisateurs de leurs données personnelles (II). Cette autonomie engendre en outre une opacité des flux décisionnels, laquelle remet en cause les régimes de responsabilité et de sécurité (III). Enfin, cette note s'attache à identifier les voies de conciliation entre le développement de ces technologies et les exigences de protection des données (IV). 3 Article 9-1 du RGPD : Sont considérées comme données sensibles les « données à caractère personnel qui révèlent l'origine raciale ou ethnique, les opinions politiques, les convictions religieuses ou philosophiques ou l'appartenance syndicale, ainsi que le traitement des données génétiques, des données biométriques aux fins d'identifier une personne physique de manière unique, des données concernant la santé ou des données concernant la vie sexuelle ou l'orientation sexuelle d'une personne physique » . 4 BHOSALE Robini et al. The dark side of autonomous intelligence: a sur vey on data leakage and privacy failures in agentic AI. Frontiers in Computer Science. 2026. vol. 8, p. 4. IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 5 I. De l’IA générative à l’IA agentique : vers l’amplification des risques pour les données personnelles (a) L’opacité des flux de données augmente les risques pour l’utilisateur Les IA agentiques partagent un socle commun de vulnérabilités avec les IA génératives en matière de protection des données personnelles. Cependant, leur capacité à accéder à de multiples sources d'information , à conserver un contexte étendu, à mobiliser de nombreux outils externes et à exécuter des actions de manière autonome et avec une grande liberté entraîne une multiplication des flux de données , tant au sein du système d’IA agentique (échange de données e ntre agents) qu’en dehors de celui -ci (actions réalisées auprès de services externes, telles que l’envoi d’un courrier électronique ou une transaction financière pour l’acquisition d’un bien, etc.). Du point de vue de l’utilisateur, il n’est pas toujours évident d’appréhender l’ampleur des données traitées, ni d’en comprendre précisément les finalités. Par ailleurs, il est particulièrement difficile de percevoir la nécessité de chacune des interactions, d’autant plus que les échanges entre les différents a gents peuvent être nombreux, notamment en cas d’échecs répétés. Ces flux peuvent alors devenir importants et conduire à des transferts de données massifs entre les différents services. (b) Les effets de l’IA agentique : une mise en tension des principes du RGPD Les systèmes d’IA agentique peuvent complexifier l’identification, la traçabilité et la maîtrise des traitements de données personnelles. Sans remettre en cause la pertinence du cadre posé par le RGPD, cette technologie soulève des difficultés parti culières quant à la mise en œuvre concrète de plusieurs de ses principes fondamentaux : Le principe de finalité (article 5.1.b) exige que les données personnelles soient collectées pour des objectifs déterminés, explicites et légitimes 5. Or les systèmes d’IA agentique sont conçus pour réaliser un grand nombre de tâches dans des domaines variés, ce qui peut rendre plus difficile l'identification du périmètre exact des traitements effectués. L'enjeu consiste à garantir que les données traitées par l'agent ne soient utilisées que pour l'exécution des tâches qui lui sont confiées et qu'elles ne fassent pas l'objet de réutilisations incompatibles avec les finalités initialement définies. Le principe de licéité (article 6) impose que tout traitement repose sur un fondement juridique valable, à choisir parmi l’une des six bases légales prévues par le Règlement européen6. L’autonomie des systèmes d’IA agentique peut rendre plus complexe le lien entre les nouvelles opérations réalisées et la base juridique initialement choisie. 5 Article 5, paragraphe 1, point b), du RGPD. 6 Parmi les six bases légales prévues par le RGPD : le consentement, le contrat, l’obligation légale, la mission d’intérêt public, l’intérêt légitime et la sauvegarde des intérêts vitaux. IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 6 Le principe de minimisation (article 5.1.c) exige que les données traitées soient adéquates, pertinentes et limitées à ce qui est nécessaire au regard des objectifs poursuivis. Pourtant, les IA agentiques peuvent mobiliser de grandes quantités de données (e -mails, historique de navigation, fichiers), les partager entre agents et les conserver en mémoi re afin de répondre aux besoins de l’utilisateur, voire de les anticiper. La nécessité de traiter l’ensemble de ces données n’est pas toujours évidente à démontrer. Le principe d’exactitude (article 5.1.d) prévoit que les données doivent être exactes et, s i nécessaire, mises à jour. Or, la nature probabiliste des modèles d’IA générative implique un risque d’erreur. Ces hallucinations peuvent se propager dans les systèmes sans que l’utilisateur ne dispose de mécanisme d’alerte avec des conséquences potentiel lement importantes pour l’utilisateur. Le principe de transparence (article 5.1.a) exige que les personnes concernées soient informées de manière claire et accessible des données traitées les concernant. Par ailleurs, les sorties produites par l’IA générative sont difficiles à expliquer en raison de l’architecture des modèles sous-jacents et de leur fonctionnement probabiliste 7. Le principe de limitation de la durée de conservation des donnée s (article 5.1.e) impose que les données personnelles ne soient conservées que pendant une durée limitée et proportionnée aux objectifs poursuivis. Cette exigence peut toutefois entrer en tension avec certaines pratiques telles que la conservation de jeux de données destinés à l’entraînement ou à l’amélioration des mod èles d’IA générative, ainsi qu’avec la capacité de ces derniers à mémoriser certaines informations issues des données utilisées lors de leur développement 8. Qui plus est, les instances mémoire diffuses et multiples des systèmes d’IA agentiques complexifient le contrôle de ces durées. * Enfin, le RGPD garantit aux personnes concernées 9 l’exercice de plusieurs droits sur leurs données personnelles, notamment les droits d'accès, de rectification, d'effacement, d'opposition et de limitation du traitement (article 15 à 22 du RGPD). L’exercice effectif de ces droits soulève toutefois des difficultés particulières dans le contexte des systèmes d'IA fondés sur des modèles d’IA générative. La CNIL a déjà pu relever que l’identification et la suppression des données personnelles au sein des données d’entraînement des modèles d’IA générative peut s'avérer complexe 10. Ces difficultés sont encore accentuées dans les systèmes d’IA agentique, en raison de la circulation des données entre plusieurs agents, espaces de mémoire et services tiers. Concrètement, la personne concernée peut avoir du mal à savoir quel agent a collecté l’information, où elle a été conservée, si elle a été transmise à un autre composant du système, et auprès de quel responsable elle doit exercer ses droits. La rectification d’une 7 LINC. « L’explicabilité de l’IA à l’ère de l’apprentissage profond ». 8 juillet 2025. 8 VEALE Michael, BINNS Reuben, EDWARDS Lilian. “Algorithms that Remember: Model Inversion Attacks and Data Protection Law”. Cornell University. 2018. 9 Une personne concernée est une personne au sujet de laquelle des données à caractère personnel sont traitées. 10 CNIL. « IA : Respecter et faciliter l’exercice des droits des personnes concernées ». 7 février 2025. IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 7 donnée erronée ou son effacement peuvent ainsi devenir difficiles à mettre en œuvre de manière complète et traçable. II. Autonomie et hyperpersonnalisation de l’IA agentique : quelles incidences sur la maîtrise des données personnelles ? Les capacités d’hyperpersonnalisation et d’exploitation de grandes quantités de données des IA agentiques sont de nature à renforcer les risques de délégation de la décision et, par conséquent, d’occasionner une perte de maîtrise de l’utilisateur. (a) La constitution d’une connaissance approfondie de l’utilisateur par les systèmes agentiques L'une des principales caractéristiques de l'IA agentique réside dans sa capacité à construire une connaissance approfondie et évolutive de l'utilisateur. L’autonomie de ces systèmes ne repose pas uniquement sur les capacités des modèles d’IA générative, ma is également sur l’accumulation progressive de données permettant d’anticiper les besoins de l’utilisateur et d’agir en son nom. Cette logique conduit à un changement d'échelle dans le traitement des données personnelles. Celles-ci ne sont plus seulement m obilisées pour répondre à une requête ponctuelle mais sont continuellement conservées, enrichies et réutilisées au sein du système. Ce fonctionnement est à la fois vecteur d’une efficacité inédite, tant les profils utilisateurs sont précis et le système au tonome, et catalyseur de risques relatifs à la maîtrise des utilisateurs sur leurs données personnelles. Cette accumulation de données résulte principalement de deux mécanismes complémentaires : la mémoire persistante des agents , d'une part, et l'exploitation de sources de données externes, d'autre part. (1) La mémoire des agents : un outil de personnalisation fondé sur la conservation des données personnelles Les mécanismes de mémoire constituent une brique centrale du fonctionnement des systèmes d’IA agentique, en permettant notamment aux agents d’adapter leurs réponses et d’améliorer l’exécution des tâches qui leur sont confiées. Toutefois et comme vu en introduction, dans les architectures impl iquant plusieurs agents, la multiplication des espaces de mémoire peut conduire à une dispersion des données entre différents environnements de stockage. Cette organisation décentralisée peut accroître l’opacité des traitements, en rendant plus complexe la détermination des données effectivement conservées, des opérations susceptibles de les affecter (ajout, modification, suppression) ainsi que de leur durée de conservation. Par exemple, si un utilisateur supprime un fichier sensible de son ordinateur dans un dossier partagé avec son IA agentique, il peut être difficile pour lui de s’assurer que les données personnelles ont bien été effacées de l’ensemble de la mémoire IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 8 de l’IA agentique . Si ces données sont conservées par le système d’IA agentique, elles sont susceptibles de continuer à être utilisées lors d’interactions futures . Par ailleurs, la coexistence de plusieurs mémoires au sein d’un même système soulève des difficultés de synchronisation . Des informations divergentes, contradictoires ou obsolètes peuvent se propager entre les agents. Or, ces flux de données sont susceptibles d’avoir des conséquences sur l’exactitude des données traitées. En effet, la qualité des données constitue un enjeu déterminant dès lors que le système s’appuie sur celles-ci pour exécuter une tâche ou prendre une décision. (2) L’enrichissement du profil de l’utilisateur par l’exploitation de sources de données externes Afin de répondre aux requêtes, le système d’IA agentique peut compléter les informations conservées dans sa mémoire par des données issues de services connectés (services tiers, web etc.). Ces données permettent d’enrichir le contexte (cf. introduction) des agents IA. En pratique, le recours aux services connectés est souvent initié par le système d’IA agentique lui- même et n’est pas nécessairement explicité dans la requête de l’utilisateur, ce qui renouvelle les enjeux liés au respect du RGPD, déjà évoqués, en lien avec l’opacité des flux de données. À titre d’exemple, lorsqu’un utilisateur donne à une IA agentique l’accès à son environnement de travail (messagerie électronique, agenda, espaces documentaires ou outils collaboratifs), celle -ci peut consulter l’ensemble des informations disponibles afin de répondre à une requête donnée. Toutefois, certaines de ces informations peuvent ne pas être strictement nécessaires à l’exécution de la tâche demandée. Les données ainsi collectées peuvent ensuite être intégrées à différents espaces de mémoire ou transmises à des services externes mobilisés dans le cadre du traitement de la requête. La capacité des agents à croiser des données issues de sources multiples permet une collecte évolutive et cumulative de données personnelles, au fil d’interactions hyper-personnalisées. En d’autres termes, le système d'IA agentique peut, à partir des infor mations dont il dispose, déduire toujours plus d’informations sur la vie privée de l’utilisateur, qui seront susceptibles d’être mobilisées (parfois implicitement) pour exécuter des nouvelles requêtes. (b) De l’assistance à la délégation décisionnelle L’autonomie de ces systèmes est donc susceptible de créer un déséquilibre dans la relation entre l’utilisateur et son IA agentique, traduisant une forme implicite de délégation du pouvoir décisionnel de l’utilisateur vers le système d’IA agentique. Ce constat est partagé notamment par la présidente de Signal, Meredith Whittaker, qui décrit les promesses de l’IA agentique par IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 9 la formulation imagée suivante : « put your brain in a jar and let AI handle life »11 (ou « mettez votre cerveau dans un bocal et laissez l’IA gérer votre vie » ). En effet, à partir des sources de données auxquelles il peut accéder et aux connaissances qu’il accumule sur l’utilisateur, un système d’IA agentique ne se limite plus à un rôle d’assistant à la décision. Il peut exécuter de manière autonome l’ensemble des étapes nécessaires à la réalisation d’une requête, réduisant ainsi progressivement le besoin d’intervention humaine 12. Pour autant, l’autonomie accrue des IA agentiques et la difficulté d’interrompre des processus fonctionnant en continu peuvent engendrer des analyses erronées des requêtes ainsi que des risques d’hallucinations en cascade susceptibles de se propager au sein du système et d’impacter la mémoire des agents et les actions prises. Une employée d’une grande en treprise du numérique a rapporté dans un article récent la suppression, par son IA agentique, de nombreux e-mails professionnels et les difficultés pour interrompre le processus à distance 13. Si cet exemple ne remet pas en cause le principe même de l’autom atisation, il illustre les enjeux liés à la fiabilité des décisions prises par des systèmes autonomes : une mauvaise interprétation de la requête initiale ou une erreur dans l’analyse peut conduire l’agent à effectuer des opérations inadaptées sur des volu mes importants de données. Dans ce contexte, la capacité à identifier rapidement l’origine d’une action, à la corriger et à limiter ses effets devient un élément essentiel de la maîtrise du système. L’autonomie de ces systèmes est susceptible de conduire à la prise de décisions relevant, dans certaines hypothèses, du régime des décisions individuelles automatisées prévu par l'article 22 du RGPD. Celui -ci reconnaît à toute personne le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé, y compris le profilage, produisant des effets juridiques la concernant ou l’affectant de manière significative de façon similaire. Une telle décision ne peut être licite qu’en présence de l’une des exceptions prévues au paragraphe 2 du même article (exécution d’un contrat, autorisation par le droit de l’Union ou d’un État membre, consentement explicite). Au regard de la multiplicité des actions et des agents IA impliqués dans l’exécution d’une tâche, l’appréciation du degré réel de supervision dans le processus décisionnel demeure une question délicate. L’existence seule d’une intervention humaine en sortie dans la décision proposée par un système d'IA ne suffit pas nécessairement à écarter la qualification de décision fondée exclusivement sur un traitement automatisé au sens de l'article 22 du RGPD. Comme l'a jugé la CJUE dans son arrêt sur le score SCHUFA 14, l'intervention humaine doit être 11 TechCrunch. “Agentic AI is like putting your brain in a jar”. 7 mars 2025. 12 DEFFAINS Bruno. « L’IA agentique : du changement d’échelle technologique au questionnement du modèle juridique classique ». Dalloz Actualités IP/IT. Novembre 2025. 13 Business Insider. “Meta alignement director shares OpenClaw email deletion nightmare”. 14 CJUE. Affaire SCHUFA C-634/21. 7 décembre 2023. IA agentique et protection des données personnelles : équation à inconnues multiples pour les utilisateurs 10 réelle, effective et exercer une influence sur la décision finale ; une validation purement formelle ou automatique est insuffisante. III. L’opacité des flux décisionnels dans l’IA agentique : flou autour de la responsabilité des acteurs et sécurité des données L'autonomie décisionnelle des systèmes d'IA agentique ne soulève pas uniquement des interrogations quant à la licéité des traitements de données personnelles ; elle remet également en cause les mécanismes traditionnels d'imputation des responsabilités et de maîtrise des risques. En multipliant les interactions entre modèles, agents et services tiers, ces systèmes rendent plus difficile l'identification des acteurs responsables d'un traitement ou d'un dommage, tout en élargissant les surfaces d'exposition aux failles de sécurité. * Au regard du RGPD, le déploiement de systèm es d’IA agentique ne remet pas en cause le principe selon lequel un responsable du traitement doit pouvoir être identifié et demeurer en mesure d’assurer le respect des obligations en matière de protection des données personnelles. Toutefois, les caractéristiques propres à ces systèmes, notamment leur capacité à mobiliser plusieurs agents, à interagir avec des services tiers et à pre