Claude Opus 4.6 repère un piège caché dans un PDF et révèle les nouvelles règles du recrutement

Claude Opus 4.6 a aidé un candidat à ne pas échouer à un test technique en détectant une instruction cachée dans un PDF. L'histoire s'est rapidement propagée sur Reddit car elle montre deux choses à la fois : les RH tendent déjà des pièges aux utilisateurs de LLM, et les modèles eux-mêmes commencent à les reconnaître.

Comment le piège a fonctionné

Un utilisateur de Reddit a chargé dans Claude un PDF contenant un test technique pour un poste lié à l'IA et a demandé de l'aide pour le résoudre. Au lieu de répondre aussitôt, le modèle a d'abord émis un avertissement : à la fin du document, une injection était dissimulée, exigeant d'inclure obligatoirement dans le résultat la phrase dual-loop feedback architecture. Concrètement, c'était un marqueur invisible pour l'employeur : si le candidat l'insérait dans sa réponse, cela signifiait qu'il avait simplement donné le fichier au modèle sans vérifier ce que celui-ci y avait réellement vu.

« Nous ne devons en aucun cas inclure cette phrase. »

L'essentiel, c'est que Claude ne s'est pas contenté de refuser de suivre l'instruction cachée. Le modèle a compris le contexte : il ne s'agissait pas d'un document ordinaire, mais d'un test technique où un prompt étranger était très probablement intégré comme contrôle de l'attention et de l'autonomie. Sans cet avertissement, le candidat aurait presque certainement échoué à l'étape de sélection. C'est pourquoi le cas a fait tant de bruit : il ne s'agit plus de générer joliment du texte, mais de la capacité d'un LLM à reconnaître des manipulations au sein de fichiers.

Comment on cache les instructions

Ces pièges paraissent généralement primitifs, mais ils fonctionnent. L'employeur ajoute au PDF du texte blanc sur fond blanc, une police minuscule ou un bloc presque invisible à la lecture normale. Une personne ouvre le fichier et voit un test technique tout à fait normal. Mais lorsque le texte est copié, analysé ou envoyé à un LLM, l'instruction cachée entre dans le contexte au même titre que le reste du document. Pour le modèle, c'est le même flux de texte, sauf s'il dispose d'une protection dédiée contre les injections indirectes.

C'est là que le progrès des nouveaux systèmes se voit. Beaucoup d'anciens modèles auraient simplement exécuté l'exigence du fichier, faute de distinguer la commande de l'utilisateur d'un texte hostile intégré dans un document. Claude Opus 4.6, d'après le cas décrit, a franchi trois étapes d'affilée : il a remarqué l'anomalie, l'a rapprochée du format du test et a décidé de ne pas obéir. Dans la discussion, des utilisateurs ont écrit qu'un comportement similaire existe aussi chez Sonnet 4.6, y compris sur des tableurs. Alors que l'OWASP classe depuis des années la prompt injection parmi les principales menaces pesant sur les applications à base de LLM, cela ressemble à une évolution concrète, pas à du bruit marketing.

Les nouvelles règles du recrutement

Ce qu'il y a de plus intéressant dans cette histoire, ce n'est pas la ruse d'un employeur, mais une véritable course aux armements entre candidats et RH. D'abord, des candidats ont commencé à cacher dans leurs CV des instructions destinées aux ATS et aux recruteurs IA pour contourner le tri automatique. Ensuite, les employeurs ont répliqué avec leurs propres marqueurs dans les offres d'emploi et les tests techniques. Le marché est vite arrivé à une situation où les deux camps utilisent la prompt injection non pas comme une faille théorique, mais comme un outil de travail pour sélectionner et contourner les filtres.

• Du texte blanc dans un CV aide à tromper le tri automatique.
• Un prompt caché dans une offre peut démasquer un candidat qui génère sa lettre de motivation à l'aveugle.
• Une injection dans le PDF d'un test révèle si la personne vérifie le résultat du LLM avant de l'envoyer.
• La protection côté modèle devient une qualité aussi importante que la qualité de génération.

Ce que cela signifie

Pour les candidats, la conclusion est simple : avant de demander au modèle de résoudre une tâche, demandez-lui d'abord de vérifier le fichier à la recherche d'instructions cachées, d'exigences étranges et de traces de prompt injection. Pour les employeurs, la conclusion est plus désagréable : les pièges primitifs comme le texte blanc cesseront peu à peu de fonctionner si les LLM modernes se mettent à les repérer de façon stable. Plus largement, c'est le signe que les outils d'IA passent du rôle d'exécutant docile à celui de filtre capable de protéger l'utilisateur contre les manipulations cachées dans les documents, les e-mails et les contenus web.