Le 16 novembre 2026, le Google Threat Intelligence Group (GTIG) a décrit un framework d'attaque qui lit les correctifs de sécurité d'applications web, en déduit la faille corrigée, écrit l'exploit et l'exécute, sans opérateur humain1. D'après les traces laissées sur son serveur, l'opérateur visait des sites français des médias, du divertissement et de l'éducation. Pour les DSI de ces secteurs, un indicateur passe devant les autres : le temps qu'il faut pour mettre un correctif en production.
Ce que GTIG a trouvé
Le rapport est l'AI Threat Tracker trimestriel de GTIG, publié avec Mandiant et signé par Aurora Blum, Kelli Vanderlee, Jess Xia et David Mainor1. Sa phrase centrale : au cours du dernier trimestre, GTIG a identifié pour la première fois des attaquants qui utilisent des frameworks de LLM pour automatiser entièrement la découverte et l'exploitation de vulnérabilités, sans humain dans la boucle. Deux mois plus tôt, l'édition précédente indiquait n'avoir observé aucun pipeline d'attaque autonome déployé contre des cibles réelles2, et les éditions antérieures ne relevaient qu'une automatisation partielle3.
Le cas central s'appelle exploit_agent. GTIG l'a trouvé sur un serveur de staging laissé exposé : un framework multi-agents de recherche et d'exploitation de vulnérabilités, branché sur plusieurs modèles frontier et sur des modèles exécutés localement1. Le rapport ne dit pas lesquels.
Le framework pratique l'analyse différentielle en continu sur des logiciels web répandus. Il compare le code avant et après l'annonce d'un correctif, en déduit la faille probable, rédige un exploit et l'exécute automatiquement1. Comparer deux versions pour comprendre ce qu'un correctif répare est une technique ancienne des chercheurs en sécurité. La nouveauté tient à l'enchaînement complet, de la lecture du correctif à l'exécution de l'exploit, sans personne pour valider une étape. L'exemple illustré dans le rapport porte sur une extension WordPress très répandue, ce qui concerne directement les sites éditoriaux.
Sur le même serveur, les analystes ont trouvé des données exfiltrées de victimes et des scripts de post-compromission : reconnaissance interne, force brute, installation de webshells, suppression des webshells d'autres attaquants. Selon GTIG, la télémétrie des victimes laisse penser que l'opérateur s'intéressait spécifiquement à des sites français liés aux médias et au divertissement, ainsi qu'au secteur de l'éducation1.
Ce que le rapport ne dit pas
Une partie de la presse parle de hackers russes et de première cyberattaque entièrement automatisée. Le rapport est plus prudent. Il reproduit deux commentaires en russe tirés du fichier qui configure les clés d'API des modèles : « LLM API-ключи для авто-эксплуатации (пилот exploit_agent) » et « Впиши ключи сам — сюда, не в чат. Обе строки обязательны. ». Le premier annonce des clés pour l'auto-exploitation du pilote exploit_agent ; le second demande de saisir les clés dans le fichier plutôt que dans le chat1. GTIG n'attribue exploit_agent à aucun groupe ni à aucun pays. CyberScoop, qui titre sur des hackers russophones, précise que l'attribution repose sur ces commentaires et que les chercheurs n'ont nommé ni groupe ni État4. La langue d'un commentaire dans un fichier de configuration ne dit rien d'une nationalité ni d'un lien avec un État.
GTIG parle du premier cas qu'il a observé, sans revendiquer une première mondiale. Le rapport ne donne ni nombre de victimes, ni liste de vulnérabilités exploitées, ni délai mesuré entre un correctif et son exploitation par exploit_agent. CSO Online relève aussi que le rapport n'établit pas que les données volées l'ont été par les opérations autonomes du framework5.
Le fait établi suffit : un pipeline qui transforme un correctif en exploit sans intervention humaine a tourné contre des cibles réelles.
Pourquoi les failles déjà corrigées passent devant
GTIG avance une explication. Un correctif fournit un matériau fini : l'ancien code, le nouveau, les notes de version, parfois une preuve de concept publiée. Il est plus efficace pour un LLM de travailler sur ce périmètre que de chercher une faille inconnue1. Les chiffres du rapport vont dans ce sens : entre janvier et août 2026, les divulgations et les exploits ont presque doublé, alors que les zero-days exploités sont passés d'une moyenne de 8 par mois en 2025 à 11 par mois en 2026, avant un pic à 22 en août1. Les failles connues, les n-days, progressent plus vite que les zero-days.
D'autres cas montrent la même compression. GTIG cite une campagne décrite par GreyNoise contre les serveurs d'impression PaperCut, lancée quatre jours après la divulgation : l'attaquant a probablement utilisé des LLM pour construire et tester ses exploits, dresser sa liste de cibles et viser des centaines d'organisations, et il est passé d'un premier accès aux droits d'administrateur de domaine en quelques minutes1. Après la publication des deux correctifs de PHP2Shell le 21 octobre, des centaines de prétendus exploits sont apparus en quelques jours, pour la plupart non fonctionnels et probablement générés par IA, selon CyberScoop4.
Ces frameworks ont une faiblesse, selon GTIG : ils sacrifient la discrétion à la vitesse. Leur exécution sans retenue produit du trafic, repose sur des identifiants reconnaissables et laisse des traces de code distinctes1. Le rapport prévient que cet avantage pour la détection se réduira à mesure que les outils et les modèles progresseront. exploit_agent n'est d'ailleurs pas seul : le même rapport décrit d'autres frameworks offensifs, dont ARTEX, devenu très médiatisé.
Le goulot passe dans la chaîne de livraison
Quand l'exploitation suit le correctif de quelques jours, un cycle mensuel de mise à jour arrive trop tard. Jason Elrod, RSSI de MultiCare Health System, le dit à TechTarget : les cycles de correction traditionnels deviennent obsolètes, et certains correctifs devront être appliqués en heures plutôt qu'en jours ou en semaines3. Pour un site d'information, une plateforme de billetterie ou un espace numérique de travail, la question pratique devient : combien de temps entre la publication d'un correctif de CMS, d'extension ou de bibliothèque et sa mise en production chez nous ?
Ce délai dépend rarement de la décision de corriger. Il dépend de la capacité à reconstruire, tester et redéployer sans casser le site. Les leviers sont connus :
- un inventaire à jour des CMS, extensions, thèmes et bibliothèques exposés sur Internet, avec leurs versions ;
- des dépendances maintenues en continu, par petites montées de version, plutôt que par rattrapages massifs qui bloquent tout ;
- une intégration continue qui reconstruit et teste l'application en quelques minutes, avec assez de tests pour déployer un correctif le jour même ;
- un chemin de déploiement accéléré pour les applications exposées, avec un retour arrière automatisé ;
- une détection réglée sur les signaux bruyants que décrit GTIG : rafales de requêtes, webshells qui apparaissent, tentatives de force brute.
Les agents de code ont leur place dans cette chaîne : préparer la montée de version, adapter le code appelant, écrire les tests de non-régression. Google défend la même approche avec CodeMender, l'agent qui prouve la faille et propose le correctif. L'attaquant d'exploit_agent se sert d'outils de même nature, dans l'autre sens. Nous en tirions la conséquence dès le 6 novembre : l'exploit n'est plus le goulot, c'est le délai de correction qui fixe le risque.
Le rapport rappelle aussi que les clés d'API des modèles sont devenues une cible. Des acteurs motivés par l'argent les volent dans des environnements compromis et revendent l'accès aux modèles par des proxys clandestins ; GTIG a vu des facturations frauduleuses dépasser 100 000 dollars en une journée1. Les agents que vous déployez pour accélérer vos correctifs détiennent ces clés, et souvent l'accès à vos dépôts.
Ce que fait l'offre AI Cyber de SFEIR
L'offre AI Cyber intervient côté défense, sur deux axes.
Le premier est le code existant : legacy, applicatifs internes, code sous-traité. Nos agents le relisent en boîte blanche, un type de faille à la fois, et livrent chaque faille avec un test qui la prouve et son correctif. Un code relu et couvert par des tests se corrige plus vite, parce que l'équipe sait ce qu'un changement risque de casser.
Le second est le confinement des agents : postes, conteneurs, droits, choix du modèle selon la sensibilité des données, règles d'approbation des outils. Ces points se cadrent avant l'ouverture du premier dépôt.
L'offre ne comprend ni test d'intrusion ni red team. Pour ces besoins, et pour les sites exposés, nous orientons vers des prestataires spécialisés.
En un mot
exploit_agent est un cas unique, documenté par un seul acteur, à partir d'un seul serveur. Il illustre une tendance que les chiffres de GTIG décrivent déjà : les failles connues et corrigées sont exploitées de plus en plus vite. Pour une DSI des médias, du divertissement ou de l'éducation, le premier chantier consiste à mesurer son délai réel entre la publication d'un correctif et son déploiement, puis à le réduire.
Sources
- Google Threat Intelligence Group (Aurora Blum, Kelli Vanderlee, Jess Xia, David Mainor), « GTIG AI Threat Tracker: Agentic Threat Activity Crosses a Significant Threshold », Google Cloud Blog, 16 novembre 2026. cloud.google.com
- Duncan Riley, « Google says an AI framework turned security patches into exploits with no human in the loop », SiliconANGLE, 16 novembre 2026. siliconangle.com
- Alissa Irei, « Google finds AI agents autonomously turning patches into exploits », TechTarget, 17 novembre 2026. techtarget.com
- Greg Otto, « Google says Russian-speaking hackers ran the first fully automated AI cyberattack », CyberScoop, 16 novembre 2026. cyberscoop.com
- Prasanth Aby Thomas, « Google spots the first hacker AI system that finds and exploits flaws autonomously », CSO Online, 17 novembre 2026. csoonline.com
Passer à l’action