Le 17 novembre 2026, GitHub a annoncé les premiers résultats d’un projet pilote mené avec Microsoft. Le but : associer l’Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. à une revue humaine afin de TransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. des milliers d’alertes automatiques en rapports exploitables pour les mainteneurs de projets open‑source.

Un pilote prometteur

Le système, nommé en interne « Codename MDASH », a d’abord analysé six projets – AutoGPT, Caddy, Express, FastMCP, ImageMagick et Netty – avec le modèle MAI Cyber de Microsoft. Le scan a généré 9 791 alertes brutes. Grâce à un agent de triage IA développé par le GitHub Security Lab, ces alertes ont été réduites à 99 rapports privés, chacun accompagné d’une preuve de concept et d’une proposition de correctif.

Comment l’IA filtre les rapports

Le processus se déroule en trois étapes :

  1. Scan automatisé – le modèle MAI Cyber parcourt le code source et repère des patterns pouvant correspondre à des vulnérabilités.
  2. Triage par IA – un agent spécial, basé sur des compétences Copilot sur‑mesure, élimine les doublons, vérifie la validité des découvertes et ne conserve que les bugs à fort impact.
  3. Revue humaine – sept chercheurs du Microsoft FORGE Lab examinent chaque finding restant, valident la preuve de concept et rédigent le rapport qui est ensuite envoyé aux mainteneurs via le canal de signalement privé de GitHub.

Cette combinaison permet d’éviter le « flood » d’alertes que l’on observe souvent avec les scanners gratuits, tout en conservant le jugement humain indispensable à l’évaluation du risque.

Réactions des mainteneurs

Les mainteneurs ont reçu les rapports et, dans la plupart des cas, ont pu appliquer les correctifs rapidement. Caddy a traité les 22 alertes qui lui étaient adressées en moins d’une semaine. ImageMagick, géré par deux personnes seulement, a appliqué un correctif en 15 minutes après que le rapport ait identifié la ligne de code exacte. AutoGPT a intégré une solution en moins d’une semaine, en adaptant le patch suggéré.

Quatre‑vingt‑quatorze des 99 rapports ont déjà été intégrés dans des versions publiées. Les équipes ont toutefois souligné que la découverte n’est plus le goulet d’étranglement ; la mise en œuvre du correctif reste la partie la plus difficile, comme l’a rappelé un contributeur de Netty.

Limites et perspectives

GitHub précise que le pilote reste limité : les chercheurs ont passé en moyenne deux jours par projet pour valider les résultats, ce qui n’est pas encore scalable. Le modèle actuel ne gère pas encore les tests automatisés sur des fourches privées ni l’accès des mainteneurs à des modèles capables de reproduire la preuve de concept avant et après correction.

Les prochaines étapes consistent à intégrer ces leçons dans le système de signalement privé de vulnérabilités et à proposer des scans IA avec triage pré‑validé aux projets soutenus par le GitHub Secure Open Source Fund. L’ambition est d’étendre le dispositif à d’autres communautés tout en évitant de transférer la charge de triage aux mainteneurs.

En résumé, le partenariat GitHub‑Microsoft montre qu’une IA bien encadrée peut réduire le bruit des alertes de sécurité, à condition que chaque rapport soit revu par un expert humain avant d’être remis aux équipes de développement.

Une lecture à partager ?
Partager
Partager cet article
WhatsApp ↗LinkedIn ↗Facebook ↗X ↗E-mail ↗

POUR CONTINUER

Garder le fil.

Toutes les actus ↗