Over the past 18 months, cybersecurity vendors, API management specialists, data platforms, cloud providers and AI-native startups have all converged on the same problem: how to control calls to language models, enforce security policies, govern agents, track interactions, manage costs and reduce dependence on a single vendor. Each is trying to become the control point between the information system and AI.

That convergence could signal the emergence of a new software category, but it could also create a new round of fragmentation, as every player tries to impose its own control plane around AI — precisely the problem AI Gateways are meant to solve.

Cybersecurity vendors are extending Zero Trust to agents

Security platforms were originally built to protect users, endpoints, servers and applications. AI agents change the equation: they have access rights, use technical identities, query data and execute actions autonomously, making them a new attack surface.

Palo Alto Networks is the clearest example of this shift. In March 2026, it launched Prisma AIRS 3.0 with an “AI Agent Gateway” module in limited access. At the end of April, it announced plans to acquire Portkey, one of the most established AI Gateway vendors; the deal closed on May 29. Six weeks later, on July 22, Palo Alto announced general availability of Prisma AIRS AI Gateway, now directly integrating Portkey’s technology.

The company also cited a striking trend figure: according to its observations, enterprise network traffic linked to the MCP protocol rose from 11% at the end of 2025 to more than 41% by mid-2026. That figure comes from Palo Alto itself and should be read as an indicator of momentum rather than an independent market measurement.

CrowdStrike is taking a different route, focused on agent identity. In June, it launched “Continuous Identity for AI Agents” in Falcon, built on technology from SGNL, which it acquired for $740 million. The idea is to continuously re-evaluate an agent’s rights, action by action, instead of granting persistent access. CrowdStrike is not trying to become an AI Gateway provider itself; instead, it is pursuing an ecosystem strategy with integrations across Kong, LiteLLM, Databricks, Microsoft Azure, TrueFoundry and Google Cloud.

Cisco is moving in a similar direction with Duo, which now treats the agent as a full identity object with its own authentication rules and lifecycle. Zscaler, meanwhile, unveiled in June 2026 what it calls the first full Zero Trust platform for agentic AI, featuring an “AI Broker” for agent access and an “AI Access Graph” to map relationships between identities, applications and data. It is a direct extension of its network-security logic to agent-to-agent flows and MCP calls, which are harder to intercept than classic user traffic.

The common thread is clear: each security vendor is extending its historical control point to agents. AI Gateway is becoming a new Zero Trust interface, where the question is not only who is allowed to act, but also what the agent can do and in what context.

API management vendors want to avoid being bypassed

For API management players, the issue is different. For 15 years, API gateways have sat at the center of enterprise architecture, handling authentication, rate limiting, monitoring and routing for a large share of application traffic.

AI threatens to bypass that layer. If developers call language models directly instead of going through existing infrastructure, more and more traffic could escape established governance platforms. API vendors therefore want to extend their perimeter rather than let a parallel infrastructure emerge.

Kong is a good example: its AI Gateway is positioned as an extension of plugins on top of the existing Kong Konnect platform. Application traffic still flows through the same infrastructure, but it can now also be routed to language models using the same authentication and quota mechanisms already applied to traditional APIs.

Google is evolving Apigee in a similar direction, tying it to the new agent platform launched in April 2026 when Vertex AI was renamed Gemini Enterprise Agent Platform. The change goes beyond branding: it also absorbs Agentspace and repositions the stack around building, deploying and governing agents rather than just training models.

Other specialized API management vendors such as Gravitee, Tyk and WSO2 are following the same path, adding LLM routing, MCP governance and inference cost tracking to their existing platforms.

The logic is consistent across the board: reuse the API controls already deployed — authentication, quotas, logging and observability — instead of forcing each AI project team to rebuild them from scratch. AI is not creating a parallel infrastructure; it is extending the existing one.

Data platforms want agents closer to the data

A third group is approaching the problem from another angle: data platforms. Their view is that AI value lies not only in the model, but above all in the data it can access.

Snowflake offers a first example. At the end of May 2026, it announced the acquisition of Natoma, a specialist in MCP governance. Two months later, it launched Cortex AI Gateway to control how agents interact with models, tools, MCP servers and enterprise data.

The product is designed both for Snowflake-native agents and for agents built on third-party platforms such as Claude Code or Cursor, and it integrates with Okta, SailPoint and 1Password for identity management.

Databricks is taking a similar path with Unity AI Gateway. Built on Unity Catalog, the service extends to models and agents the governance mechanisms already applied to data: permissions, traceability and audit. It also adds AI-specific capabilities such as spend control, routing across providers and prevention of personal-data leakage.

Databricks says several thousand customers are already using Unity AI Gateway, including Rivian, Asana and Edmunds. According to the company, more than one quadrillion tokens have passed through the gateway over the past 12 months.

It has also taken an open ecosystem approach by integrating security specialists including CrowdStrike, Palo Alto Networks and Zscaler. The goal is to let enterprises keep their existing security tools while applying them to interactions with models, agents and tools. That contrasts with platforms that try to internalize all security functions.

The launches from Snowflake and Databricks show that agent governance is becoming a new competitive battleground for Data & AI platforms. Their advantage is that they can extend existing data-control policies to models and agents without necessarily adding a separate governance layer.

Hyperscalers are moving in different ways

A fourth group, the hyperscalers, is tackling the issue by embedding AI governance into their own environments rather than selling it as a standalone product.

AWS has launched Amazon Bedrock AgentCore Gateway, which provides a single access point for agents to reach tools, MCP servers and other agents via A2A. It can also route requests across model providers and connect services such as Salesforce, Slack, Jira and Asana.

Microsoft is combining two complementary building blocks: Azure API Management provides AI Gateway functions, while Entra Agent ID, generally available since May 2026, assigns agents their own identity and lets organizations control access, including for agents built on third-party platforms.

Google has opted for a more integrated model. With Gemini Enterprise Agent Platform, which replaces Vertex AI, it brings agent building, deployment and governance into a single platform rather than presenting AI Gateway as a separate layer.

For IT departments already committed to a given cloud, the benefit is obvious: identity, billing and part of observability stay in the same environment, with no extra layer to operate. But in a multicloud world, the downside is equally clear: these approaches do not replace one another, so a company using AWS, Azure and Google Cloud may end up with three separate AI governance mechanisms instead of one transverse control layer.

AI-native players pioneered the category

The final category consists of companies born directly out of AI applications. LiteLLM, Helicone, OpenRouter and Portkey were built around needs that emerged with LLMs: routing requests across multiple models and providers, tracking usage, managing keys and costs, and observing agent interactions.

Portkey illustrates the challenge these specialists face in staying independent as the market matures. Its acquisition by Palo Alto Networks in May 2026 shows how AI-native capabilities can be absorbed into broader cybersecurity, API management, data or cloud platforms.

Taken together, these five groups show that AI Gateway is becoming a strategic control layer for AI. But the market is unlikely to settle on a single gateway: multiple interoperable building blocks are more likely to coexist.

For CIOs, the key question will be where to place the primary control point and how to make the other layers work with it. Without coordination, the proliferation of offerings could paradoxically recreate the very fragmentation of AI governance that AI Gateways were supposed to eliminate.

En observant les annonces des dix-huit derniers mois, un constat s’impose. Éditeurs de cybersécurité, spécialistes de l’API Management, plateformes de données, fournisseurs cloud et acteurs nés avec l’IA développent des fonctions qui répondent aux mêmes problématiques. Leur objectif : contrôler les appels aux modèles de langage, appliquer des politiques de sécurité, maîtriser les coûts et gouverner les agents, tout en traçant leurs interactions et en limitant la dépendance à un fournisseur unique.

Tous cherchent, avec des approches différentes, à devenir le point de contrôle entre le système d’information et l’IA.

Dans l’histoire des infrastructures IT, ce type de convergence a souvent annoncé l’émergence d’une nouvelle catégorie de logiciels. Mais elle peut aussi annoncer autre chose : une course où chaque acteur tente d’imposer son propre control plane, au risque de recréer, autour de l’IA, la fragmentation que les AI Gateways sont précisément censés résoudre.

Les éditeurs cyber veulent protéger les agents

Les plateformes de cybersécurité ont été conçues pour protéger des utilisateurs, des postes de travail, des serveurs ou des applications. L’essor des agents IA introduit une nouvelle catégorie d’entités numériques : elles disposent de droits d’accès, utilisent des identités techniques, consultent des données et exécutent des actions de façon autonome. Elles deviennent donc elles-mêmes une nouvelle surface d’attaque.

Le cas de Palo Alto Networks illustre bien cette bascule, avec un calendrier resserré. En mars 2026, l’éditeur lance Prisma AIRS 3.0, avec un module « AI Agent Gateway » alors en accès limité. Fin avril, il annonce son intention de racheter Portkey, l’un des éditeurs d’AI Gateway les plus établis ; l’acquisition est finalisée le 29 mai. Six semaines plus tard, le 22 juillet, il annonce la disponibilité générale de Prisma AIRS AI Gateway, qui intègre directement la technologie de Portkey.

Dans sa communication, Palo Alto Networks avance un chiffre destiné à illustrer l’accélération du phénomène. Selon les données observées par l’éditeur, la part du trafic réseau d’entreprise liée au protocole MCP serait passée de 11 % fin 2025 à plus de 41 % à la mi-2026. Un chiffre fourni par l’éditeur, à considérer comme un indicateur de tendance plutôt que comme une mesure indépendante du marché.

CrowdStrike suit une trajectoire différente, centrée sur l’identité des agents. En juin dernier, l’éditeur lance « Continuous Identity for AI Agents », une fonctionnalité de Falcon issue de la technologie de SGNL, rachetée pour 740 millions $. Le principe est de réévaluer en permanence les droits d’un agent, action après action, plutôt que de lui accorder un accès permanent. CrowdStrike ne cherche toutefois pas à devenir lui-même une AI Gateway. L’éditeur mise sur une stratégie d’écosystème, avec des intégrations à plusieurs gateways, dont Kong, LiteLLM, Databricks, Microsoft Azure, TrueFoundry et Google Cloud

Cisco avance sur un terrain proche avec Duo, qui traite désormais l’agent comme un objet d’identité à part entière, avec ses propres règles d’authentification et son propre cycle de vie. Zscaler, enfin, a présenté en juin 2026 ce qu’il revendique comme la première plateforme Zero Trust complète pour l’IA agentique, avec un « AI Broker » pour l’accès aux agents et un « AI Access Graph » pour cartographier les liens entre identités, applications et données. Une extension directe de sa logique réseau historique aux flux agent-à-agent et aux appels MCP, plus difficiles à intercepter que du trafic utilisateur classique.

Ces trajectoires différentes traduisent une même logique : chaque cyberéditeur cherche à prolonger son point de contrôle historique jusqu’aux agents. L’AI Gateway devient ainsi l’une des nouvelles interfaces de la logique Zero Trust où l’on vérifie non seulement qui est autorisé à agir mais aussi ce que l’agent peut faire et dans quel contexte.

Les spécialistes des API veulent éviter d’être contournés

Pour les acteurs de l’API Management, la problématique est différente. Depuis quinze ans, les API Gateway occupent une place stratégique dans les systèmes d’information : une part importante des échanges applicatifs y transite, et les équipes d’architecture y définissent l’authentification, la limitation de débit, la supervision et le routage.

L’IA pourrait remettre en cause cette position. Si les développeurs appellent directement les modèles de langage sans passer par l’infrastructure existante, une partie croissante des échanges risque d’échapper aux plateformes de gouvernance déjà en place. Les spécialistes des API cherchent donc à étendre leur périmètre plutôt qu’à laisser une infrastructure parallèle émerger.

L’exemple de Kong est représentatif : l’éditeur présente son AI Gateway comme une extension de plugins sur sa plateforme Kong Konnect existante. Les flux applicatifs continuent de transiter par la même infrastructure, mais sont désormais aussi dirigés vers des modèles de langage, avec les mêmes mécanismes d’authentification et de quotas déjà en place pour les API classiques.

Google fait évoluer Apigee dans une direction similaire, en l’articulant à la nouvelle plateforme d’agents que le groupe a lancée en avril 2026 en rebaptisant Vertex AI en Gemini Enterprise Agent Platform. Un changement qui va au-delà du nom, puisqu’il absorbe aussi Agentspace et repositionne l’ensemble autour de la construction, du déploiement et de la gouvernance d’agents plutôt que du seul entraînement de modèles.

D’autres éditeurs d’API Management plus spécialisés, comme Gravitee, Tyk ou WSO2, suivent une trajectoire comparable en ajoutant des fonctions de routage LLM, de gouvernance MCP et de suivi des coûts d’inférence à leurs plateformes existantes.

Le principe reste le même dans tous les cas : réutiliser les mécanismes déjà déployés pour les API ( authentification, quotas, journalisation, observabilité ) plutôt que de les faire reconstruire par chaque équipe projet pour l’IA. L’IA ne crée pas une infrastructure parallèle ; elle prolonge l’architecture existante.

Les plateformes de données veulent rapprocher les agents des données

Une troisième famille avance avec une approche différente : les plateformes de données. La conviction est que la valeur de l’IA ne réside pas uniquement dans le modèle, mais surtout dans les données auxquelles il accède.

Snowflake en fournit une première illustration. Fin mai 2026, l’éditeur annonce l’acquisition de Natoma, spécialiste de la gouvernance du protocole MCP. Deux mois plus tard, il lance Cortex AI Gateway pour contrôler les interactions des agents avec les modèles, les outils, les serveurs MCP et les données de l’entreprise.

La solution s’adresse aussi bien aux agents natifs de Snowflake qu’à ceux développés sur des plateformes tierces comme Claude Code ou Cursor, et s’intègre notamment avec Okta, SailPoint et 1Password pour la gestion des identités.

Databricks suit une trajectoire comparable avec Unity AI Gateway. Construit sur Unity Catalog, le service transpose aux modèles et aux agents les mécanismes de gouvernance déjà appliqués aux données : permissions, traçabilité et audit. Il ajoute des fonctions spécifiques à l’IA, comme le contrôle des dépenses, le routage entre fournisseurs et la prévention des fuites de données personnelles.

Databricks revendique déjà plusieurs milliers de clients utilisant Unity AI Gateway, dont Rivian, Asana et Edmunds. Selon l’éditeur, plus d’un quadrillion de tokens ont transité par la gateway au cours des douze derniers mois.

L’éditeur a par ailleurs choisi une approche ouverte en intégrant à Unity AI Gateway des spécialistes de la sécurité, dont CrowdStrike, Palo Alto Networks et Zscaler. L’objectif est de permettre aux entreprises de conserver leurs outils de sécurité existants tout en les appliquant aux interactions avec les modèles, les agents et les outils. Une logique d’écosystème qui contraste avec les plateformes cherchant à intégrer l’ensemble des fonctions de sécurité en interne.

Les annonces successives de Snowflake et Databricks montrent que la gouvernance des agents est en train de devenir un nouveau terrain de concurrence pour les plateformes Data & IA. Leur avantage est de pouvoir prolonger vers les modèles et les agents les politiques de contrôle déjà appliquées aux données, sans nécessairement ajouter une couche de gouvernance indépendante.

Les hyperscalers avancent en ordre dispersé

Une quatrième famille d’acteurs, les hyperscalers, aborde le problème sous un angle différent : intégrer les fonctions de gouvernance de l’IA à leur propre environnement plutôt que de les vendre comme un produit autonome.

AWS a lancé Amazon Bedrock AgentCore Gateway, qui fournit un point d’accès unique aux agents pour accéder à des outils, des serveurs MCP et d’autres agents via A2A. La plateforme peut également router les requêtes vers différents fournisseurs de modèles et connecter des services comme Salesforce, Slack, Jira ou Asana.

Microsoft combine deux briques complémentaires. Azure API Management fournit les fonctions d’AI Gateway, tandis qu’Entra Agent ID, disponible généralement depuis mai 2026, attribue une identité propre aux agents et permet d’en contrôler les accès, y compris lorsqu’ils sont construits sur des plateformes tierces.

Google a choisi une approche plus intégrée. Avec le lancement de Gemini Enterprise Agent Platform, qui succède à Vertex AI, l’éditeur regroupe dans une même plateforme la construction, le déploiement et la gouvernance des agents, plutôt que de présenter l’AI Gateway comme une brique autonome.

L’avantage de cette approche est net pour une DSI déjà engagée sur un cloud donné : l’identité, la facturation et une partie de l’observabilité restent dans le même environnement, sans couche supplémentaire à opérer. La contrepartie l’est tout autant : dans un contexte multicloud, ces trois approches ne se substituent pas les unes aux autres, et une entreprise utilisant AWS, Azure et Google Cloud simultanément peut se retrouver avec trois mécanismes de gouvernance de l’IA distincts plutôt qu’une couche transverse unique.

Les acteurs AI-native : les pionniers de la gateway IA

Une dernière catégorie est née directement avec les applications d’IA. Des acteurs comme LiteLLM, Helicone, OpenRouter ou Portkey ont construit leurs offres autour de besoins apparus avec les LLM : router les requêtes entre plusieurs modèles et fournisseurs, suivre la consommation, gérer les clés et les coûts ou observer les interactions des agents.

Portkey illustre toutefois la difficulté pour ces spécialistes de conserver leur indépendance lorsque le marché se structure. Racheté par Palo Alto Networks en mai 2026, l’éditeur montre comment les fonctions développées par les acteurs AI-native peuvent être progressivement intégrées à des plateformes plus larges de cybersécurité, d’API Management, de données ou de cloud.

Ce que révèle cette convergence

Le rapprochement de ces cinq familles d’acteurs montre que l’AI Gateway devient une couche stratégique de contrôle de l’IA. Mais cette convergence ne conduira pas forcément à une gateway unique : le marché pourrait plutôt voir coexister plusieurs briques capables de coopérer.

Pour les DSI, la question sera donc de savoir où placer le point de contrôle principal et comment faire interagir les autres briques avec lui. Faute de coordination, la multiplication des offres pourrait paradoxalement recréer une nouvelle fragmentation de la gouvernance de l’IA.

The post AI Gateway : la bataille pour le contrôle de l’IA appeared first on Silicon.fr.