Le système MDASH de Microsoft coordonne plus de 100 agents d’IA spécialisés pour analyser le code et détecter des vulnérabilités logicielles, et a déjà aidé à identifier 16 failles Windows dont quatre critiques corrig... Contrairement aux outils classiques basés sur un seul modèle, MDASH utilise une architecture mul...

Create a landscape editorial hero image for this Studio Global article: Microsoft just revealed MDASH, a new AI-powered security system that beat Anthropic’s Mythos Preview and OpenAI’s GPT-5.5 on the CyberGym be. Article summary: Microsoft’s MDASH is a newly revealed multi-model, agentic security system that coordinates more than 100 specialized AI agents to find and validate vulnerabilities in complex software environments, and Microsoft says it. Topic tags: general, general web, user generated. Reference image context from search candidates: Reference image 1: visual subject "Microsoft debuts MDASH, an AI cyber system that beats Claude Mythos on security tests "Microsoft debuts MDASH, an AI cyber system that beats Claude Mythos on security tests"). Micr" source context "Microsoft debuts MDASH, an AI cyber system that beats Claude ..." Reference image 2: visual subject "# Microsoft’s m
Microsoft a présenté MDASH (Multi‑Model Agentic Scanning Harness), un système de cybersécurité basé sur l’intelligence artificielle conçu pour découvrir automatiquement des vulnérabilités dans les logiciels. Plutôt que de s’appuyer sur un seul grand modèle, la plateforme coordonne plus de 100 agents d’IA spécialisés qui collaborent pour analyser du code, tester des scénarios d’attaque et confirmer si une faille est réellement exploitable.
Les premiers résultats sont déjà concrets : Microsoft affirme que MDASH a aidé ses équipes de sécurité à identifier 16 vulnérabilités jusque‑là inconnues dans Windows, dont quatre failles critiques permettant l’exécution de code à distance (RCE). Toutes ont été corrigées dans la mise à jour de sécurité Patch Tuesday de mai 2026.
La plupart des outils d’analyse de sécurité utilisant l’IA reposent sur un modèle unique qui scanne le code à la recherche de motifs suspects. MDASH adopte une stratégie différente : un réseau d’agents spécialisés se répartit le travail.
Chaque agent remplit une fonction précise dans la recherche de vulnérabilités, par exemple :
Les agents partagent leurs résultats et peuvent remettre en question les conclusions des autres, ce qui permet de filtrer les faux positifs et de confirmer des failles réelles plutôt que de simples soupçons.
Cette architecture dite "agentique" permet aussi à Microsoft d’intégrer plusieurs modèles d’IA différents dans un même système au lieu de dépendre d’un seul modèle pour toutes les étapes de l’analyse.
Selon Microsoft et plusieurs analyses indépendantes, MDASH a contribué à identifier 16 vulnérabilités Windows touchant notamment les composants réseau et d’authentification.
Parmi elles figurent quatre vulnérabilités critiques d’exécution de code à distance, un type de faille particulièrement dangereux qui pourrait permettre à un attaquant d’exécuter du code malveillant à distance si elle n’était pas corrigée.
Les composants concernés incluent notamment :
Toutes ces failles ont été corrigées dans la mise à jour Patch Tuesday de mai 2026, ce qui signifie qu’elles ont été traitées avant une exploitation massive par des attaquants.
MDASH a également été évalué sur CyberGym, un benchmark conçu pour mesurer les performances des systèmes d’IA dans des tâches de cybersécurité.
Selon les rapports disponibles, le système aurait atteint environ 88,45 % de réussite sur plus de 1 500 tâches, se classant devant des modèles concurrents comme Mythos Preview d’Anthropic lors de cette évaluation.
Cependant, les détails complets de la méthodologie et des données du benchmark ne sont pas encore largement publiés, ce qui rend la vérification indépendante des résultats difficile pour l’instant. Les informations disponibles reposent principalement sur les communications de Microsoft et sur des analyses secondaires.
MDASH illustre une évolution importante dans la manière dont les vulnérabilités logicielles pourraient être découvertes à l’avenir.
Traditionnellement, la recherche de failles repose surtout sur des experts humains ou sur des outils d’analyse statique qui signalent des anomalies potentielles. Les systèmes multi‑agents comme MDASH visent plutôt à :
Si ces systèmes continuent de progresser, ils pourraient accélérer considérablement la découverte et la correction des failles dans des plateformes logicielles majeures comme Windows.
D’après les informations publiées lors du lancement, Microsoft prévoit d’ouvrir MDASH en aperçu privé pour les clients entreprises.
L’entreprise n’a toutefois pas encore précisé sous quelle forme le système sera commercialisé ni dans quels produits de sécurité Microsoft il pourrait être intégré à long terme.
MDASH s’inscrit dans une tendance émergente de l’IA : les systèmes multi‑agents, où plusieurs modèles spécialisés collaborent pour résoudre des problèmes complexes.
Dans le domaine de la cybersécurité, cette approche est particulièrement prometteuse. La découverte de vulnérabilités nécessite à la fois exploration, raisonnement, test et validation — des tâches qui peuvent être réparties entre plusieurs agents spécialisés travaillant ensemble.
Les premiers résultats obtenus par Microsoft suggèrent que ce type de systèmes pourrait bientôt devenir un outil central pour identifier et corriger les failles critiques dans les grands logiciels.
Studio Global AI
Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.
Le système MDASH de Microsoft coordonne plus de 100 agents d’IA spécialisés pour analyser le code et détecter des vulnérabilités logicielles, et a déjà aidé à identifier 16 failles Windows dont quatre critiques corrig...
Le système MDASH de Microsoft coordonne plus de 100 agents d’IA spécialisés pour analyser le code et détecter des vulnérabilités logicielles, et a déjà aidé à identifier 16 failles Windows dont quatre critiques corrig... Contrairement aux outils classiques basés sur un seul modèle, MDASH utilise une architecture multi‑agents où différents modèles collaborent pour analyser, débattre et vérifier les vulnérabilités.
Le système aurait obtenu environ 88,45 % sur le benchmark CyberGym, dépassant notamment le modèle Mythos Preview d’Anthropic lors de cette évaluation.