Mythos d’Anthropic : ce que les tests indépendants disent vraiment de sa puissance en cybersécurité

La documentation de red teaming d’Anthropic affirme également que le modèle peut :

• identifier des vulnérabilités inédites (zero‑day) dans du code open source
• analyser et reconstruire des exploits dans des logiciels propriétaires
• transformer des failles connues mais non corrigées (N‑day) en exploits exploitables

Ces affirmations proviennent du fournisseur lui‑même et doivent être interprétées avec prudence. Toutefois, les évaluations indépendantes confirment globalement que les modèles d’IA les plus avancés deviennent de plus en plus performants pour analyser les failles et raisonner sur des attaques complexes.

Pourquoi l’IA ne remplace pas encore les experts

Malgré ces avancées, les résultats disponibles ne montrent pas que Mythos puisse gérer seul un programme complet de cybersécurité.

Les chercheurs gouvernementaux soulignent que leurs tests couvrent un ensemble relativement restreint de tâches, et non l’ensemble des activités réelles d’une équipe de sécurité.

Dans la pratique, plusieurs étapes clés nécessitent encore une expertise humaine :

• Évaluer la gravité réelle d’une vulnérabilité
• Vérifier qu’un exploit fonctionne réellement dans un environnement de production
• Prioriser les correctifs à appliquer

Sans ce travail d’analyse, un système d’IA peut générer un grand nombre de vulnérabilités potentielles que les équipes doivent ensuite examiner manuellement.

De plus, les environnements informatiques réels sont beaucoup plus chaotiques que les laboratoires de test : journaux incomplets, documentation manquante, restrictions d’accès, interactions imprévues entre systèmes… autant de facteurs qui compliquent l’automatisation complète des attaques ou de leur détection.

Mythos face à GPT‑5.5 : un écart moins évident

Autre conclusion importante : Mythos n’est probablement pas seul à la frontière technologique.

L’AISI a également évalué GPT‑5.5 dans des tâches similaires et a observé un niveau de performance comparable dans ses évaluations cyber.

Selon des analyses basées sur ces tests :

• GPT‑5.5 aurait atteint environ 71,4 % de réussite sur les tâches « Expert »
• Mythos environ 68,6 % dans les mêmes conditions

Dans la simulation d’attaque réseau en 32 étapes :

• Mythos a réussi 3 tentatives sur 10
• GPT‑5.5 2 tentatives sur 10

Ces chiffres suggèrent que plusieurs modèles de pointe convergent vers des capacités similaires. Dans la pratique, la différence pourrait dépendre davantage de facteurs comme :

• le coût d’utilisation
• l’accès au modèle
• les outils intégrés
• l’intégration dans les flux de travail de sécurité

Les limites des benchmarks de cybersécurité

De nombreuses performances annoncées proviennent d’environnements de test soigneusement construits.

Ces configurations incluent généralement :

• des systèmes volontairement vulnérables
• des failles historiques conservées pour l’évaluation
• des réseaux contrôlés

Ces conditions sont utiles pour mesurer les progrès, mais elles peuvent simplifier la réalité opérationnelle.

Dans certains cas, elles favorisent les modèles capables de raisonnement structuré tout en sous‑estimant des difficultés courantes du terrain : manque de contexte, faux positifs, contraintes opérationnelles ou erreurs d’interprétation.

Des chercheurs ont également observé que les progrès en cybersécurité par IA peuvent être irréguliers (“jagged”) : des systèmes spécialisés ou des configurations spécifiques peuvent parfois rivaliser avec des modèles beaucoup plus grands sur certaines tâches ciblées.

Pour cette raison, les experts considèrent généralement les benchmarks comme des indicateurs de capacité — pas comme une preuve d’autonomie réelle.

Pourquoi gouvernements et banques veulent y accéder

Malgré ces limites, les institutions se précipitent pour tester ce type de système.

Le secteur financier est particulièrement concerné. Selon plusieurs rapports, les trois plus grandes banques japonaises — Mitsubishi UFJ Financial Group, Mizuho Financial Group et Sumitomo Mitsui Financial Group — devraient obtenir un accès au modèle dans le cadre de leurs préparatifs face aux cybermenaces alimentées par l’IA.

Les autorités japonaises ont également lancé des discussions avec les grandes banques et examinent les risques pour l’infrastructure financière.

En Europe et ailleurs, régulateurs et institutions financières cherchent également à accéder à ces technologies afin de disposer d’outils capables de détecter les failles avant les attaquants.

Selon le National Cyber Security Centre (NCSC) britannique, les systèmes d’IA les plus avancés commencent déjà à aider dans certaines étapes des opérations cyber, comme l’identification de failles zero‑day ou la résolution de défis cryptographiques.

Une course technologique qui s’accélère

L’une des raisons de cette urgence est la vitesse d’évolution de ces capacités.

Selon l’AI Security Institute, la durée des tâches cyber que les modèles peuvent accomplir de manière autonome double tous les quelques mois dans leur suite d’évaluation.

Les modèles récents — dont Mythos et GPT‑5.5 — ont même dépassé les tendances d’amélioration précédentes.

Cela alimente une dynamique proche d’une course aux armements numériques :

• les attaquants peuvent utiliser l’IA pour trouver et exploiter plus rapidement des vulnérabilités
• les défenseurs cherchent à utiliser les mêmes outils pour détecter et corriger ces failles en premier

À retenir

L’interprétation la plus solide des preuves actuelles est relativement simple : Mythos est un outil d’IA extrêmement puissant pour la découverte de vulnérabilités et l’expérimentation en cybersécurité — mais pas un défenseur autonome.

Les tests indépendants montrent que les modèles d’IA de pointe peuvent désormais enchaîner des tâches cyber complexes et parfois réussir des simulations d’attaque réalistes. Mais ils rencontrent encore des difficultés dans des aspects essentiels : évaluation de la gravité, validation d’exploits et prise de décisions opérationnelles.

Autre point clé : Mythos n’est probablement pas unique. D’autres modèles de pointe montrent déjà des capacités similaires, ce qui signifie que l’avantage compétitif pourrait dépendre moins d’un modèle unique que de la manière dont les organisations intègrent l’IA dans leurs workflows de sécurité.

Pour les gouvernements, les banques et les opérateurs d’infrastructures critiques, le message est clair : la course à la cybersécurité augmentée par l’IA a déjà commencé.