Des hackers soutenus par des États utilisent l’IA tout au long de la chaîne d’attaque

Google a documenté l’utilisation de Gemini par des hackers soutenus par des États à presque chaque étape d’une attaque, malgré des preuves limitées de campagnes entièrement autonomes.

Cette conclusion modifie le débat sur la sécurité. Le danger immédiat n’est pas un hacker IA indépendant opérant sans supervision. C’est un opérateur humain capable de rechercher des cibles, d’écrire des scripts, de résoudre des problèmes de malware et de créer des identités convaincantes plus rapidement.

Cet article d’actualité Google s’appuie sur des recherches du Google Threat Intelligence Group, ou GTIG. Le groupe analyse les activités malveillantes à l’aide de données de réponse aux incidents, de recherches sur les menaces et d’une visibilité sur les tentatives d’utilisation abusive de Gemini.

Google a identifié des activités liées à la Chine, à la Corée du Nord, à l’Iran et à la Russie. Ces acteurs ont utilisé l’IA pour la reconnaissance, la recherche de vulnérabilités, le codage, l’ingénierie sociale et les opérations d’information.

Toutefois, Google n’a pas indiqué qu’un groupe soutenu par un État avait automatisé une intrusion complète via Gemini. Les opérateurs humains sélectionnaient toujours les cibles, géraient les accès et prenaient les décisions opérationnelles importantes.

Cette distinction constitue la tension centrale de l’article. L’IA se répand déjà dans toute la chaîne d’attaque, mais son adoption généralisée ne signifie pas une autonomie complète.

Cette évolution accentue néanmoins la pression sur les défenseurs. Les équipes de sécurité doivent reconnaître des attaques familières qui peuvent désormais évoluer plus vite, changer plus souvent et paraître plus convaincantes.

Les actualités Google révèlent l’IA à chaque étape du cycle d’intrusion

Le changement important est le passage de l’IA d’expériences isolées à des tâches reproductibles dans l’ensemble du cycle d’intrusion.

Google a publié son évaluation détaillée des menaces liées à l’IA en février 2026. L’entreprise a déclaré avoir observé des adversaires intégrer progressivement l’IA dans leurs opérations pendant plusieurs années.

Cette intégration couvre désormais de nombreuses phases d’une intrusion. Avant une attaque, les opérateurs utilisent des modèles pour étudier les organisations, les employés, les technologies et les vulnérabilités connues publiquement.

Pendant une opération, ils peuvent demander du code, déboguer des scripts, traduire des messages ou élaborer de nouvelles approches d’ingénierie sociale. Après avoir obtenu un accès, ils peuvent solliciter de l’aide pour des commandes, le traitement de données ou des outils supplémentaires.

Les conclusions de Google sur les menaces liées à l’IA ont identifié cinq grandes catégories d’activités malveillantes. Elles comprenaient l’extraction de modèles, les opérations assistées par l’IA, l’expérimentation agentique, les malwares intégrant l’IA et les services clandestins de jailbreak.

L’extraction de modèles repose sur des interactions répétées pour transférer des comportements utiles d’un modèle performant vers un autre système. Le modèle lui-même devient ainsi une cible de renseignement et de propriété intellectuelle.

Les opérations assistées par l’IA étaient plus immédiatement pertinentes pour les défenseurs en entreprise. Google a observé des attaquants soutenus par des gouvernements utiliser Gemini pour le codage, l’écriture de scripts, la recherche de cibles, l’analyse de vulnérabilités et l’assistance après compromission.

L’IA agentique désigne des systèmes capables de planifier des étapes, d’utiliser des outils et d’ajuster leurs actions vers un objectif. Google a vu des attaquants expérimenter ces capacités pour la reconnaissance et le développement logiciel.

Les malwares intégrant l’IA vont un cran plus loin. Au lieu d’utiliser un chatbot avant le déploiement, le programme malveillant communique avec un modèle pendant son exécution.

Google a cité HONESTCUE, une famille expérimentale de malwares utilisant l’interface de programmation d’applications Gemini. Le malware cherchait à générer du code permettant de télécharger et d’exécuter un autre composant malveillant.

Cela ne signifie pas que HONESTCUE fonctionnait comme un agent numérique autonome. Il démontre que les attaquants explorent comment un modèle peut devenir une partie de la logique opérationnelle d’un malware.

La différence est importante, car un script hors ligne se comporte de manière prévisible après son déploiement. Un malware connecté à un modèle peut demander de nouvelles instructions ou générer des réponses selon son environnement.

Cette flexibilité offre davantage d’options aux attaquants. Elle introduit aussi des dépendances, notamment l’accès à Internet, des comptes utilisables, des prompts fiables et des réponses qui ne compromettent pas l’opération.

Google a indiqué désactiver les projets et les comptes associés à des activités malveillantes détectées. L’application des règles par les fournisseurs constitue donc un autre obstacle pour les attaquants utilisant des modèles commerciaux.

Les services clandestins tentent de contourner ces contrôles. Certains affirment proposer des systèmes sans restrictions tout en s’appuyant, selon les informations disponibles, sur des interfaces commerciales jailbreakées ou des composants open source.

L’écosystème qui en résulte ressemble à un marché de l’accès. Les attaquants n’ont pas besoin d’entraîner un modèle de pointe lorsqu’ils peuvent obtenir un accès temporaire, déguisé ou volé.

Cette intégration étendue explique l’importance du titre. L’IA ne se limite plus à de meilleurs messages de phishing ou à des échantillons expérimentaux de malware.

Elle est devenue un assistant généraliste capable de soutenir de nombreux points d’une campagne. Chaque usage peut faire gagner du temps, réduire les barrières linguistiques ou étendre les capacités techniques d’un opérateur.

Les groupes soutenus par des États appliquent l’IA à des problèmes différents

L’adoption par les États est inégale, car chaque groupe applique l’IA à ses missions, ressources et habitudes opérationnelles existantes.

Google a lié des tentatives d’utilisation abusive de Gemini à des acteurs associés à plusieurs gouvernements. Les schémas observés reflétaient des priorités nationales familières plutôt qu’un guide commun d’utilisation de l’IA.

Certains opérateurs nord-coréens ont utilisé l’IA pour étudier les postes, les rémunérations et les employés d’entreprises de cybersécurité ou de défense. Ces informations peuvent soutenir des stratagèmes de recrutement frauduleux et d’accès interne.

Un autre groupe nord-coréen aurait consulté Gemini plusieurs jours par semaine. Ses opérateurs cherchaient une assistance technique, une aide au dépannage et de l’aide pour générer du code de malware lorsque leur travail se bloquait.

Ces exemples montrent que l’IA abaisse les barrières pratiques. Un opérateur peut obtenir des explications rapides sans attendre un spécialiste ni parcourir de nombreuses sources techniques.

Les campagnes nord-coréennes combinent déjà des motivations financières, l’espionnage et la fraude à l’emploi. Les personas générés par l’IA et les images modifiées peuvent renforcer ces opérations sans en modifier l’objectif fondamental.

Palo Alto Networks a documenté des comptes soupçonnés d’être nord-coréens utilisant des outils d’image pour créer des identités frauduleuses. Ses recherches de réponse aux incidents décrivaient également des entreprises fabriquées de toutes pièces soutenues par des profils synthétiques ou réutilisés.

Les acteurs liés à l’Iran ont utilisé l’IA différemment. Google a indiqué qu’un groupe avait considérablement étendu sa reconnaissance contre les victimes visées.

La reconnaissance consiste à collecter des informations avant une intrusion. Elle peut inclure la cartographie des employés, systèmes, fournisseurs, technologies et services exposés d’une organisation.

Des recherches plus rapides aident un attaquant à personnaliser un leurre ou à identifier une voie d’accès prometteuse. Elles peuvent aussi relier des informations publiques dispersées qu’un humain pourrait autrement négliger.

Google a observé le groupe lié à la Chine APT31 expérimenter des capacités agentiques afin d’automatiser la reconnaissance et d’opérer à plus grande échelle. Le groupe n’a pas confié une campagne entière à un modèle.

Au contraire, l’activité signalée a placé l’automatisation autour d’une tâche définie. Cette approche est plus pratique, car la reconnaissance comporte généralement moins de risques opérationnels que l’exploitation ou le mouvement latéral.

Un résultat de recherche incorrect fait perdre du temps. Une commande incorrecte au sein du réseau d’une victime peut exposer l’opérateur, faire tomber un système ou détruire un accès précieux.

La Russie, la Chine, l’Iran et la Corée du Nord ont également utilisé Gemini pour des opérations d’information, selon Google. Les tâches comprenaient la génération d’articles, de personas et d’autres actifs de campagne.

Les opérations d’information visent à façonner les perceptions plutôt qu’à compromettre directement un ordinateur. Les modèles génératifs sont bien adaptés à la production de variations de textes et d’images avec un faible effort marginal.

Cependant, le volume de production ne garantit pas l’influence. Une campagne nécessite toujours une diffusion, des comptes crédibles, un ciblage d’audience et des récits qui trouvent un écho auprès de communautés réelles.

Les conclusions de Google décrivent donc une augmentation des capacités, et non une sophistication uniforme. Une équipe d’espionnage bien financée et une opération de faux travailleurs peuvent utiliser le même modèle à des fins différentes.

L’avantage commun est la commodité. Les modèles réunissent traduction, recherche, assistance au codage et génération de contenu dans une seule interface.

Cette commodité réduit les frictions entre les étapes d’une attaque. Elle n’efface pas l’expertise nécessaire pour choisir des cibles, préserver les accès et éviter la détection.

Le véritable affrontement oppose l’orientation humaine à l’automatisation par l’IA

Le conflit déterminant n’est pas l’IA des attaquants contre l’IA des défenseurs, mais les opérations dirigées par des humains contre des flux de travail de plus en plus autonomes.

Les éléments de preuve de Google montrent que les modèles influencent presque chaque étape d’une intrusion. Ils ne montrent pas que les groupes étatiques délèguent régulièrement des intrusions complètes à des systèmes autonomes.

John Hultquist, analyste en chef de GTIG, a déclaré à des médias spécialisés en cybersécurité que les pays déterminaient encore où l’IA apportait davantage de bénéfices que de frictions.

Cette incertitude explique pourquoi l’adoption semble spécifique à certaines tâches. Les attaquants privilégient les travaux répétitifs, consultables, fortement liés aux langues ou faciles à vérifier.

La reconnaissance correspond à ce profil. Il en va de même pour les explications de code, la génération de scripts, les synthèses de vulnérabilités, la traduction et la production de contenu d’ingénierie sociale.

Les actions à haut risque posent un problème plus difficile. L’exploitation, la persistance, l’utilisation d’identifiants et le mouvement latéral dépendent d’un contexte précis provenant d’un environnement changeant.

Un modèle peut produire une commande plausible mais techniquement incorrecte. Il peut mal comprendre un réseau, choisir une technique bruyante ou exposer son contrôleur.

Les groupes d’espionnage soutenus par des États accordent de l’importance à la discrétion, car un point d’appui durable peut rester utile pendant des mois. Une automatisation plus rapide apporte peu si elle révèle immédiatement une opération.

Les groupes cybercriminels peuvent accepter ce compromis plus facilement. Ils privilégient souvent le volume, la rapidité et les gains à court terme auprès de nombreuses victimes potentielles.

Cette différence suggère que les effets de l’IA ne se manifesteront pas de manière uniforme. De petites opérations criminelles peuvent acquérir des capacités qui exigeaient auparavant du personnel spécialisé.

Les groupes étatiques d’élite peuvent utiliser les mêmes outils pour supprimer les tâches routinières. Toutefois, leurs opérateurs expérimentés peuvent rester prudents face à l’exécution autonome.

Les deux voies opposées sont donc claires. L’augmentation dirigée par des humains offre contrôle et risque opérationnel réduit, tandis que l’autonomie offre échelle et rapidité.

La plupart des éléments publics favorisent encore l’augmentation. Les humains définissent les objectifs, vérifient les résultats et décident quand agir.

Toutefois, la frontière évolue. Les malwares intégrant l’IA et la reconnaissance agentique permettent aux modèles d’accomplir davantage qu’un travail consultatif.

HONESTCUE illustre cette transition. Le malware a intégré l’accès à un modèle dans sa chaîne d’exécution, même si l’opération plus large dépendait toujours d’une infrastructure conventionnelle d’attaquants.

Les recherches de Google de mai 2026 ont apporté des preuves plus solides. GTIG a identifié ce qu’il pensait être le premier acteur de menace utilisant un exploit zero-day développé par l’IA.

Un zero-day est une vulnérabilité inconnue du fournisseur concerné lorsque les attaquants se préparent à l’exploiter. Les défenseurs ne disposent alors d’aucun correctif.

Google a indiqué que le groupe criminel avait l’intention d’utiliser la faille dans le cadre d’une exploitation massive. L’entreprise a averti l’organisation concernée et les forces de l’ordre, arrêtant potentiellement la campagne prévue.

Le produit concerné et les acteurs malveillants n’ont pas été nommés publiquement. Cela limite l’évaluation indépendante de l’exploit et de son processus de développement.

Pourtant, ce cas rapproche l’IA d’une phase d’attaque décisive. La découverte de vulnérabilités et la création d’exploits ont traditionnellement exigé des connaissances spécialisées et d’importants efforts de test.

Google a ensuite décrit une évolution plus large vers l’utilisation de l’IA à l’échelle industrielle dans les flux de travail adverses. Son suivi des menaces de mai couvrait la génération d’exploits, l’évasion, les malwares autonomes, les opérations d’influence et les attaques contre les dépendances d’IA.

Cette progression n’établit pas l’existence d’une chaîne d’attaque entièrement autonome. Elle montre que des composants distincts assistés par l’IA deviennent plus performants et plus pertinents sur le plan opérationnel.

La question centrale est de savoir à quelle vitesse les attaquants peuvent les relier. Un agent de reconnaissance, un générateur d’exploits et un composant de malware adaptatif deviennent plus dangereux lorsqu’ils sont coordonnés de manière fiable.

Pour l’instant, le jugement humain reste le lien entre ces éléments. Les défenseurs ne devraient pas supposer que cette limitation restera immuable.

L’IA compresse le temps sans remplacer les techniques établies

L’avantage le plus crédible de l’IA à court terme réside dans la réduction du temps d’exécution, et non dans une classe entièrement nouvelle de cyberattaque.

Les campagnes observées reposent toujours sur des méthodes reconnaissables. Les attaquants utilisent des identités volées, des liens malveillants, des logiciels vulnérables, des outils de gestion à distance et des infrastructures compromises.

L’IA facilite ces techniques en réduisant le travail nécessaire entre les étapes. Elle peut rédiger un leurre, réviser du code, interpréter une erreur ou résumer la pile technologique d’une cible.

Cette accélération compte, car la cybersécurité est déjà une course. Les défenseurs ont besoin de temps pour détecter une intrusion, en évaluer l’ampleur et contenir l’attaquant.

Le rapport sur les menaces 2026 de CrowdStrike indique que l’activité adverse activée par l’IA a augmenté de 89 % sur un an. Il a également fait état d’un temps moyen de propagation de 29 minutes.

Le temps de propagation mesure la période entre l’accès initial et le déplacement latéral vers d’autres systèmes. Un intervalle plus court laisse aux défenseurs moins de temps pour isoler le premier compte ou appareil compromis.

CrowdStrike a suivi plus de 280 adversaires identifiés pour ce rapport. L’entreprise a décrit des usages de l’IA dans la reconnaissance, le vol d’identifiants, l’évasion, les activités de malware et les fausses identités.

L’entreprise a associé FANCY BEAR, lié à la Russie, à LAMEHUG. Ce malware aurait utilisé un grand modèle de langage pour générer des commandes de reconnaissance et de collecte de documents.

Palo Alto Networks a également constaté que les preuves d’une adoption à grande échelle de l’IA par des États restaient limitées. L’entreprise a qualifié 2025 de période précoce d’expérimentation opérationnelle.

Ces constats ne sont pas contradictoires. L’usage de l’IA peut augmenter fortement à partir d’une base faible tout en restant inégal dans l’ensemble du paysage des menaces.

Les éléments disponibles étayent une conclusion mesurée. L’IA rend les tâches existantes plus rapides et plus accessibles avant de créer systématiquement des capacités indisponibles pour des opérateurs qualifiés.

Cette distinction devrait orienter les dépenses de sécurité. Acheter un produit défensif estampillé IA ne corrige pas des contrôles d’identité faibles, des systèmes non corrigés ou des autorisations excessives.

Les organisations ont toujours besoin d’une télémétrie fiable sur les terminaux, les systèmes cloud, les pipelines logiciels et les services d’identité. Les attaques assistées par l’IA restent visibles à travers les actions qu’elles exécutent.

Un message d’hameçonnage généré doit toujours être distribué. Des identifiants volés produisent toujours des événements d’authentification. Les malwares créent toujours des processus, accèdent à des fichiers ou communiquent sur un réseau.

Les défenseurs doivent toutefois s’attendre à davantage de variations. Les attaquants peuvent réécrire des scripts, personnaliser des messages et modifier des contenus leurres sans supporter le même coût manuel.

Les indicateurs statiques perdent donc plus rapidement de leur valeur. Un hash ou un motif textuel exact peut identifier un artefact tout en manquant de nombreuses variantes générées.

La détection comportementale devient plus importante. Elle recherche des actions et des séquences suspectes plutôt que de s’appuyer uniquement sur l’apparence d’un artefact.

Les équipes de sécurité ont également besoin d’un triage plus rapide. Si l’IA aide les attaquants à réduire l’intervalle entre recherche, accès et déplacement, l’examen lent des alertes devient une faiblesse opérationnelle plus importante.

Google applique les mêmes technologies à la défense. L’entreprise a décrit Big Sleep pour la découverte de vulnérabilités et CodeMender pour la correction automatisée de code.

Cela crée une course asymétrique. Les attaquants n’ont besoin que d’une voie exploitable, tandis que les défenseurs doivent protéger de nombreux systèmes et gérer les faux positifs.

Les défenseurs disposent de leur propre avantage. Ils contrôlent les identités d’entreprise, les configurations, les journaux et les points d’application lorsque ces systèmes sont correctement gérés.

L’issue dépendra moins de qui possède l’IA que de qui relie l’automatisation à un contexte, des autorisations et une vérification de meilleure qualité.

Les éléments disponibles présentent toujours d’importantes limites

L’usage généralisé de l’IA est bien étayé, mais les affirmations concernant un piratage étatique entièrement autonome dépassent encore les preuves publiques.

Google bénéficie d’une visibilité inhabituelle sur les abus de Gemini. L’entreprise peut observer les requêtes, les comptes associés et des schémas que les défenseurs en entreprise ne peuvent pas voir.

Cette visibilité produit des renseignements précieux. Elle signifie également que les conclusions publiques reflètent les services et les capacités de détection d’un seul fournisseur.

Les attaquants peuvent utiliser d’autres modèles commerciaux, des systèmes hébergés localement, des comptes volés ou une infrastructure sur mesure. Le jeu de données de Google ne peut pas représenter tous les flux de travail adverses impliquant l’IA.

La limitation inverse s’applique également. Observer une requête malveillante ne prouve pas qu’un opérateur a utilisé la réponse avec succès dans le cadre d’une intrusion réelle.

Les chercheurs spécialisés dans les menaces renforcent leurs évaluations en reliant l’activité des modèles à des acteurs connus, des infrastructures, des malwares ou des éléments issus d’incidents. Les rapports publics divulguent rarement tous les détails étayant leurs conclusions.

Les fournisseurs doivent protéger les enquêtes, les clients et les méthodes de détection. Cette confidentialité nécessaire empêche les observateurs externes de reproduire certaines conclusions.

La recherche de février comportait également une contrainte explicite. Google n’avait pas observé de groupes étatiques utilisant Gemini pour automatiser une grande partie d’une cyberattaque.

Cette conclusion empêche une interprétation facile mais trompeuse. Une couverture de l’ensemble de la chaîne d’attaque n’est pas la même chose qu’une chaîne d’attaque unique, continue et automatisée.

Un groupe peut utiliser l’IA pour la recherche le lundi, le codage le mardi et la traduction le mercredi. Des opérateurs humains peuvent toujours relier chaque action.

Les systèmes autonomes rencontrent des problèmes de fiabilité qui deviennent coûteux lors des intrusions. Les modèles peuvent halluciner des faits, mal gérer les identifiants, répéter des actions ou mal interpréter la sortie d’outils.

Ils peuvent aussi créer des schémas reconnaissables. Un balayage excessif, des requêtes répétitives ou une exécution rapide de commandes peuvent rendre une campagne plus facile à détecter.

Les opérateurs étatiques doivent prendre en compte l’attribution. Un système automatisé au comportement imprévisible peut exposer une infrastructure, révéler des objectifs ou entraîner des conséquences politiques.

Les contrôles des modèles commerciaux ajoutent une autre contrainte. Les fournisseurs peuvent identifier les abus, désactiver des comptes, modifier les garde-fous et partager des indicateurs avec les défenseurs.

Les attaquants réagissent par le jailbreaking, la rotation des comptes, des middlewares et des modèles open source. Chaque contournement crée une infrastructure supplémentaire que les défenseurs peuvent examiner.

Le cas du zero-day mérite également de la prudence. Google a indiqué que certaines caractéristiques du code suggéraient une implication de l’IA, notamment des commentaires inhabituellement explicatifs et des schémas associés au Python généré.

Ces signaux étayent une évaluation, mais ne constituent pas un test infaillible. Les humains peuvent écrire un code similaire et le code généré peut être modifié.

Google a partagé des informations limitées sur l’acteur, la cible et le logiciel concerné. Les chercheurs indépendants ne peuvent donc pas examiner entièrement les éléments disponibles.

Le cas de zero-day rapporté reste important, car Google a associé l’assistance de l’IA à une tentative planifiée d’exploitation massive.

Il ne faut pas l’étendre pour en faire la preuve que les modèles peuvent découvrir, transformer en arme et déployer indépendamment des vulnérabilités inconnues contre des cibles arbitraires.

Les métriques des fournisseurs exigent une prudence similaire. L’augmentation de 89 % de CrowdStrike reflète ses définitions, les clients observés et l’activité suivie.

Cela ne signifie pas que 89 % de toutes les attaques utilisent l’IA. Cela n’établit pas non plus que l’IA a causé chaque augmentation de vitesse ou d’échelle.

Les responsables de la sécurité devraient distinguer trois affirmations. Les attaquants utilisent largement l’IA, certaines techniques assistées par l’IA fonctionnent dans des opérations réelles, et des campagnes autonomes peuvent remplacer des équipes d’experts.

Les preuves étayent fortement la première affirmation. Elles soutiennent de plus en plus la deuxième. La troisième reste non démontrée à grande échelle opérationnelle.

Cette hiérarchie permet de maintenir la planification défensive ancrée dans la réalité. Les organisations devraient répondre à l’accélération démontrée tout en se préparant à une plus grande autonomie, sans prétendre qu’elle est déjà présente partout.

Ce que les équipes de sécurité devraient surveiller ensuite

La prochaine phase sera définie par le développement d’exploits vérifié, les malwares adaptatifs et des réductions mesurables du temps d’opération des attaquants.

Le premier signal serait un autre zero-day assisté par l’IA, documenté de manière indépendante. Sa répétition montrerait que le cas de mai n’était pas un événement isolé.

Les chercheurs devraient rechercher des éléments reliant l’interaction avec un modèle à la découverte de vulnérabilités, à la construction d’exploits, aux tests et au déploiement opérationnel.

Des artefacts techniques clairs renforceraient l’évaluation. Une analyse reproductible importe davantage que de larges affirmations selon lesquelles le code semble simplement généré par une machine.

Plusieurs cas confirmés accroîtraient la pression sur les éditeurs de logiciels. Ils auraient besoin de cycles de correctifs plus courts, d’une meilleure détection des exploits et d’une revue automatisée du code exposé.

L’absence de nouveaux cas ne prouverait pas que le risque a disparu. Elle suggérerait que le développement fiable de zero-days reste difficile ou peu observable.

Le deuxième signal est un malware qui s’adapte au cours d’une intrusion réelle. PROMPTSPY, HONESTCUE et LAMEHUG indiquent une exécution connectée à des modèles, mais l’autonomie existe sur un spectre.

Le test important consiste à déterminer si le malware interprète l’état du système et choisit des actions efficaces sans guidage constant de l’opérateur.

Les défenseurs devraient surveiller les programmes qui génèrent des commandes, modifient les priorités de collecte ou sélectionnent des méthodes d’évasion selon les conditions locales.

Un comportement adaptatif réussi renforcerait l’argument en faveur de l’autonomie. Des échecs opérationnels répétés justifieraient le maintien d’une supervision humaine.

Ce signal a également des conséquences pour les contrôles réseau. Les organisations pourraient devoir distinguer l’accès légitime à un modèle des applications compromises appelant des systèmes externes ou hébergés localement.

Le troisième signal est une baisse mesurable des temps de présence et de propagation des attaquants, liée à des flux de travail assistés par l’IA.

Des déplacements plus rapides montreraient que l’automatisation améliore l’exécution des campagnes, plutôt que la seule production de contenu ou la recherche.

Les fournisseurs de sécurité devraient expliquer leurs méthodes de mesure. Ils devraient distinguer l’activité criminelle des opérations soutenues par des États et préciser où l’IA a influencé la chronologie.

Si les groupes étatiques préservent leur discrétion tout en accélérant leurs opérations, les défenseurs seront confrontés au scénario le plus difficile. Ils perdraient du temps de réponse sans obtenir de signaux de détection évidents.

Si l’automatisation génère un comportement bruyant, l’IA défensive pourrait compenser certains avantages de vitesse. La corrélation et le confinement automatisés peuvent agir avant qu’un analyste humain ne termine une enquête.

Les organisations n’ont pas besoin d’attendre ces signaux avant d’agir. Elles peuvent réduire leur exposition en renforçant les identités, en limitant les autorisations des comptes de service et en surveillant les accès inhabituels aux modèles.

Elles devraient consigner les interactions avec l’IA dans les flux de travail sensibles d’ingénierie et de sécurité. Les identifiants des modèles méritent la même protection que les autres secrets d’applications privilégiés.

Les équipes logicielles devraient examiner les connecteurs et dépendances d’IA tiers. Google a averti que des composants d’IA compromis peuvent exposer des identifiants d’API et fournir des voies d’accès à des environnements plus vastes.

Les processus de recrutement et de gestion des prestataires doivent également faire l’objet de vérifications plus rigoureuses. Les identités synthétiques et les entretiens assistés par l’IA rendent les contrôles informels moins fiables.

La réponse doit rester proportionnée. Bloquer tous les services d’IA peut pousser les utilisateurs vers des comptes non gérés et faire perdre toute visibilité.

Une meilleure approche consiste à définir les services approuvés, protéger les identifiants, enregistrer les accès et limiter ce que les outils automatisés peuvent atteindre.

Les équipes de sécurité doivent aussi préserver une validation humaine pour les actions ayant des conséquences importantes. Un agent ne devrait pas recevoir de larges autorisations en production simplement parce qu’il réalise correctement des analyses à faible risque.

La dernière couverture de google news est un avertissement sur l’intégration, plutôt que de la science-fiction. Les attaquants relient les modèles aux tâches qu’ils maîtrisent déjà.

Les défenseurs devraient se poser une question concrète : quelle étape lente et répétitive d’une intrusion deviendrait la plus dangereuse si un adversaire l’automatisait demain ?

La réponse devrait orienter le prochain contrôle, la prochaine détection ou le prochain exercice. Les organisations qui testeront dès maintenant ces hypothèses seront mieux préparées lorsque l’IA passera de l’assistance à une autonomie fiable.