L’IA découvre des failles à l’échelle industrielle : la validation devient le nouveau goulot d’étranglement

Google indique qu’au cours de ses dix premiers mois d’utilisation, AVDH a analysé des bases de code représentant des dizaines de millions de lignes et produit des dizaines de milliers de résultats. Dans l’enquête mise en avant, plus de 100 vulnérabilités critiques avérées ont été trouvées en deux jours. Le travail a également contribué à l’attribution de 12 CVE, tandis qu’environ une douzaine d’autres problèmes feraient encore l’objet d’une divulgation coordonnée.

Le chiffre le plus intéressant n’est donc pas le nombre brut d’alertes. C’est la capacité à transformer des milliers d’hypothèses générées par une machine en vulnérabilités reproductibles, documentées et traitées de manière responsable.

AVDH et NOVA ne jouent pas exactement le même match

Palo Alto Networks a communiqué un chiffre beaucoup plus élevé pour NOVA (Network and Open-Source Vulnerability Analyzer), son système autonome de recherche de vulnérabilités fondé sur plusieurs modèles. En deux mois, NOVA aurait analysé 3 915 projets open source et identifié 14 090 vulnérabilités confirmées. Selon les résultats publiés par l’entreprise, 99,4 % n’avaient pas été signalées auparavant et 40 % étaient classées comme élevées ou critiques.

Ces résultats correspondent toutefois à un mode opératoire différent :

• AVDH : une analyse approfondie, limitée dans le temps et liée à une mission de réponse à incident, où la revue humaine et la reproduction d’un chemin d’exploitation jouent un rôle central.
• NOVA : une recherche à l’échelle de l’écosystème, menée sur des milliers de projets open source et optimisée pour l’ampleur de la découverte autonome.

Les informations disponibles ne permettent pas d’affirmer que les deux systèmes ont utilisé les mêmes cibles, les mêmes critères de gravité, les mêmes seuils de faux positifs, les mêmes tests d’exploitabilité ou les mêmes procédures de divulgation. Leurs chiffres ne constituent donc pas un classement universel.

AVDH montre comment des chaînes d’agents peuvent soutenir une investigation à haut niveau de confiance. NOVA montre jusqu’où peut aller la découverte autonome lorsqu’elle est déployée sur un vaste ensemble de logiciels open source. Ensemble, ces résultats illustrent la séparation progressive de deux problèmes : chercher assez largement pour trouver les failles, puis les valider assez rigoureusement pour les rendre exploitables par les équipes de défense.

Le prochain front : réduire l’exposition avant même le correctif

La réponse de Palo Alto Networks à l’accélération de la découverte ne consiste pas seulement à trouver davantage de vulnérabilités. Son projet d’Advanced Virtual Patching vise à déployer en quelques heures des protections au niveau du réseau, afin de réduire l’exposition pendant que les éditeurs et les propriétaires des logiciels préparent un correctif classique. Palo Alto compare cette approche à un délai moyen d’environ 55 jours pour le déploiement d’un correctif traditionnel.

L’entreprise a également annoncé le Frontier AI Critical Defense Program, une initiative qui réunit des entreprises d’IA, des fournisseurs de logiciels, des acteurs de l’open source et des organisations spécialisées dans les technologies opérationnelles. Parmi les participants annoncés figurent notamment Anthropic, OpenAI, IBM, Red Hat, Microsoft, Siemens, Mitsubishi Electric et Axis Communications.

Un correctif virtuel peut être utile lorsqu’un service vulnérable reçoit un trafic identifiable qu’un dispositif réseau peut bloquer. Il reste toutefois une mesure compensatoire, et non un remplacement de la correction du logiciel. Le correctif durable exige toujours qu’un responsable comprenne la faille, modifie le code, teste le changement, le distribue et vérifie qu’il a bien été installé sur les systèmes concernés.

Cette distinction devient cruciale si la découverte progresse plus vite que la correction. Une protection réseau peut réduire le risque immédiat, mais elle ne supprime pas le code vulnérable présent dans une application ou dans une chaîne d’approvisionnement logicielle.

Les attaquants bénéficient de la même accélération

Les progrès défensifs s’accompagnent de signes montrant que les attaquants utilisent l’IA pour des tâches similaires. Le groupe Google Threat Intelligence a rapporté ce qu’il décrit comme le premier cas identifié d’un acteur malveillant utilisant un exploit zero-day dont le développement aurait été aidé par l’IA. L’attaquant prévoyait de l’utiliser dans une campagne de grande ampleur, que la contre-analyse de Google aurait contribué à empêcher.

L’exploit visait un contournement de l’authentification à deux facteurs dans un outil open source populaire d’administration web. Des commentaires pédagogiques et un score CVSS inventé par le modèle ont notamment été cités comme des indices d’une assistance probable par un modèle d’IA.

Cela ne signifie pas que toute vulnérabilité générée ou repérée par une IA débouche sur une attaque opérationnelle. Mais les défenseurs ne peuvent plus compter sur la complexité du code, le manque de chercheurs ou la lenteur des cycles de correction pour leur garantir un délai de réaction suffisant.

La mise en garde de la Cloud Security Alliance est donc déterminante : l’IA augmente la vitesse et l’ampleur de la découverte des vulnérabilités plus rapidement que de nombreux systèmes de divulgation et de correction ne peuvent les absorber. Davantage de découvertes ne renforcent la sécurité que si les organisations disposent des moyens nécessaires pour les trier, coordonner leur divulgation, concevoir les correctifs et déployer les protections sans créer de nouveaux risques.

Les défenseurs peuvent-ils reprendre l’avantage ?

Oui, mais pas en achetant simplement un modèle capable de rechercher des failles. L’avantage ira aux organisations qui relient la découverte à l’ensemble de leur dispositif de sécurité :

1. La modélisation des menaces réduit la recherche aux chemins d’attaque les plus réalistes.
2. L’analyse par agents explore le code et génère plusieurs hypothèses à la vitesse de la machine.
3. La validation indépendante limite le risque de transformer des motifs suspects en rapports trompeurs.
4. La reproduction humaine confirme qu’une faille peut effectivement être exploitée.
5. La divulgation coordonnée donne aux mainteneurs et aux éditeurs une voie pour réagir.
6. Les correctifs virtuels et autres mesures compensatoires réduisent l’exposition pendant la préparation du correctif logiciel.
7. La remédiation priorisée concentre les efforts sur les vulnérabilités les plus accessibles et les plus dangereuses.

AVDH illustre la valeur de cette chaîne connectée : une exploration automatisée très large est associée au jugement humain et à la vérification d’un exploit. NOVA illustre, de son côté, la pression que cette chaîne devra absorber : la découverte autonome peut produire des résultats à une échelle pour laquelle les équipes de sécurité traditionnelles n’ont pas été dimensionnées.

La course aux armements cyber liés à l’IA ne se résume donc pas à savoir quel modèle trouvera le plus de bugs. Elle consiste à boucler plus vite l’ensemble du cycle — détection, validation, protection et correction — que l’adversaire ne peut transformer une vulnérabilité en attaque.

Les défenseurs peuvent reprendre du terrain lorsqu’ils contrôlent le code, les journaux de sécurité, le pipeline de déploiement et les protections réseau. Mais la découverte seule, sans validation, responsable clairement identifié, divulgation, correction et déploiement, risque surtout d’agrandir le problème au lieu de le résoudre.