Anthropic : Claude Mythos Preview a trouvé des milliers de vulnérabilités critiques dans le code

Anthropic a montré à quelle vitesse la cybersécurité évolue à l'ère de l'IA générative : son modèle Claude Mythos Preview a identifié des milliers de vulnérabilités de niveau élevé et critique, dont des failles dans des systèmes d'exploitation populaires, des navigateurs et des bibliothèques cryptographiques. Mais l'enseignement principal n'est pas que l'IA est devenue meilleure pour dénicher des bugs. Les capacités qui aident à repérer les points faibles du code permettent aussi de les exploiter dans des attaques ; l'automatisation de la sécurité exige donc désormais non seulement de la vitesse, mais aussi de nouvelles règles de contrôle.

Début avril, l'équipe Frontier Red Team d'Anthropic a indiqué que Mythos Preview avait découvert de nombreux problèmes sérieux, alors que le modèle n'a pas été entraîné spécifiquement à chercher ce type de vulnérabilités. Selon l'entreprise, les découvertes comprennent des défauts dans presque tous les grands systèmes d'exploitation et dans les principaux navigateurs. Parmi les exemples cités : un bug vieux de 27 ans dans OpenBSD, qui permet de mettre une machine hors service à distance, une vulnérabilité de navigateur par laquelle un attaquant peut lire des données d'un autre domaine, et des faiblesses dans des bibliothèques cryptographiques qui pourraient ouvrir la voie au déchiffrement de trafic protégé ou à la falsification de certificats.

Dans la foulée, Anthropic a lancé Project Glasswing. Amazon Web Services, Apple, Google, Microsoft et Nvidia y participent, et l'objectif du partenariat est simple : utiliser Mythos Preview pour analyser les logiciels et renforcer leur protection.

La logique est claire. Si les grands modèles de langage savent déjà décortiquer d'immenses bases de code, suivre le flux de données entre composants et repérer des liens non triviaux entre des erreurs, ils ne sont plus un simple analyseur statique de plus : à certains égards, ils commencent à se rapprocher du travail d'un chercheur en sécurité humain.

Les praticiens du secteur le soulignent aussi. Selon eux, la force de ces modèles ne tient pas seulement à la vitesse, pourtant importante en soi, mais à leur capacité à raisonner sur la sémantique du code. Les outils traditionnels à règles rigides cherchent surtout des correspondances avec des motifs prédéfinis, tandis que les systèmes LLM modernes peuvent suivre le parcours des données à travers différents niveaux d'abstraction et repérer un problème qui n'apparaît qu'à la jonction de plusieurs composants. Pour les gros dépôts, c'est particulièrement utile : un agent d'IA trouve plus facilement une aiguille rare mais dangereuse dans une immense botte de foin de code.

Cette approche a toutefois un revers. Les modèles produisent toujours des faux positifs, peuvent classer à tort un bug comme une vulnérabilité ou surestimer la gravité d'un problème. Pour les mainteneurs de projets open source, cela devient une charge supplémentaire : le nombre de rapports augmente, et le temps nécessaire pour traiter chaque signalement aussi.

Autre risque : les outils d'IA peuvent non seulement être attaqués, par exemple via du prompt injection, mais aussi servir de mécanisme offensif. Mythos Preview, comme on l'affirme, sait enchaîner plusieurs défauts isolés en une chaîne d'exploitation étape par étape qui aboutit à un accès root au noyau Linux.

C'est pourquoi les experts parlent non pas d'un remplacement complet des humains, mais d'un dispositif de vérification en plusieurs étapes. Une option déjà employée dans le secteur est l'auto-revue adversariale (adversarial self review) : le modèle trouve d'abord un problème, puis tente de contester sa propre conclusion, ou transmet la découverte à un autre modèle pour une validation indépendante. Cette couche supplémentaire aide à réduire le bruit, mais ne supprime pas la vérification manuelle.

Les conclusions de l'IA restent probabilistes ; la décision finale doit donc revenir à un spécialiste qui comprend la logique métier du produit, l'architecture du système et le scénario réel d'exploitation. Les entreprises conseillent en outre de développer la modélisation dynamique des menaces et le red teaming, et de déplacer la sécurité au début du processus de développement, afin que les développeurs corrigent les points faibles dès l'écriture du code et non après la sortie.

La question centrale n'est désormais plus de savoir si l'IA peut trouver des vulnérabilités mieux et plus vite qu'un humain, mais comment l'intégrer à un flux de travail sécurisé. La prochaine étape pour ces systèmes n'est pas seulement la détection, mais la correction à grande échelle des problèmes trouvés. Si cette phase peut être automatisée sans perte de qualité et sans renoncer au contrôle humain, le développement de logiciels sécurisés s'accélérera nettement. Sinon, l'industrie héritera d'un outil de plus, puissant mais bruyant, qui crée autant de travail qu'il en économise.