# DefoAI : analyse quantitative du risque cyber par IA | Coresentry > DefoAI relie conversation, preuves et simulations financières pour quantifier le risque cyber, comprendre l’incertitude et comparer vos investissements. Page officielle: https://www.coresentry.fr/solutions/ai-risk-analysis Contact: hello@coresentry.com ## DefoAI Disponible DefoAI vous aide à comprendre ce qu’un incident cyber pourrait coûter à votre activité. Une conversation guidée par l’IA rassemble votre contexte et vos preuves ; des hypothèses validées alimentent ensuite des simulations financières pour comparer vos options. Une décision explicable : quels risques traiter, avec quel budget et sur quelles hypothèses. - Conversation guidée, reprenable et adaptée aux informations manquantes - Lecture de documents et propositions reliées à leurs sources - Scénarios financiers fondés sur des hypothèses approuvées - Simulations de pertes annuelles et visibilité sur les événements graves - Comparaison des actions, de leurs coûts et des réductions estimées - Rapports traçables, exports et suivi des responsables ## Parlez de votre activité. Comprenez votre exposition. Vous connaissez vos clients, vos opérations et ce qui doit continuer à fonctionner. DefoAI part de cette connaissance. Dirigeants, équipes finance et responsables métier peuvent contribuer à l’analyse dans leurs propres mots, sans maîtriser le vocabulaire cyber ou les statistiques. L’assistant structure les informations ; votre analyste valide les preuves et les hypothèses financières. ### Une conversation qui avance avec vous Décrivez votre organisation et vos préoccupations. L’assistant repère les informations utiles, pose une question à la fois et vous permet de reprendre l’échange plus tard. Vous n’avez pas à parcourir une longue grille pour trouver le bon sujet. ### Des preuves que l’on peut retrouver Vos notes et documents peuvent étayer l’analyse. Chaque proposition conserve un lien avec le passage qui la soutient. Vous relisez et acceptez les changements ; une information manquante reste un point à éclaircir. ### Des chiffres issus d’un modèle explicite L’IA facilite la collecte et la compréhension. Un moteur de calcul versionné produit les résultats à partir des paramètres approuvés. Vous pouvez retrouver les sources, les choix et les limites derrière chaque estimation. ### Comprendre ce qui compte Précisez la décision à prendre, les activités, les pays et le périmètre. La conversation et les documents aident à identifier les dépendances, les contrôles existants et les preuves à compléter. ### Construire des scénarios crédibles Définissez l’incident et les coûts inclus. Avec votre analyste, documentez des estimations basse, probable et haute de fréquence et de perte, leur origine et leur pertinence pour votre entreprise. Validez ces hypothèses avant le calcul. ### Comparer et décider Simulez des années possibles, examinez les pertes et l’incertitude, puis comparez les actions avec leurs coûts et leur efficacité estimée. Assignez un responsable, suivez l’avancement et recalculez lorsque vos hypothèses évoluent. ### Une vision de l’année et des pertes graves La médiane décrit le milieu des années simulées ; la moyenne rend visible le poids des événements coûteux. Le P95 est un seuil sous lequel se situent 95 % des pertes annuelles simulées, pour les hypothèses retenues. ### Les hypothèses qui pèsent dans la décision Les courbes de dépassement montrent la fréquence simulée de pertes au-delà d’un seuil. L’analyse de sensibilité indique comment une variation de fréquence ou de coût influence la perte moyenne ; les contrôles de convergence signalent les résultats à revoir. ### Un dossier à partager et à faire évoluer Sources, hypothèses approuvées et versions du modèle accompagnent les résultats. Les rapports imprimables et les exports CSV et JSON facilitent les échanges entre direction, finance et sécurité. Les résultats précédents restent conservés. ### Décomposer pour mieux expliquer La démarche distingue la fréquence des incidents de leur coût, dans l’esprit des approches quantitatives comme FAIR. DefoAI utilise actuellement une variante fondée sur la perte totale estimée par événement : chaque scénario et chaque hypothèse peuvent être discutés séparément. ### Rendre l’incertitude visible La simulation Monte Carlo explore de nombreuses années possibles à partir de fourchettes documentées. Elle peut représenter des incidents regroupés dans certaines années et des pertes rares dépassant le coût de base envisagé. Une moyenne unique ne suffit pas à décrire cette exposition. ### Adapter au contexte réel Le secteur, les pays, les activités et la période des données définissent le périmètre. Les paramètres sont contextualisés pour votre entreprise et leurs sources restent consultables. ### Apprendre des nouvelles preuves Les travaux sur les réseaux bayésiens étudient comment relier des facteurs de risque et revoir une estimation lorsque de nouvelles preuves apparaissent. DefoAI intègre la mise à jour bayésienne automatique pour faire évoluer les estimations avec les nouvelles informations. ### Comprendre les effets en chaîne Les recherches sur les réseaux de risque éclairent les dépendances entre fonctions, fournisseurs et activités. DefoAI intègre les dépendances entre scénarios et les pertes corrélées pour représenter leurs effets combinés sur votre activité. ### Relier sécurité et conséquences métier Les travaux récents, dont FABRICS (2026), associent expertise cyber et expertise métier pour estimer les conséquences d’un incident. Cette approche nourrit notre méthode de collecte : les équipes apportent leurs preuves et leur contexte ; l’analyste explicite les coûts retenus. DefoAI intègre le modèle FABRICS pour relier les menaces, les défaillances de contrôle et les conséquences financières. ## References - [Wang, Neil & Fenton · FAIR et réseaux bayésiens / FAIR and Bayesian networks · 2020](https://doi.org/10.1016/j.cose.2019.101659) - [Orlando · Cyber Value at Risk · 2021](https://doi.org/10.3390/risks9100184) - [Sheth & Sinfield · Quantified Risk Networks · 2024](https://doi.org/10.1038/s41598-024-71764-x) - [Slapničar & Joshi · FABRICS · 2026](https://doi.org/10.1016/j.cose.2026.104900) - [Thevaratnam & Rezaeifar · Bayesian cyber threat analysis · 2026](https://doi.org/10.1007/s10207-026-01220-6) Les estimations financières dépendent des données et hypothèses approuvées ; elles ne prédisent pas le prochain incident. L’IA propose des informations à vérifier, et les calculs restent sous contrôle humain. Notre revue de la littérature guide les évolutions du produit ; elle ne constitue pas une validation indépendante de ses résultats. ## Peut-on contribuer à l’analyse sans expertise technique ? Oui. DefoAI recueille le contexte dans une conversation guidée, avec des questions accessibles sur les activités, les interruptions et les coûts. L’analyste valide ensuite les preuves et les hypothèses financières. ## Quelles méthodes DefoAI utilise-t-il ? DefoAI combine des simulations Monte Carlo, le modèle FABRICS, la mise à jour bayésienne et la prise en compte des dépendances entre scénarios. Les résultats restent reliés à des hypothèses et des sources consultables. ## Quels résultats peut-on examiner ? L’analyse présente les pertes annuelles simulées, la médiane, la moyenne, les seuils de pertes graves et les courbes de dépassement. Elle permet aussi de comparer des actions avec leurs coûts et leur efficacité estimée. ## L’IA décide-t-elle des investissements à votre place ? DefoAI aide à structurer et comprendre l’analyse. Les hypothèses sont approuvées, les chiffres proviennent du moteur de calcul et les décisions restent sous contrôle humain.