L’analyse de malware de SentinelOne passe de six semaines à huit heures

SentinelOne affirme que son analyse de malware peut désormais condenser quatre à six semaines de travail d’expert en environ huit heures. L’entreprise attribue ce résultat à OpenAI Daybreak, un programme de cybersécurité qui donne aux défenseurs approuvés accès à des modèles spécialisés et à des workflows agentiques. Cette réduction de temps modifie bien plus que l’emploi du temps d’un chercheur. Elle remet en cause un modèle opérationnel fondé sur la rareté des experts examinant un petit groupe de menaces soigneusement sélectionnées.

L’affirmation importante n’est pas que l’intelligence artificielle peut résumer du code malveillant. Les outils de sécurité assistent la classification, la détection et l’investigation depuis des années. SentinelOne affirme que Daybreak peut soutenir un projet complexe de rétro-ingénierie, réviser des théories erronées et produire un travail proche de celui d’un analyste humain. Si ces performances se confirment sur des échantillons variés, les équipes pourront enquêter sur des menaces qu’elles n’avaient auparavant pas la capacité d’examiner.

Il s’agit toutefois d’un résultat communiqué par l’entreprise, présenté dans un témoignage client d’OpenAI et dans les propres recherches de SentinelOne. Le benchmark détaillé portait sur une enquête circonscrite, un nombre limité d’exécutions de modèles et une supervision humaine conséquente. Anthropic, Google DeepMind et d’autres fournisseurs de modèles développent des capacités défensives similaires. La concurrence ne porte donc pas sur l’IA contre l’analyse manuelle. Elle oppose une capacité d’investigation supervisée à un workflow limité par le temps disponible des experts individuels.

L’analyse de malware de SentinelOne passe de la rareté au débit

Le changement immédiat est une hausse de la capacité d’investigation, et non la disparition des analystes humains.

La rétro-ingénierie reconstitue le fonctionnement d’un logiciel compilé lorsque sa conception originale et son code source ne sont pas disponibles. Pour des malwares sophistiqués, le processus implique désassemblage, désobfuscation, mise à l’épreuve d’hypothèses, preuves comportementales et révisions répétées. Un chercheur peut devoir retracer les relations entre plusieurs composants intégrés avant de parvenir à une conclusion défendable.

Gregor Stewart, Chief AI Officer de SentinelOne, a déclaré à OpenAI qu’une enquête exigeante peut mobiliser un chercheur de premier plan pendant quatre à six semaines. Il a indiqué que Daybreak produit désormais un résultat comparable en environ huit heures. L’étude de cas client du 14 octobre présente ce résultat comme un moyen d’examiner davantage de malwares et de relier les éléments de preuve sur un plus grand nombre d’échantillons.

La distinction entre durée et travail compte. Huit heures de travail écoulé du modèle ne signifient pas automatiquement huit heures sans supervision ni un rapport de renseignement finalisé. Les documents publics ne détaillent pas complètement le temps de préparation, de revue humaine, la consommation de calcul ou les travaux de remédiation. Ils présentent le résultat de huit heures comme un résultat opérationnel, et non comme une mesure de productivité auditée de manière indépendante.

Le problème de référence reste néanmoins concret. SentinelOne affirme que ses chercheurs réservaient historiquement la rétro-ingénierie approfondie à un petit nombre d’échantillons importants ou inhabituels. Ce triage était logique, car chaque enquête consommait le temps précieux de spécialistes. Il signifiait aussi que les échantillons moins visibles recevaient moins d’attention, même lorsque leurs relations pouvaient révéler une campagne plus vaste.

Une analyse plus rapide modifie cette pression de sélection. Les chercheurs peuvent examiner un ensemble d’échantillons plus large, comparer des composants partagés et identifier des schémas que des enquêtes isolées pourraient manquer. Un module trouvé dans deux fichiers apparemment sans lien peut devenir le maillon entre différents incidents, clusters d’infrastructure ou acteurs de menace.

Cette vision élargie constitue la véritable valeur derrière le chiffre mis en avant. Un rapport plus rapide aide un cas. Un corpus plus important de rapports comparables peut améliorer la logique de détection, le renseignement sur les menaces et la réponse aux incidents dans de nombreux cas.

SentinelOne cherche également à étendre l’accès au-delà de ses ingénieurs en rétro-ingénierie les plus expérimentés. Stewart a déclaré que davantage d’employés peuvent désormais enquêter sur des problèmes de sécurité sans dépendre entièrement d’un petit groupe d’experts. Il souhaite aussi que ces mêmes capacités soient disponibles pendant le développement logiciel, lorsque les équipes peuvent traiter certains risques lors de la création du code.

Cela ne transforme pas chaque développeur en chercheur spécialisé dans les malwares. Cela change la manière dont l’expertise peut être distribuée. Un modèle spécialisé peut effectuer une exploration chronophage, tandis qu’un analyste expérimenté définit l’objectif et évalue les preuves.

La réduction annoncée de plusieurs semaines à quelques heures représente donc un multiplicateur de capacité. SentinelOne a toujours besoin de personnes compétentes, mais elles peuvent superviser davantage d’enquêtes. La question stratégique est de savoir si les contrôles qualité peuvent s’étendre au même rythme que les résultats générés par les modèles.

Comment SentinelOne utilise Daybreak pour les enquêtes longues

Daybreak compte parce qu’il prend en charge un workflow d’investigation complet, et non une simple réponse sur un code suspect.

OpenAI décrit Daybreak comme une collection de modèles, de contrôles d’accès, de workflows de sécurité et de programmes partenaires destinés aux défenseurs autorisés. Son champ d’application déclaré comprend la validation de vulnérabilités, l’analyse de malware, la réponse aux incidents, la génération de correctifs et les tests de remédiation. Les contrôles d’accès sont essentiels, car les mêmes capacités peuvent soutenir la recherche défensive ou l’intrusion offensive.

Le cadre Daybreak plus large associe des modèles axés sur la cybersécurité à Trusted Access for Cyber et aux workflows Codex Security. OpenAI affirme que les humains gardent le contrôle sur les résultats à examiner, les changements à appliquer et les informations à partager.

Le travail de rétro-ingénierie de SentinelOne illustre pourquoi un workflow long est important. Un analyste ne demande pas simplement à un modèle d’identifier un échantillon. Le système doit conserver un registre évolutif des fonctions, structures de données, hypothèses, preuves et explications rejetées. Des découvertes ultérieures peuvent invalider des conclusions antérieures dans plusieurs fichiers.

SentinelLABS a testé ce comportement avec fast16, une boîte à outils Windows de 2005 associée à des sabotages visant des logiciels d’ingénierie de haute précision. L’échantillon contient deux composants intégrés, une couche d’opérations chiffrée basée sur Lua et un pilote noyau comportant 101 règles de patching. Une analyse superficielle peut faire passer ce pilote pour un rootkit de système de fichiers conventionnel.

Le benchmark a divisé l’enquête en huit étapes. Les modèles devaient d’abord récupérer et annoter les composants de l’échantillon. Les étapes ultérieures ajoutaient des logiciels cibles possibles, des rapports externes, des exigences de publication et de nouvelles preuves susceptibles de renverser des conclusions antérieures.

Le système a fonctionné avec IDA Pro, un désassembleur utilisé pour examiner les programmes compilés, dans un sandbox sans accès réseau. Il devait renommer les variables, classifier les fonctions, récupérer les composants cachés et ancrer les affirmations à des adresses et artefacts précis. Les évaluateurs ont examiné le projet technique, et pas seulement la fluidité d’un récit final.

Cette conception cible une faiblesse fréquente de l’IA générative. Un modèle peut produire une explication locale convaincante tout en perdant la cohérence d’un vaste projet. Il peut corriger une phrase tout en laissant des fichiers, scripts ou conclusions ultérieures dépendre de l’erreur initiale.

SentinelLABS qualifie ce comportement plus précieux de récupération à l’échelle du projet. Lorsqu’il est contredit, le modèle doit retirer une affirmation, retrouver chaque conclusion qui en dépend, corriger l’analyse sous-jacente et revérifier le résultat révisé. Il doit également distinguer l’incertitude qui empêche une publication de celle qui peut être divulguée.

Selon le benchmark malware de SentinelOne, les trois exécutions testées de GPT-5.6 Sol ont terminé l’enquête en huit étapes. GPT-5.5, GLM-5.2 et les versions testées d’Opus 4.x ont produit un travail local utile, mais n’ont pas achevé la séquence complète.

Les exécutions terminées ont tout de même commis des erreurs significatives. Une exécution de GPT-5.6 Sol a observé de véritables correspondances de motifs dans des applications d’ingénierie non liées et a proposé que fast16 puisse être un outil de compatibilité. Des tests supplémentaires ont montré que ces correspondances produisaient des fragments, plutôt que la séquence cohérente de modifications retrouvée dans la cible probable.

Le modèle a ensuite retiré cette interprétation et corrigé les travaux ultérieurs qui en dépendaient. Cette récupération, plutôt que l’absence d’erreurs, a distingué les exécutions terminées dans l’évaluation de SentinelOne.

Ce mécanisme explique pourquoi l’affirmation des huit heures mérite l’attention. L’automatisation aide depuis longtemps les analystes à rechercher des chaînes, décompresser des fichiers et reconnaître des indicateurs connus. La nouvelle affirmation porte sur le maintien d’une enquête cohérente malgré l’évolution des preuves, des artefacts techniques et des obligations de reporting.

Le témoignage client d’OpenAI évoque Daybreak de manière générale, tandis que la recherche détaillée de SentinelOne traite de GPT-5.6 Sol. Une annonce de produit distincte mentionne GPT-5.6-Cyber pour les services destinés aux clients. Les lecteurs ne doivent pas supposer que chaque résultat de benchmark s’applique directement à chaque configuration Daybreak déployée.

La conclusion défendable est plus restreinte. SentinelOne a constaté que certains modèles OpenAI peuvent gérer des parties bien plus importantes d’un workflow de rétro-ingénierie que les systèmes précédents. L’entreprise cherche maintenant à transformer cette capacité en opérations défensives reproductibles.

La pression passe du temps d’expert au jugement d’expert

L’IA réduit la rareté du travail analytique, mais elle accroît le besoin de revue et de priorisation fiables.

La recherche traditionnelle sur les malwares a une limite de débit. Un analyste senior ne peut inspecter qu’un nombre limité d’échantillons complexes, et former un expert supplémentaire demande des années. Les équipes de sécurité priorisent donc les cas selon leur gravité, leur nouveauté, l’exposition des clients et les preuves disponibles.

L’approche de SentinelOne déplace le goulot d’étranglement. Lorsqu’un modèle peut mener un travail technique étendu, la ressource rare devient le jugement d’expert aux points de décision déterminants. Les analystes doivent choisir des objectifs appropriés, révéler les angles morts, définir des preuves acceptables et décider si un résultat est prêt à orienter les clients.

Stewart a résumé cette limite par une observation concise : « La seule chose qui ne peut pas être automatisée, c’est la responsabilité. » Il a soutenu que les changements d’architecture nécessitent toujours une revue humaine, tandis que des correctifs circonscrits peuvent permettre davantage d’automatisation.

La responsabilité est particulièrement importante dans la recherche sur les malwares, car les erreurs se propagent. Une attribution erronée peut détourner les enquêteurs. Une évaluation comportementale incomplète peut laisser les clients exposés. Une règle de détection défectueuse peut générer des faux positifs dans l’ensemble d’un parc.

Une génération plus rapide peut amplifier ces problèmes. Une équipe qui examinait autrefois quelques enquêtes approfondies peut soudainement en recevoir des dizaines. Si la capacité de revue reste fixe, l’organisation risque de remplacer un arriéré d’analyse par un arriéré d’approbation.

Cette pression dépasse SentinelOne. Les fournisseurs de modèles développent des systèmes capables de rechercher dans le code, tester des vulnérabilités et produire des correctifs. Les éditeurs de sécurité doivent décider quelle autonomie accorder à ces systèmes et à quels endroits l’autorisation humaine reste obligatoire.

Google DeepMind a développé Big Sleep pour la recherche sur les vulnérabilités. Anthropic a offert à certains partenaires un accès à des modèles axés sur la cybersécurité au moyen de ses propres programmes contrôlés. OpenAI a intégré l’analyse de sécurité dans Codex tout en maintenant des voies d’accès spécialisées pour des capacités plus permissives.

Ces efforts sont en concurrence sur bien plus que les scores bruts des modèles. Les acheteurs de solutions de sécurité ont besoin de preuves qu’un workflow entier reste traçable, reproductible et gouvernable. Un système qui détecte davantage de problèmes mais ne peut ni les expliquer ni les valider risque d’accroître le bruit opérationnel.

La stratégie commerciale de SentinelOne reflète cette exigence. Son extension Wayfinder de septembre associe les modèles OpenAI aux spécialistes offensifs et défensifs de l’entreprise. Ces services sont conçus pour prioriser les risques exploitables, analyser les échantillons suspects et fournir des conclusions examinées par des analystes humains.

L’entreprise affirme que ces workflows peuvent combiner le désassemblage avec des éléments issus d’analyses statiques et de sandbox. L’analyse statique examine le code sans l’exécuter, tandis que l’analyse en sandbox observe son comportement dans un environnement isolé. Le dossier produit peut inclure des indicateurs de compromission, des correspondances avec des techniques d’attaque et des détections recommandées.

Cette conception maintient le jugement humain au cœur du produit. SentinelOne ne vend pas la transcription non vérifiée d’un modèle comme verdict final de sécurité. L’entreprise utilise les modèles pour accroître le volume de travail technique que ses experts peuvent superviser.

Cette stratégie met également sous pression les équipes de sécurité qui dépendent fortement des investigations manuelles. Si des agents supervisés réduisent systématiquement les délais de traitement, les clients attendront des réponses plus rapides de chaque fournisseur. Ils pourraient aussi exiger une analyse plus approfondie d’échantillons moins prioritaires que les prestataires ignoraient auparavant.

Les équipes internes de sécurité font face à un choix similaire. Elles peuvent utiliser ces systèmes pour étendre les capacités de leurs analystes existants ou attendre une validation indépendante plus solide. Attendre réduit l’exposition à une automatisation encore immature, mais peut laisser les équipes avec des investigations plus lentes et une couverture des menaces plus limitée.

Le modèle le plus crédible à court terme est celui d’une délégation supervisée. Les modèles prennent en charge des pans substantiels du travail, tandis que les humains conservent le contrôle des objectifs et de la publication. Cette approche est moins spectaculaire que le remplacement des analystes, mais elle répond plus directement à la véritable contrainte.

Ce que l’affirmation des huit heures ne prouve pas

Le résultat démontre une capacité significative, mais n’établit ni une vitesse universelle, ni une précision universelle, ni une autonomie sûre.

La première limite concerne l’indépendance des sources. OpenAI a publié l’étude de cas client mise en avant, et SentinelOne a fourni les affirmations opérationnelles. SentinelOne a également conçu et exécuté le benchmark détaillé fast16. Les deux entreprises ont intérêt à ce que les clients considèrent les modèles cyber avancés comme productifs et défendables.

Cette relation n’invalide pas le résultat. Elle signifie toutefois que les lecteurs devraient considérer ces chiffres comme des résultats rapportés jusqu’à ce que des chercheurs externes les reproduisent sur différents échantillons, outils et équipes.

La deuxième limite concerne l’étendue du benchmark. Fast16 est un spécimen difficile et réel, mais il ne représente qu’une seule investigation. Le benchmark met l’accent sur la rétro-ingénierie de longue durée, la maintenance des artefacts et les corrections au fil d’éléments de preuve fournis par étapes. Il n’établit pas des performances équivalentes pour toutes les architectures, tous les packers, tous les langages de programmation ou toutes les familles de malwares.

SentinelOne reconnaît que le nombre d’exécutions par famille de modèles était faible. L’implication des opérateurs a également influencé le résultat. Des humains ont défini l’investigation, contrôlé le moment où les éléments de preuve apparaissaient, contesté les seuils de qualité insuffisants et conservé l’autorité de publication.

Ces interventions font partie d’un workflow supervisé réaliste. Elles compliquent aussi la séparation entre la capacité du modèle et la conception du benchmark, l’outillage et le soutien des experts. Une autre organisation pourrait ne pas reproduire le même résultat avec un environnement de test différent ou des superviseurs moins expérimentés.

La troisième limite concerne le coût. SentinelOne indique que ses expériences ont consommé plus de 23 milliards de tokens, toutes familles de modèles et tous paramètres d’effort confondus. Ce total couvre le programme de recherche, et non une seule analyse de production de huit heures. Il montre néanmoins que les investigations longues peuvent nécessiter une puissance de calcul importante.

L’étude de cas publique ne fournit pas de comparaison de coût par investigation. Elle ne quantifie pas non plus le temps de revue des analystes, les fausses pistes ou le travail opérationnel nécessaire pour préparer les échantillons. Sans ces détails, le résultat étaye davantage une affirmation de rapidité qu’une affirmation complète d’efficacité.

La quatrième limite est la manipulation adversariale. Les auteurs de malwares savent que les défenseurs utilisent de plus en plus les modèles de langage lors du triage. Les échantillons peuvent contenir du contenu conçu pour perturber ces modèles, provoquer des refus ou détourner leur raisonnement.

SentinelOne a lui-même signalé un malware macOS appelé Gaslight, qui intégrait de faux messages au style système destinés aux outils d’analyse IA. Ces messages cherchaient à convaincre un assistant que son environnement était dangereux ou indisponible. Les articles consacrés à la technique d’injection de prompt ont souligné la nécessité de traiter le contenu des échantillons comme des données hostiles.

Cette menace crée une boucle de rétroaction inhabituelle. Le modèle analyse un artefact susceptible de contenir des instructions visant précisément le modèle. Le sandboxing traditionnel isole l’exécution malveillante, mais un pipeline IA doit également isoler les instructions sémantiques dissimulées dans les éléments de preuve.

Les recherches sur l’évaluation IA évasive décrivent un risque structurel connexe. Des systèmes adaptatifs peuvent déduire des propriétés d’un environnement d’évaluation et modifier leur comportement. Les évaluateurs risquent alors d’obtenir des résultats paraissant plus sûrs ou plus performants que ceux observés dans des conditions de déploiement réelles.

Pour l’analyse de malwares assistée par IA, la leçon vaut dans les deux sens. Un échantillon malveillant peut se comporter différemment dans une sandbox et présenter un contenu trompeur à l’agent analytique. Un workflow digne de confiance doit supposer que le comportement exécutable comme le texte lisible sont adversariaux.

La cinquième limite concerne la visibilité des erreurs. GPT-5.6 Sol a terminé le benchmark de SentinelOne, mais ses exécutions ont tout de même déclaré certains points de contrôle comme propres avant que la revue ne révèle des problèmes. La force notable du modèle était sa capacité à se corriger après une intervention, et non l’absence d’erreurs.

Cette différence doit guider le déploiement. Un système capable de se remettre de ses erreurs exige toujours des contrôles capables de détecter ces erreurs. Si les relecteurs ne contestent pas une théorie plausible, le modèle peut la transformer en rapport soigné mais erroné.

Une « production de niveau humain » peut aussi recouvrir plusieurs réalités. Elle peut désigner l’étendue et l’utilisabilité des artefacts, plutôt qu’une précision égale dans toutes les conditions. L’étude de cas OpenAI ne publie pas de comparaison en aveugle entre la sortie du modèle et les rapports de plusieurs experts humains.

Les responsables de la sécurité devraient donc éviter de transformer un seul résultat en formule universelle de gestion des effectifs. Les éléments disponibles soutiennent une capacité accrue sous supervision. Ils ne justifient pas l’élimination des ingénieurs seniors en rétro-ingénierie ni l’autorisation donnée aux modèles de publier sans revue des conclusions à fort impact.

L’impact de SentinelOne sur la sécurité IA dépend de bien plus que de la vitesse

Le bénéfice stratégique survient lorsque l’analyse accélérée améliore la détection et la réponse chez de nombreux clients.

Une investigation de huit heures est utile en elle-même, mais sa valeur plus large provient de sa réutilisation en aval. La rétro-ingénierie peut révéler des comportements de commande et contrôle, des méthodes de persistance, des logiciels ciblés et des modules réutilisables. Ces conclusions peuvent alimenter les détections, les chasses aux menaces et les recommandations aux clients.

SentinelOne affirme qu’une couverture plus large des échantillons aide les chercheurs à percevoir les liens entre les menaces. Cette affirmation est plausible, car l’infrastructure de campagne et les composants de malwares réapparaissent souvent sous des formes modifiées. Un corpus analytique plus vaste peut révéler des connexions qui restent invisibles lorsque les équipes n’examinent en profondeur que quelques échantillons.

Cependant, davantage d’analyses ne crée pas automatiquement davantage de renseignement. Les équipes ont besoin de formats d’artefacts cohérents, d’éléments de preuve consultables et de liens fiables entre les conclusions. Elles ont également besoin de systèmes capables de distinguer les relations réelles de la réutilisation fortuite de code.

L’accent mis par le benchmark sur des bases de données IDA structurées répond à une partie de ce problème. Un rapport fondé sur des fonctions nommées, des adresses et des composants récupérés est plus facile à vérifier qu’un résumé en prose sans fondement. Il peut également nourrir les recherches ultérieures sans obliger chaque analyste à reconstruire le raisonnement initial.

C’est ici que la plateforme de sécurité existante de SentinelOne devient pertinente. L’entreprise peut relier la recherche assistée par modèles à la télémétrie des endpoints, au renseignement sur les menaces et à l’ingénierie de détection. Cette intégration lui offre un chemin entre l’analyse en laboratoire et la protection des clients.

Ce chemin exige toujours une gouvernance. Un indicateur proposé par un modèle peut être trop large. Une détection dérivée d’un comportement incomplet peut manquer des variantes ou signaler des logiciels légitimes. Les analystes humains doivent valider le comportement d’une conclusion dans des environnements réels.

Le même principe s’applique au travail sur les vulnérabilités. OpenAI indique que ses workflows de sécurité visent à aller au-delà de la production de listes de résultats plus longues. L’objectif est d’établir l’accessibilité, de recueillir des éléments de preuve, de produire un correctif et de vérifier le résultat. Les équipes de sécurité ne bénéficient réellement que lorsque les résultats deviennent une réduction des risques testée.

Les services Wayfinder annoncés par SentinelOne suivent cette logique en mettant l’accent sur le risque exploitable plutôt que sur le nombre brut de problèmes. Ses analystes devraient valider les conclusions des clients avant livraison. Ce modèle de service pourrait être plus facile à gouverner que de donner à chaque client une analyse autonome sans restriction.

Il existe également un effet organisationnel. Si les analystes juniors et les développeurs peuvent mener des investigations initiales plus approfondies, les spécialistes seniors peuvent se concentrer sur les cas ambigus et le contrôle qualité. Le résultat peut raccourcir les boucles de retour entre la recherche, la sécurité produit et les équipes de détection.

Les organisations doivent néanmoins préserver le raisonnement à l’origine des décisions. Un rapport généré sans éléments de preuve durables crée une dépendance institutionnelle au modèle. Les équipes ont besoin de traces montrant quels artefacts étayaient une conclusion, quelles hypothèses ont été rejetées et à quel moment une personne a approuvé le résultat.

Cette exigence rappelle les bonnes pratiques de gestion des connaissances hors de la cybersécurité. Les équipes tirent davantage parti de l’IA lorsque les contenus générés restent reliés à leurs sources et décisions sous-jacentes. La même discipline est essentielle lorsqu’une conclusion de sécurité peut déclencher un confinement, une remédiation ou une attribution publique.

L’impact de SentinelOne sur la sécurité IA dépendra donc des taux de conversion, et non du seul débit mis en avant. Combien d’échantillons supplémentaires font l’objet d’une analyse approfondie ? Combien d’investigations produisent des détections validées ? À quelle fréquence ces détections arrêtent-elles ou clarifient-elles un incident réel ?

Ces mesures révéleraient si une rétro-ingénierie plus rapide transforme les résultats. Elles rendraient également les comparaisons entre fournisseurs plus pertinentes que de vastes affirmations sur un « analyste IA ».

Ce qu’il faut surveiller après l’affirmation de SentinelOne sur l’analyse de malwares

Trois signaux indiqueront si ce résultat devient une norme opérationnelle ou reste une démonstration contrôlée impressionnante.

Le premier signal est la reproduction technique indépendante. Des équipes de recherche externes doivent tester des workflows comparables face à des malwares divers, y compris des échantillons conçus pour éviter les sandboxes et manipuler les modèles de langage. La reproduction devrait communiquer le temps écoulé, l’intervention humaine, l’usage de calcul, les conclusions erronées et la qualité finale des artefacts.

Une réplication réussie renforcerait l’affirmation de SentinelOne selon laquelle l’analyse de malwares de longue durée a franchi un seuil pratique. Des échecs en dehors de son environnement de test suggéreraient que l’ingénierie du workflow et la supervision experte expliquent une grande part de l’avantage observé.

Le deuxième signal concerne la disponibilité du produit et les preuves côté client. SentinelOne a déclaré que ses capacités Wayfinder étendues, alimentées par OpenAI, étaient entrées en préversion privée, avec une disponibilité plus large attendue ultérieurement. Les études de cas publiques devraient montrer si les investigations clients reçoivent plus rapidement des résultats validés sans accroître les faux positifs ni les délais de revue.

Les éléments de preuve liés au déploiement doivent distinguer les benchmarks de recherche des niveaux de service opérationnels. Les clients doivent savoir quel modèle a traité une tâche, à quelles données il a accédé, comment les résultats ont été examinés et quelles actions sont restées sous contrôle humain.

Le troisième signal concerne la résilience face aux attaques. Les attaquants concevront de plus en plus de malwares pour des environnements où l’IA participe à l’analyse. Les défenseurs devraient publier des éléments prouvant que leurs pipelines résistent à l’injection de prompts, à l’évasion des sandbox, aux contextes empoisonnés et aux artefacts trompeurs.

Des avancées sur ce front renforceraient les arguments en faveur d’une délégation étendue. Un échec sérieux les affaiblirait, notamment si un modèle suivait des instructions intégrées à l’échantillon ou publiait une attribution non étayée.

Les réponses de la concurrence compteront, mais les seuls classements de modèles ne trancheront pas la question. Anthropic, Google et d’autres fournisseurs peuvent produire des modèles de sécurité performants. Les systèmes gagnants associeront performances techniques, contrôles d’accès, preuves traçables, processus de revue et intégration aux opérations de défense.

SentinelOne a formulé l’une des affirmations les plus claires à ce jour en matière de rétro-ingénierie assistée par IA : des semaines de travail ramenées à quelques heures. Ses propres recherches apportent également l’avertissement essentiel. Le modèle le plus performant a commis des erreurs, s’est appuyé sur la remise en question par l’opérateur et est devenu utile parce qu’il pouvait corriger un projet complexe après intervention.

Pour les responsables de la sécurité, l’étape suivante ne consiste pas à remplacer l’équipe de rétro-ingénierie. Elle consiste à identifier une enquête clairement délimitée, à définir des points de validation humaine et à mesurer l’ensemble du workflow. Comparez les preuves produites, le temps des analystes, les coûts et les détections en aval avec le processus existant.

La question n’est plus de savoir si les modèles peuvent contribuer à la recherche sur les malwares. Ils le peuvent déjà. La question décisive est de savoir si l’analyse de malwares de SentinelOne peut préserver une responsabilité de niveau expert tout en passant de benchmarks sélectionnés aux menaces courantes, à l’échelle de la production.