Les cyberattaques gagnent en autonomie, selon le renseignement de Google

Le GTIG décrit des agents offensifs, le détournement de ressources IA et des campagnes d’influence. En réponse, Google présente une défense automatisée.

Sur un serveur de préparation d’attaques exposé, les chercheurs de Google ont découvert un outil configuré pour analyser des correctifs logiciels, identifier les failles correspondantes puis produire et exécuter des attaques sans intervention humaine. Les données retrouvées suggèrent un intérêt particulier pour des sites français liés aux médias, au divertissement et à l’éducation. Ce cas figure dans le dernier rapport du Google Threat Intelligence Group, qui rassemble les observations du GTIG et de Mandiant.

L’enquête décrit une progression de l’usage offensif des modèles de langage : des opérateurs relient désormais analyse, utilisation d’outils et adaptation aux résultats dans des chaînes automatisées. Le constat porte sur des tâches et des séquences observées pendant des intrusions. Il ne signifie pas que toutes les campagnes décrites se déroulent sans opérateur humain. Les correctifs deviennent une matière première

L’outil découvert, baptisé exploitagent, compare les versions d’applications web avant et après une correction pour comprendre ce qui a changé. Cette analyse peut révéler la faiblesse que le correctif vise à supprimer, puis alimenter la préparation d’une attaque contre les installations restées vulnérables. Le délai critique se situe entre la publication d’une correction et son déploiement effectif chez les utilisateurs.

Cette méthode cible des failles déjà connues ou corrigées par l’éditeur, souvent désignées comme n-day. Elle se distingue de la recherche de vulnérabilités encore inconnues, les zero-day. Selon le GTIG, les modèles facilitent particulièrement l’analyse d’un ensemble délimité de versions de code, de notes de publication et de travaux de sécurité.

Une enquête de GreyNoise citée dans le rapport apporte un autre exemple. Lors d’une campagne contre le logiciel de gestion d’impression PaperCut, l’entreprise a observé l’usage d’agents IA pour développer, tester et déployer des attaques. Elle recense au moins 440 installations compromises, rattachées à 395 organisations identifiées dans 48 pays. Dans cette campagne, moins de quatre heures séparent la création de l’espace de travail de la première exécution de code sur une victime réelle. Une autonomie qui laisse des traces

Le détournement d’outils de test de sécurité constitue un autre volet du rapport. Des systèmes multi-agents répartissent les tâches, utilisent des logiciels existants et ajustent leurs actions à partir des réponses obtenues. Le GTIG rapporte des déploiements de CAIRN et PentAGI dans des opérations réelles, tout en distinguant ces observations des expérimentations repérées avec d’autres outils.

Cette accélération conserve des limites. Les exécutions automatisées produisent du trafic et des traces techniques reconnaissables, au détriment de la discrétion. Les modèles peuvent aussi inventer des détails, viser des éléments inexistants ou produire des codes d’attaque non fonctionnels. Le rapport décrit une multiplication de fausses preuves de faisabilité qui ajoutent du travail de vérification aux équipes de sécurité.

Les protections existantes peuvent également bloquer certaines tentatives. Dans la campagne PaperCut étudiée par GreyNoise, un pare-feu applicatif a empêché l’attaque contre au moins un serveur protégé. Le calcul et l’influence deviennent aussi des marchés

Le détournement de ressources IA, appelé LLMJacking, consiste à utiliser les comptes et les infrastructures cloud d’une organisation compromise pour consommer ses services de modèles ou sa puissance de calcul. Des intermédiaires revendent ensuite cet accès. Dans les incidents traités par Mandiant, certaines factures frauduleuses dépassent 100 000 dollars sur une journée ; les cas les plus graves atteignent un million de dollars cumulés avant remédiation. Ces montants décrivent des incidents particuliers, pas un coût moyen.

Les opérations d’influence utilisent également les modèles pour créer des identités fictives, adapter les messages à une région et automatiser leur diffusion. Le GTIG décrit des prestataires commerciaux, des acteurs soutenus par des États et des réseaux cherchant surtout des revenus publicitaires. Une meilleure qualité des contenus et une production accrue ne démontrent pas, à elles seules, une influence plus forte sur les publics, précise le rapport. La défense automatisée comme réponse proposée

La publication accompagne la mise en avant de Google AI Threat Defense. Cette offre associe Gemini et d’autres modèles à l’analyse du contexte et à la hiérarchisation des risques de Wiz, aux capacités de correction de CodeMender et au renseignement de Mandiant. Le fournisseur entend relier la découverte des expositions, l’analyse du code, la préparation de correctifs et la surveillance continue. Les observations du rapport servent donc aussi à présenter sa réponse commerciale.

L’architecture annoncée répartit les traitements entre modèles légers pour les vérifications continues et modèles plus avancés pour les vulnérabilités à haut risque. La page de l’offre prévoit également l’accompagnement des équipes par Mandiant pour organiser le déploiement des correctifs produits par IA.