Quand les modèles IA ouverts rivalisent avec les solutions propriétaires en cyber‑offensive

Le récent benchmark Vals CyberOffense montre que les modèles d’IAIntelligence 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 poids publics s’approchent rapidement des performances des solutions internes hautement sécurisées. En simulant des réseaux d’entreprise réalistes, les chercheurs ont laissé des agents IA travailler en autonomie, partant uniquement d’une adresse web publique. Le résultat remet en question l’idée selon laquelle seuls les modèles fermés peuvent mener des attaques sophistiquées.

Des scores qui rapprochent le fossé

Dans le test standard, le modèle propriétaireModèle propriétaireModèle dont l'accès, l'utilisation ou la redistribution sont soumis aux conditions définies par son propriétaire. de OpenAI, intégré au programme Daybreak et baptisé GPTGPTFamille de modèles génératifs préentraînés reposant sur l'architecture Transformer, notamment utilisés pour produire du texte.‑6 Sol, a atteint 80,8 % des objectifs. À quelques points derrière, le modèle ouvertModèle ouvertUn modèle dont certains éléments, comme les poids, sont disponibles. Vérifiez la licence : les droits et restrictions varient. Deepseek V4.1 Flash 1017 a réalisé 72,8 % avec un coût d’environ 3 $ par exécution contre près de 22 $ pour le modèle fermé. La différence de performance se réduit d’autant plus que les deux agents partaient d’un même point de départ et étaient totalement autonomes.

Le scénario « Lighthouse », plus exigeant, a poussé les agents à prendre le contrôle d’une première société, à extraire des mots de passe, puis à infiltrer une seconde entité. Daybreak a complété 27 objectifs sur 31 en moins de trois heures. Deepseek, malgré un coût dix fois moindre, a tout de même franchi 21 objectifs, prouvant que les garde‑fous de sécurité ne sont pas suffisants pour empêcher une exploitation efficace.

Le temps de calcul, facteur décisif

Une autre leçon du benchmark porte sur la durée d’exécution. Deepseek n’a rien produit durant les premiers 25 M de tokensTokenUnité de contenu traitée par un modèle de langage, pouvant représenter un mot, une partie de mot ou un caractère. ; la majeure partie de ses succès est survenue après 100 M de tokens. Les évaluations courtes sous‑estiment donc le vrai potentiel des modèles ouverts, qui gagnent en efficacité à mesure que le temps de calcul augmente.

Un coût largement différentiel

Les études de l’AI Security Institute (AISI) confirment ces constats. Un run sur la cyber‑range avec Deepseek V4‑Pro coûte 1,19 $, contre 85 $ pour le modèle propriétaire Opus 4.5 d’Anthropic. La différence de prix ouvre la porte à un usage plus répandu de ces modèles par des acteurs aux moyens limités, y compris des cyber‑criminels.

Des modèles ouverts, des défenseurs plus forts ?

Les chercheurs de Vals soulignent que la même technologie qui permet d’exploiter des failles peut être détournée pour les détecter et les corriger. En intégrant des modèles ouverts dans leurs propres cyber‑ranges, les équipes de sécurité peuvent anticiper les méthodes d’attaque avant qu’elles ne soient employées dans la vraie vie.

Une évolution rapide du paysage

Le rapport de juillet de l’AISI indique que l’écart entre modèles ouverts et fermés en matière de cyber‑capacité s’est réduit à quatre‑sept mois, et devrait se maintenir entre six et dix mois pendant la majeure partie de 2025. Cette tendance s’observe également dans d’autres études, comme celle d’Anthropic qui montre que le modèle libre GLM‑5‑3 crée des exploits presque aussi efficacement que le modèle interne Mythos.

Vers une multiplication des attaques automatisées

Les auteurs de Vals prévoient une hausse du nombre d’attaques automatisées sur des réseaux réels dans les mois à venir. La combinaison d’une performance qui se rapproche de celle des modèles propriétaires et d’un coût d’accès très bas rend les modèles ouverts particulièrement attractifs pour les acteurs malveillants.

Pour les entreprises, le défi consiste désormais à surveiller non seulement les menaces traditionnelles, mais aussi celles qui peuvent être générées par des IA accessibles à tous. Investir dans des solutions de détection basées sur l’IA, tout en restant conscient des limites des garde‑fous, apparaît comme une réponse pragmatique face à cette nouvelle vague de cyber‑offensive automatisée.