La nouvelle importante n’est pas seulement une hausse de scores de code. Google, OpenAI et Anthropic montrent la même structure: modèles généraux pour le travail courant, versions plus dangereuses ou plus permissives pour défenseurs vérifiés. Google parle de Gemini 3.8 Flash Cyber via Fairwind Program, OpenAI d’Astra au seuil Critical cybersecurity capability, Anthropic de Mythos 5.1 en accès de confiance.

Modèles d’IA verrouillés pour la défense cyber avec boucliers, bugs et revue de code

La cybersécurité n’est plus une démonstration marginale. Découverte de failles, génération de correctifs, navigation dans de grands dépôts, raisonnement sur exploits, tri de dépendances et usage autonome d’outils deviennent des preuves de capacité. La question pour l’entreprise est le contrôle: qui peut lancer le modèle, sur quel code, avec quels outils et quelle validation humaine?

Ce qui s’est passé

Google présente Gemini 3.8 Flash Cyber comme un modèle pour détection de vulnérabilités et patching automatisé, réservé à des trusted defenders. OpenAI dit qu’Astra atteint un niveau Critical et peut, avec outils et accès adaptés, trouver des failles inconnues et élaborer des voies d’exploitation sans guidage humain étape par étape. Anthropic sépare Fable et Mythos: même modèle, garde-fous différents.

Le marché devient donc à deux niveaux: accès productivité général et accès cyber contrôlé.

Pourquoi la sécurité teste les modèles

Le travail sécurité demande de lire du code inconnu, formuler des hypothèses, comprendre des logs, utiliser des outils, corriger sans casser. Ces compétences servent aussi aux agents de développement. Un entraînement cyber peut donc améliorer le codage général.

Mais une capacité défensive peut être détournée. D’où les programmes fermés, l’audit, les limites d’outils et les cadres de préparation.

Le cas Google

Google cite plus de 70% sur un benchmark interne de 20 langages, 47,2% pass@1 sur CWE-Bench, davantage de correctifs Chrome jugés corrects que de grands modèles commerciaux, et des résultats internes avec Wiz et Google Cloud Vulnerability Research.

Ces chiffres sont utiles, mais ne remplacent pas une validation. Les benchmarks dépendent des jeux de tests, prompts, outils et critères. En production, un correctif proposé doit passer tests, revue et validation sécurité.

Le cas OpenAI

Astra change le ton parce qu’OpenAI utilise le niveau Critical. La société dit avoir retardé développement et sortie pour renforcer les garde-fous, puis prévoir un accès défensif progressif via Daybreak Blue.

Cela crée une tension: les défenseurs veulent l’outil tôt, mais l’accès large augmente le risque d’abus. Si l’accès dépend du pays, de l’identité ou d’une décision fournisseur, petites équipes et mainteneurs open source peuvent rester à l’écart.

Le cas Anthropic

Fable/Mythos rend visible le futur des achats. Il faudra demander quel niveau de capacité est réellement acheté, quelles données sont retenues, où tourne l’infrastructure, quelles tâches sont autorisées et quels logs existent.

En cyber, les prompts contiennent code privé, hôtes internes, rapports de vulnérabilité, journaux et contexte d’incident. Sans contrôle de données et d’accès, la puissance du modèle devient elle-même un risque.

Le dilemme trusted access

Trusted defender semble raisonnable, mais qui décide? Grandes entreprises, États et infrastructures critiques passeront avant. Un petit mainteneur d’une bibliothèque essentielle ou un chercheur hors région favorisée peut être exclu.

Il faut des critères, un recours, un périmètre, des logs, des tâches permises, des limites réseau et un processus de divulgation. Les entreprises doivent écrire leur politique interne avant que l’accès n’arrive.

Fiabilité

L’IA peut trouver une faille ou en inventer une. Elle peut proposer un patch plausible qui casse un invariant, écrire des tests biaisés ou noyer les mainteneurs sous de faux positifs. Les débats HN insistent sur vérification et dette créée par les agents.

Le bon modèle: l’IA propose, le système vérifie. Un finding demande reproduction, versions affectées, impact et preuve. Un patch demande CI, tests, revue de code et validation sécurité.

Déploiement pratique

Commencez par avis de sécurité, dépendances, tri de logs, brouillons de tests et propositions de patch dans des branches isolées. Donnez d’abord un accès lecture seule. Écriture uniquement en fork ou branche temporaire. Pas de secrets production, pas d’accès production direct, sandbox obligatoire et logs exportables.

Pour la chasse aux vulnérabilités, définissez le périmètre comme un pentest: dépôts, hôtes, comptes, outils autorisés, interdits, escalade et divulgation.

Questions aux fournisseurs

La capacité est-elle par défaut ou dans un niveau fermé? Qui qualifie? Quelles restrictions régionales? Les données entraînent-elles les modèles futurs? Existe-t-il une infrastructure contrôlée par le client? Comment les benchmarks sont-ils exécutés? Qu’est-ce qu’un patch correct? Les outils, le réseau et les identifiants sont-ils limitables?

Conclusion

Le cyber-AI est une infrastructure sécurité privilégiée, pas un chatbot. Il exige périmètre limité, identifiants courts, sandbox, CI, revue humaine, logs et règles de divulgation. Les gagnants seront ceux qui associent capacité nouvelle et discipline classique: permissions, tests, audit et contrôle.