La nouvelle frontière de la cybersécurité par l’IA : la réalité après Mythos

• Après qu’Anthropic Claude Mythos a automatiquement détecté des vulnérabilités zero-day à grande échelle, des petits modèles open source ont eux aussi réussi à détecter les mêmes vulnérabilités
• Des modèles de 3.6B à 5.1B de paramètres ont reproduit des bugs de FreeBSD et OpenBSD, certains proposant même des voies d’exploitation créatives différentes de celles de Mythos
• Les expériences montrent que la taille du modèle et les performances évoluent de manière non linéaire, et que sur certaines tâches, de petits modèles sont plus précis que de grands modèles
• Les capacités de sécurité de l’IA ne progressent pas de façon fluide mais de manière “irrégulière” ; le véritable avantage concurrentiel réside non pas dans le modèle, mais dans la conception du système et la pipeline de validation
• En conséquence, le fossé défensif en sécurité ne se situe pas dans le modèle, mais dans le système, et une orchestration intégrant l’expertise métier est au cœur de la sécurité par l’IA

---

Le fossé défensif, c’est le système, pas le modèle

• Le 7 avril 2026, Anthropic a dévoilé Claude Mythos Preview et Project Glasswing, et mis en place un consortium utilisant le modèle Mythos pour détecter et corriger automatiquement des failles de sécurité dans des logiciels majeurs
  • Promesse de 100 millions de dollars de crédits d’usage et de 4 millions de dollars de dons à des organisations de sécurité open source
  • Mythos a découvert des milliers de vulnérabilités zero-day et a détecté de façon autonome des failles telles qu’un bug OpenBSD vieux de 27 ans, un bug FFmpeg vieux de 16 ans et une vulnérabilité d’exécution de code à distance sur FreeBSD, tout en générant les exploits associés
• AISLE a reproduit les mêmes vulnérabilités avec des modèles compacts, peu coûteux et à poids ouverts
  • 8 modèles sur 8 ont détecté l’exploit FreeBSD
  • Un modèle de 3.6B de paramètres (0,11 $ par token) a lui aussi réussi la détection
  • Un modèle 5.1B a reconstitué la chaîne centrale du bug OpenBSD
  • Sur certaines tâches, de petits modèles ouverts ont surpassé de grands modèles
• En résultat, les capacités de sécurité de l’IA sont non linéaires et irrégulières (jagged)
  • Aucun modèle n’est supérieur sur toutes les tâches
  • Le cœur de la compétitivité en sécurité n’est pas le modèle mais le système, avec au centre une orchestration intégrant l’expertise métier

Où en est aujourd’hui la sécurité par l’IA

• Depuis mi-2025, AISLE applique en conditions réelles des systèmes de détection et de correction de vulnérabilités basés sur l’IA
  • 15 CVE trouvées dans OpenSSL, 5 dans curl, et plus de 180 CVE validées par des tiers au total
  • Le CTO d’OpenSSL a salué « la qualité des rapports et l’excellence de la collaboration »
• Divers modèles ont été utilisés, mais les modèles Anthropic ne sont pas systématiquement les meilleurs
  • Le meilleur modèle varie selon la tâche, d’où l’adoption d’une approche agnostique vis-à-vis des modèles

Décomposer la pipeline de sécurité par l’IA

• En pratique, la sécurité par l’IA repose sur une pipeline en plusieurs étapes, et non sur un modèle unique
  • Scan à grande échelle, détection de vulnérabilités, validation et classification, génération de correctifs, construction d’exploits : chaque étape présente des propriétés de montée en charge différentes
• Là où Anthropic maximise la première composante (l’intelligence du modèle), AISLE accorde une importance égale à d’autres facteurs comme le coût par token, la vitesse et l’expertise sécurité

Conclusion : le fossé défensif est dans le système

• Les éléments mentionnés dans le billet technique de Mythos — exécution en conteneur, scan de fichiers, validation ASan, évaluation des priorités — ressemblent à l’architecture du système d’AISLE
• La valeur centrale ne réside pas dans le modèle mais dans le ciblage, la validation et la construction de la confiance
• Déployer en parallèle un grand nombre de petits modèles pour explorer largement l’ensemble du code permet de concilier efficacité économique et efficacité de détection
• Mythos a validé la catégorie, mais le passage à l’échelle opérationnel et la fiabilité restent encore à établir

Résultats expérimentaux : des capacités de sécurité irrégulières

• Des expériences ont été menées sur les vulnérabilités emblématiques de l’annonce Mythos avec des modèles petits et peu coûteux

  • Bug NFS de FreeBSD, bug SACK d’OpenBSD, test de faux positifs OWASP

    • Au final, la taille, la génération et le prix des modèles présentent une relation non linéaire avec les performances
    • Tous les modèles ont réussi sur FreeBSD, seuls certains sur OpenBSD, et sur OWASP, les petits modèles étaient plus précis que les grands
    • Détection FreeBSD : les 8 modèles ont détecté le débordement de tampon
    • Le modèle 3.6B a lui aussi réalisé les calculs correctement et évalué la possibilité d’une RCE
    • DeepSeek R1 a produit des calculs cohérents avec la structure réelle de la pile
    • Côté logique d’exploit également, tous les modèles ont proposé une stratégie de chaîne ROP
    • Certains modèles ont suggéré des solutions créatives différentes de Mythos (par ex. une élévation de privilèges depuis l’espace utilisateur plutôt qu’en mode noyau)
    • Bug SACK d’OpenBSD : un modèle 5.1B a reconstitué toute la chaîne et proposé le bon correctif
    • Qwen3 32B était parfait sur FreeBSD, mais a ici conclu à tort que c’était « sûr »
    • Le classement des performances par modèle s’inverse complètement selon la tâche

• Test de faux positifs OWASP : sur un simple code Java, de petits modèles sont plus précis que de grands modèles

  • GPT-OSS-20b, DeepSeek R1 et OpenAI o3 ont correctement jugé que « c’est sûr en l’état, mais potentiellement vulnérable »
  • De nombreux modèles Anthropic et de la famille GPT-4.x ont détecté à tort une injection SQL

Test de reconnaissance des correctifs (mise à jour du 9 avril 2026)

• Comparaison de la détection du bug et de la reconnaissance du correctif sur la version patchée du code FreeBSD
  • Tous les modèles ont détecté le bug non corrigé, mais de nombreux faux positifs sont apparus après correctif
  • Seul GPT-OSS-120b était exact dans les deux sens
  • La plupart des modèles ont affirmé à tort l’existence d’une vulnérabilité à cause d’une mauvaise interprétation du signe de oa_length
• Cela montre une forte sensibilité (capacité de détection) mais une faible spécificité (précision),
  ce qui souligne le caractère indispensable de systèmes de validation et de triage externes au modèle

La limite de la construction d’exploits

• Les cas mis en avant par Mythos — évasion de sandbox navigateur en plusieurs étapes, chaîne ROP noyau — sont des exemples extrêmement sophistiqués
• Les modèles ouverts peuvent expliquer de façon logique la faisabilité d’un exploit, les techniques et les stratégies de contournement, mais
  ils restent encore limités sur les mécanismes de livraison créatifs dans des environnements contraints
• Toutefois, dans les workflows défensifs, la fiabilité de la détection et du correctif importe davantage qu’un exploit complet

Perspective macro

• L’annonce de Mythos démontre le réalisme et l’importance industrielle de la sécurité par l’IA
  • Les financements et l’attention accordés à la sécurité open source augmentent
• En revanche, affirmer que « cette capacité n’existe que dans un modèle fermé spécifique » est exagéré
  • En pratique, les phases de détection et d’analyse sont déjà largement accessibles
  • Le vrai goulet d’étranglement réside dans l’expertise sécurité, la conception système et la construction de la confiance

• Ce qu’il faut aujourd’hui, ce n’est pas un modèle mais la construction d’un système

  • Scaffold, pipeline, cadre de collaboration, intégration dans les workflows de développement
  • Les modèles sont déjà suffisamment prêts

Limites et points d’attention

• Portée limitée des tests : les fonctions vulnérables et des indices ont été directement fournis aux modèles ; il ne s’agit pas d’une exploration entièrement autonome
• Pas d’accès aux outils : pas d’exécution de code, pas de boucle, pas d’usage d’environnement sandbox
• Prise en compte des mises à jour des modèles : certains modèles Anthropic récents ont été améliorés depuis
• Clarification de la portée des affirmations : il ne s’agit pas de nier les capacités de Mythos,
  mais de souligner que l’exclusivité de ses capacités de détection a été exagérée

Résumé de l’annexe

• Citations sur la détection FreeBSD

  • Kimi K2 : « oa_length est copié sans validation, ce qui peut entraîner un débordement »
  • Gemma 4 : « dépassement possible d’un tampon de pile de 128 octets »

• Tableau comparatif des performances par tâche

  • Tous les modèles réussissent la détection FreeBSD, seuls certains celle d’OpenBSD, et sur OWASP les petits modèles dominent

• Test sur le code patché

  • La plupart des modèles produisent un faux positif à cause d’une erreur de signe sur oa_length
  • Seul GPT-OSS-120b est entièrement exact
  • Conclusion :
  • Le véritable avantage concurrentiel de la sécurité par l’IA ne réside ni dans la taille du modèle ni dans son caractère propriétaire,
  • mais dans une conception systémique intégrant l’expertise métier et une structure opérationnelle fiable.
  • Même de petits modèles sont déjà suffisamment puissants, et la construction de systèmes défensifs automatisés à grande échelle est d’ores et déjà possible.