Les agents d’IA créent de nouvelles voies d’attaque en cybersécurité

Le changement de couverture d’Engadget sur la cybersécurité reflète un conflit devenu plus difficile à écarter en 2026. Les systèmes d’IA contribuent désormais à trouver des vulnérabilités, à assembler des attaques et à exploiter des outils avec moins d’intervention humaine.

Le danger immédiat n’est pas un pirate-machine omniscient. C’est un agent capable d’inspecter des logiciels à répétition, de tester des faiblesses possibles et d’adapter son action suivante. Cette combinaison compresse un travail qui exigeait autrefois beaucoup de temps et une expertise spécialisée.

Cette évolution met les deux camps de la cybersécurité sous pression. Les attaquants peuvent automatiser une plus grande partie du processus d’intrusion, tandis que les défenseurs disposent d’outils plus rapides pour examiner le code et trouver des failles. La compétition porte désormais sur la capacité de chaque camp à valider les résultats et à agir le premier.

Engadget déplace l’attention de l’assistance par IA vers l’action par IA

Le changement important est que l’IA est passée du conseil aux opérateurs de sécurité à l’exécution de parties connectées de leur travail.

Les équipes de sécurité utilisent l’apprentissage automatique depuis des années. Les anciens systèmes classaient généralement les malwares, attribuaient un score aux alertes ou détectaient une activité réseau inhabituelle. Leurs résultats passaient toujours par un flux de travail contrôlé par un humain.

L’IA générative a élargi ce rôle. Un modèle pouvait expliquer du code suspect, rédiger un message d’hameçonnage ou suggérer des commandes pour tester un serveur. Toutefois, une personne devait normalement copier le résultat, exécuter la commande, examiner la réponse et choisir l’étape suivante.

Les agents d’IA réduisent ces interruptions. Un agent est un modèle connecté à des outils et autorisé à choisir des actions sur plusieurs étapes. Il peut lire un résultat, mettre à jour son plan et appeler un autre outil sans attendre une nouvelle invite humaine.

Cette distinction donne toute son urgence à l’avertissement en cybersécurité à l’origine de l’article d’Engadget. Le risque vient de l’action répétée, et non simplement de meilleures réponses dans une fenêtre de discussion.

Un agent compétent peut analyser une cible, interpréter une erreur, modifier une charge utile et documenter ce qui a fonctionné. Aucune de ces actions n’est entièrement nouvelle. C’est l’automatisation de leur coordination qui modifie la vitesse et le coût de l’ensemble du processus.

Anthropic a décrit cette transition après avoir enquêté sur une campagne de cyberespionnage détectée en septembre 2025. Selon l’entreprise, un acteur malveillant a utilisé Claude Code avec des outils de sécurité externes pour automatiser des portions substantielles de son opération.

L’entreprise a qualifié l’incident de première campagne de cyberespionnage rapportée comme étant largement orchestrée par l’IA. Cette description reste une évaluation de l’entreprise, et non une qualification universelle acceptée par tous les chercheurs en sécurité.

Anthropic a également reconnu une limite importante. Le modèle fabriquait parfois des identifiants ou affirmait avoir trouvé des informations qui étaient accessibles publiquement. Des opérateurs humains devaient toujours vérifier les résultats et réorienter le système.

Cette limite compte, car elle distingue le danger actuel de la spéculation. Les agents actuels peuvent commettre des erreurs coûteuses, perdre le contexte et mal interpréter des résultats. Pourtant, un agent peu fiable peut tout de même multiplier les tentatives d’un attaquant.

Le même principe façonne déjà la recherche légitime en sécurité. Un modèle n’a pas besoin d’un jugement parfait pour devenir utile. Il lui suffit de réduire suffisamment le travail répétitif pour permettre à un opérateur qualifié d’enquêter sur davantage de cibles.

Il en résulte un rythme opérationnel différent. Les équipes de sécurité doivent supposer que la reconnaissance, les tests de vulnérabilités et l’adaptation des exploits peuvent se dérouler à des intervalles plus rapprochés. Une fenêtre de divulgation qui offrait autrefois un peu de répit peut fortement se réduire.

C’est le premier sens réel du changement de conversation opéré par Engadget. L’IA ne produit plus seulement du texte malveillant. Elle commence à relier des décisions, des outils et des actions au sein d’un flux d’attaque.

L’impact de l’IA en cybersécurité frappe le plus durement les défenseurs lents

L’IA accroît la pression sur les organisations dont les processus de sécurité évoluent plus lentement que leurs logiciels et leurs attaquants.

Les organisations les plus exposées ne sont pas nécessairement celles qui exploitent les systèmes d’IA les plus avancés. Ce sont souvent celles qui disposent d’applications anciennes, d’inventaires incomplets, de correctifs retardés ou d’équipes de sécurité en sous-effectif.

Un attaquant n’a toujours eu besoin que d’une seule voie praticable. Un défenseur doit fermer toutes les voies importantes tout en maintenant les systèmes métiers disponibles. L’automatisation intensifie cette asymétrie en permettant aux attaquants de tester davantage de possibilités simultanément.

Des chercheurs de Georgia Tech estiment que l’IA exerce actuellement son effet le plus marqué lors des premières étapes d’une attaque. Ces étapes comprennent la recherche de faiblesses, l’étude des cibles et le développement de voies d’accès possibles à un système.

Cette évaluation remet en cause l’interprétation la plus spectaculaire du piratage par IA. La menace à court terme n’est pas nécessairement une machine inventant une catégorie d’attaque totalement inconnue. Il s’agit d’une exploration rapide de faiblesses que les défenseurs ont négligées.

L’IA peut lire de la documentation, comparer des versions logicielles, générer des scripts et interpréter les réponses d’outils d’analyse. Elle peut aussi combiner des détails qui paraissent inoffensifs lorsque les équipes de sécurité les examinent séparément.

Un serveur de test oublié devient plus dangereux lorsqu’un agent le relie à un identifiant exposé. Une bibliothèque obsolète devient plus préoccupante lorsque l’agent découvre un service accessible utilisant cette version exacte.

Cela crée un problème de priorisation. Les programmes traditionnels de gestion des vulnérabilités commencent souvent par des notes de gravité attribuées à des failles logicielles individuelles. Les attaquants s’intéressent davantage à la possibilité que plusieurs faiblesses modestes forment une voie exploitable.

Un agent peut rechercher ces combinaisons en continu. Il ne se fatigue pas en comparant des configurations, des identifiants, des accès réseau et des vulnérabilités publiées. Cette persistance peut exposer des voies d’attaque que les files de tickets ordinaires dissimulent.

La réponse imposée est autant organisationnelle que technique. Les équipes de sécurité doivent comprendre quels actifs comptent, qui peut y accéder et comment des faiblesses distinctes interagissent. Acheter un produit d’alerte supplémentaire ne corrige pas l’absence de responsabilités clairement définies.

La pression s’étend également aux mainteneurs de logiciels. Les chercheurs assistés par IA peuvent générer plus de rapports de vulnérabilités que les petits projets ne peuvent en valider. Les faux rapports consomment tout de même du temps, même lorsque le modèle sous-jacent agit de bonne foi.

Nature a indiqué que Mozilla avait utilisé un modèle de pointe pour aider à découvrir et corriger 271 vulnérabilités dans une version de Firefox. Ce travail de sécurité sur Firefox illustre le potentiel défensif de l’IA ainsi que sa capacité à accroître le volume de vérification.

Une découverte vérifiée peut améliorer un logiciel avant que les attaquants ne l’atteignent. Un afflux de découvertes incertaines peut au contraire submerger les mainteneurs et retarder les correctifs les plus importants. La validation humaine reste la ressource rare dans les deux cas.

Ce goulot d’étranglement explique pourquoi le changement d’accent d’Engadget importe au-delà des récits spectaculaires de piratage. L’IA modifie le nombre de découvertes plausibles que les organisations doivent évaluer, et pas seulement la sophistication d’une attaque.

Les entreprises dotées d’inventaires d’actifs matures et de processus rapides de déploiement des correctifs acquièrent un avantage défensif. Les organisations incapables d’identifier les responsables des systèmes auront des difficultés, même si leurs outils de détection utilisent des modèles performants.

Il s’agit principalement d’une pression de long terme aux conséquences immédiates. Les faiblesses sous-jacentes étaient souvent déjà présentes. L’IA réduit la période pendant laquelle les organisations peuvent les laisser sans résolution sans attirer l’attention.

Le véritable conflit oppose l’automatisation à la vérification

L’IA peut accélérer les attaques et les défenses, mais seule la vérification transforme une activité générée en travail de sécurité fiable.

C’est le compromis central. Les agents produisent des actions à la vitesse des machines, tandis que les décisions de sécurité dignes de confiance exigent toujours des preuves. Cet écart façonne à la fois le succès offensif et la surcharge défensive.

Les attaquants n’ont pas besoin que chaque exploit généré fonctionne. Ils peuvent écarter les tentatives échouées et poursuivre les tests. Les défenseurs ne peuvent pas traiter chaque avertissement généré comme un incident confirmé sans perturber les opérations normales.

Cette différence favorise l’expérimentation offensive. Un criminel peut demander à un modèle de réécrire un script après chaque échec. Le coût d’une tentative supplémentaire est souvent inférieur au coût, pour le défenseur, d’enquêter sur une alerte supplémentaire.

Toutefois, l’automatisation n’élimine pas l’expertise nécessaire aux intrusions sérieuses. Les modèles peuvent mal comprendre une cible, inventer des détails techniques ou compromettre un accès qu’un opérateur expérimenté aurait préservé.

Le récit d’Anthropic sur la campagne d’espionnage de 2025 illustre les deux aspects. Son enquête sur la campagne indique que l’acteur a utilisé Claude comme opérateur pour la reconnaissance, l’exploitation, la collecte d’identifiants et l’analyse de données.

Le rapport indique également que des humains ont sélectionné les cibles et sont intervenus à des points critiques. Anthropic a conclu que les hallucinations du système demeuraient un obstacle aux attaques entièrement autonomes.

Ces réserves ne doivent pas devenir des excuses à la complaisance. Un agent imparfait peut tout de même réaliser des centaines de tâches peu coûteuses avant qu’un humain n’examine les résultats les plus prometteurs.

La meilleure comparaison n’oppose pas l’IA à un pirate d’élite. Elle oppose un opérateur utilisant des outils conventionnels à un opérateur supervisant plusieurs flux de travail partiellement autonomes.

Le second opérateur peut enquêter sur davantage de cibles, répéter davantage de tests et conserver davantage de notes. L’agent peut également traduire du contenu technique ou adapter une technique connue à un environnement logiciel inconnu.

Les défenseurs bénéficient en théorie d’avantages équivalents. Ils peuvent déployer des agents pour examiner du code, reproduire des bogues signalés, vérifier des configurations ou rechercher dans les journaux après un incident.

En pratique, l’usage défensif fait face à des contraintes plus strictes. Une équipe de sécurité doit protéger la disponibilité de la production, les données clients et l’intégrité des preuves. Elle ne peut pas exécuter librement chaque commande générée par un modèle contre un environnement en production.

Le sandboxing devient donc essentiel. Un sandbox est un environnement isolé qui limite ce que du code ou un agent peut atteindre. Pourtant, l’isolation échoue lorsque les autorisations d’outils, les identifiants ou les itinéraires réseau restent trop étendus.

Le modèle de sécurité doit donc couvrir l’environnement opérationnel complet de l’agent. Protéger uniquement le modèle de langage laisse son navigateur, son shell de commande, ses connecteurs, ses identifiants stockés et ses documents récupérés exposés.

L’examen par le NIST des réponses concernant la sécurité des agents a constaté un large consensus sur le fait que les principes établis de cybersécurité restent pertinents. Son analyse de la sécurité des agents a également conclu que ces principes doivent être adaptés aux systèmes autonomes.

Le principe du moindre privilège reste utile, mais les autorisations d’un agent peuvent évoluer entre des outils connectés. La journalisation reste utile, mais un agent à grande vitesse peut créer plus d’événements que les équipes ne peuvent en examiner manuellement.

L’approbation humaine reste utile, mais des invites de confirmation dénuées de sens deviennent une autre source d’erreurs. Si une personne approuve des dizaines d’actions opaques, le contrôle n’existe que sur le papier.

La compétition pratique oppose donc l’automatisation à la vérification. Les attaquants bénéficient du fait qu’une expérimentation peu coûteuse produise un seul résultat concluant. Les défenseurs bénéficient du fait qu’une découverte automatisée mène à un correctif validé avant le début de l’exploitation.

Aucune de ces issues n’est garantie par le seul modèle. Les choix de déploiement déterminent si un agent d’IA devient un analyste utile, un générateur de bruit peu fiable ou un opérateur incontrôlé.

Les nouvelles voies d’attaque par IA ciblent l’agent lui-même

Les agents d’IA introduisent des vulnérabilités que les applications classiques n’exposaient pas, car les logiciels traitaient auparavant la plupart des textes récupérés uniquement comme des données.

L’injection de prompt en est l’exemple le plus clair. Une attaque par injection de prompt place des instructions dans un contenu lu par un modèle, dans l’espoir que celui-ci les traitera comme des commandes.

Un navigateur ordinaire affiche une phrase malveillante. Un agent d’IA pourrait interpréter cette même phrase, accéder à un autre outil et agir en conséquence. La vulnérabilité naît de la combinaison entre un contenu non fiable et un pouvoir de décision.

L’injection indirecte de prompt dissimule ces instructions dans des contenus externes. Elles peuvent apparaître dans une page web, un document, un e-mail, un ticket de support, un commentaire de code, une entrée de calendrier ou un résultat de recherche.

Un employé humain peut ne jamais remarquer l’instruction cachée. Un agent qui traite le contenu peut l’intégrer à son contexte de travail et la suivre à la place de la demande de l’utilisateur.

Les chercheurs en sécurité de Google ont identifié l’injection indirecte de prompt comme une préoccupation majeure pour les agents. Leur étude sur les injections web a examiné des pages publiques à la recherche de schémas conçus pour influencer les lecteurs d’IA.

Le danger augmente lorsqu’un agent peut envoyer des messages, récupérer des fichiers privés, mettre à jour des dossiers ou exécuter du code. Une injection réussie peut transformer un accès autorisé en action contrôlée par un attaquant.

Cela ne correspond pas exactement à une faille d’injection logicielle classique. Une base de données peut séparer les commandes des valeurs grâce à une syntaxe stricte et à la paramétrisation. Les modèles de langage naturel opèrent à travers des instructions et des contenus ambigus.

Les filtres peuvent détecter des formulations connues, mais les attaquants peuvent reformuler les instructions ou les répartir entre plusieurs sources. Un système risque aussi de bloquer du contenu légitime lorsqu’il considère tout texte inhabituel comme intrinsèquement malveillant.

Les frontières de permissions offrent une défense plus solide. Un outil de synthèse d’e-mails n’a généralement pas besoin d’être autorisé à exécuter des commandes shell. Un assistant de programmation ne devrait pas téléverser automatiquement des secrets simplement parce qu’un fichier du dépôt le demande.

Les développeurs doivent également suivre l’origine des informations entrant dans le contexte d’un agent. Un contenu récupéré sur le web public ne devrait pas recevoir le même niveau de confiance qu’une instruction directe provenant d’un utilisateur authentifié.

Les agents peuvent faire face à d’autres nouvelles voies d’attaque. Les descriptions d’outils peuvent être manipulées, la mémoire peut conserver des instructions hostiles et des connecteurs compromis peuvent renvoyer des résultats trompeurs.

Un attaquant peut aussi empoisonner les données qu’un agent utilise pour prendre des décisions. L’objectif n’est pas toujours l’exécution immédiate de code. Il peut suffire de modifier un rapport, de supprimer une alerte ou de rediriger un flux de paiement.

L’examen 2026 de l’OWASP décrit l’injection de prompt et les dépendances IA tierces comme des risques concrets pour les entreprises. Son analyse des exploits d’agents relie des incidents documentés à des catégories de sécurité émergentes.

Les équipes de sécurité devraient toutefois éviter de considérer chaque réponse inhabituelle d’un modèle comme une cyberattaque réussie. Les modèles peuvent échouer en raison de prompts ambigus, d’un contexte limité ou de bogues logiciels ordinaires.

Un incident crédible exige des preuves sur ce à quoi le système a accédé, l’action qu’il a tenté d’effectuer et l’éventuelle influence d’un attaquant sur cette action. Les démonstrations sensationnalistes omettent souvent l’un de ces éléments.

La question la plus utile n’est pas de savoir si un modèle a dit quelque chose d’alarmant. Elle est de déterminer si une entrée non fiable a franchi une frontière de confiance et provoqué une action aux conséquences réelles.

Ce test donne aux organisations une norme exploitable. Il montre aussi pourquoi les nouvelles vulnérabilités de l’IA méritent une attention ciblée sans pour autant remplacer les fondamentaux établis de la cybersécurité.

La découverte de vulnérabilités par l’IA aide à la fois les attaquants et les mainteneurs

La même capacité qui permet à l’IA de trouver des failles négligées peut renforcer les défenses, à condition que les mainteneurs reçoivent des conclusions validées et des correctifs exploitables.

La découverte de vulnérabilités assistée par l’IA s’opère sur un vaste espace de recherche. Un modèle peut inspecter le code source, raisonner sur le comportement d’un programme et choisir des outils tels que des débogueurs ou des fuzzers.

Un fuzzer injecte des entrées inhabituelles dans un logiciel afin de déclencher des plantages ou des comportements inattendus. Le fuzzing traditionnel dépend souvent de harnais de test conçus par des humains et d’un temps de calcul important.

Un modèle peut aider à interpréter les plantages et à les relier au code pertinent. Il peut également proposer de nouveaux tests à partir de ce que les tentatives précédentes ont révélé.

Anthropic a indiqué que Claude Opus 4.6 avait trouvé des vulnérabilités dans des logiciels open source largement utilisés lors de recherches contrôlées. L’entreprise affirme avoir validé chaque problème signalé afin de ne pas encombrer les mainteneurs avec des bogues hallucinés.

Ses recherches sur les zero-days illustrent à la fois la promesse défensive et le défi de la divulgation. Un zero-day est une vulnérabilité inconnue du mainteneur responsable au moment où quelqu’un la découvre ou l’exploite.

Ces découvertes sont précieuses lorsque les chercheurs coordonnent leur divulgation et laissent aux mainteneurs le temps d’appliquer des correctifs. Elles deviennent dangereuses lorsque les détails d’exploitation parviennent aux attaquants avant que les utilisateurs puissent mettre à jour les systèmes concernés.

L’IA raccourcit les deux délais. Elle peut aider un mainteneur à comprendre un rapport plus rapidement, mais aussi aider un attaquant à analyser un correctif public et à reconstituer la faiblesse d’origine.

Ce processus, souvent appelé analyse différentielle de correctifs, compare des versions logicielles pour localiser le code corrigé. Un agent peut ensuite vérifier si des versions plus anciennes et exposées restent vulnérables.

Les organisations doivent donc réduire le délai entre la réception d’une vulnérabilité et sa correction. Un rapport qui reste sans attribution dans une file d’attente devient plus dangereux lorsque les attaquants peuvent automatiser l’analyse des correctifs.

La réponse n’est pas de dissimuler chaque mise à jour de sécurité. Les utilisateurs ont besoin de suffisamment d’informations pour évaluer leur exposition et appliquer les correctifs. Les chercheurs ont également besoin d’incitations et de canaux sûrs pour signaler les problèmes.

L’amélioration la plus réaliste est une automatisation coordonnée. Les agents peuvent reproduire les découvertes dans des environnements isolés, identifier les actifs affectés, proposer des correctifs et préparer des tests. Les humains peuvent ensuite approuver les changements sur la base de meilleures preuves.

Les mainteneurs devraient rejeter l’idée que chaque rapport généré par l’IA mérite le même degré d’urgence. Les rapports doivent fournir des étapes reproductibles, les versions affectées, l’impact technique et des preuves que le comportement franchit une frontière de sécurité.

Les équipes de sécurité ont également besoin de déduplication. Plusieurs agents peuvent signaler indépendamment la même cause racine en employant des formulations différentes. Sans regroupement, l’automatisation peut faire paraître une seule faille comme des dizaines d’urgences distinctes.

Cette couche de vérification est celle où les défenseurs peuvent reprendre l’avantage. Les attaquants tolèrent le bruit parce qu’ils cherchent une seule ouverture. Les défenseurs peuvent utiliser des preuves structurées pour transformer une découverte à grande échelle en correctifs priorisés.

Les avantages ne se limitent pas aux grandes entreprises technologiques. Les petites équipes peuvent utiliser l’IA pour examiner du code inconnu ou rédiger des tests, même si elles ont toujours besoin de configurations sécurisées et d’une revue qualifiée.

Les organisations devraient aussi préserver les connaissances institutionnelles relatives aux incidents et aux correctifs. Une base de connaissances d’ingénierie consultable peut aider les équipes à relier de nouvelles découvertes à des décisions antérieures et à des systèmes affectés.

Ce lien est important sur le plan opérationnel. Un agent peut proposer rapidement un correctif, mais les équipes doivent toujours savoir pourquoi le code existe, quels clients en dépendent et quelles modifications antérieures ont provoqué des problèmes.

La découverte de vulnérabilités par l’IA ne favorise donc pas automatiquement l’offensive. Elle avantage le camp qui combine automatisation, accès, validation et exécution plus rapide.

Ce que les prochains tests de cybersécurité devront démontrer

La prochaine phase sera évaluée à travers des incidents vérifiés, des défaillances de permissions d’agents et la capacité des défenseurs à corriger les failles à une vitesse comparable.

Le premier signal à surveiller est la documentation indépendante d’intrusions orchestrées par l’IA. Les rapports de menace d’entreprise apportent des éléments précieux, mais les fournisseurs ont aussi intérêt à souligner l’importance de leurs modèles.

Une confirmation plus solide inclurait des indicateurs partagés, les secteurs touchés, des chronologies d’attaque et les conclusions de plusieurs équipes de réponse aux incidents. Les détails sensibles peuvent rester protégés tout en permettant aux enquêteurs d’établir le rôle de l’IA.

Si des rapports indépendants montrent que des agents réalisent des chaînes d’attaque plus longues avec moins de corrections humaines, l’argument de l’automatisation se renforcera. Si les preuves continuent de montrer une intervention constante des opérateurs, les affirmations d’autonomie devront être nuancées.

Le deuxième signal concerne le traitement de l’injection indirecte de prompt dans les agents déployés. Les démonstrations de recherche montrent déjà un mécanisme crédible. La question ouverte est de savoir à quelle fréquence elle produit des actions conséquentes dans des systèmes d’entreprise ordinaires.

Surveillez les incidents impliquant des agents d’e-mail, des assistants de programmation, des agents de navigation et des outils de productivité connectés. Les rapports devraient expliquer les permissions concernées et indiquer si le système a franchi une frontière de confiance définie.

Une hausse des cas vérifiés montrerait que l’IA a créé une surface d’attaque opérationnelle distincte. L’absence de préjudice documenté n’éliminerait pas le risque, mais affaiblirait les affirmations selon lesquelles une exploitation généralisée est déjà en cours.

Le troisième signal est la vitesse de correction. La découverte assistée par l’IA compte surtout lorsqu’elle modifie la course entre la détection d’une faille et la protection des systèmes exposés.

Les preuves utiles incluront des délais de validation plus courts, un déploiement plus rapide des correctifs et moins de vulnérabilités sans attribution. Le nombre brut de bogues découverts par l’IA révélera peu de choses si les mainteneurs ne peuvent pas les traiter.

Les défenseurs devraient commencer à se préparer sans attendre des métriques parfaites. Ils peuvent inventorier les permissions des agents, séparer les instructions fiables du contenu récupéré et exiger une approbation pour les actions irréversibles.

Ils devraient journaliser les appels d’outils avec suffisamment de détails pour reconstituer les décisions. Les journaux doivent enregistrer la source de l’entrée, l’action demandée, les permissions disponibles et le résultat effectif.

Les tests de sécurité doivent également inclure des contenus hostiles dans des flux de travail normaux. Évaluer un modèle uniquement avec des prompts de jailbreak directs manque les attaques dissimulées dans des fichiers, des sites web et des messages.

Les organisations devraient imposer des limites aux mouvements de données. Un agent qui lit des documents confidentiels ne devrait pas obtenir une communication sortante sans restriction simplement parce que les deux capacités semblent utiles séparément.

Les contrôles traditionnels supportent toujours l’essentiel de la charge défensive. L’authentification multifacteur, l’application rapide des correctifs, les réseaux segmentés, les identifiants protégés et les plans de reprise testés restent essentiels.

L’IA ne rend pas ces pratiques obsolètes. Elle pénalise les organisations qui les ont appliquées de manière incohérente, car les attaquants automatisés peuvent trouver les exceptions plus vite.

L’évolution de la conversation sur la cybersécurité par Engadget porte donc moins sur le remplacement des hackers par des machines que sur la manière dont les machines modifient l’économie du piratage. Davantage de tentatives peuvent survenir plus tôt, avec moins de pauses entre la découverte et l’action.

L’opportunité défensive suit la même logique. Les équipes de sécurité peuvent utiliser des agents pour enquêter sur du code, valider des rapports et préparer des correctifs avant qu’un attaquant ne transforme une faiblesse en intrusion.

La question décisive est de savoir si les organisations accorderont aux agents une large autorité avant d’établir une vérification efficace. Les lecteurs devraient se demander à quoi chaque agent peut accéder, ce qu’il peut modifier et qui examine ses actions.

Cette réflexion devrait avoir lieu maintenant, et non après l’apparition du premier appel d’outil inexpliqué dans un rapport d’incident. L’IA accélère la cybersécurité, mais la vitesse sans frontières profite au camp prêt à accepter le plus de risques.