Des chercheurs créent un worm IA capable d’infecter tous les appareils — la menace qui change la donne pour la cybersécurité

Une équipe de chercheurs de l’université de Toronto a repoussé une frontière inquiétante de la cybersécurité : en laboratoire, elle a développé un « worm » (ver informatique) reposant sur des agents d’intelligence artificielle capables d’identifier automatiquement des vulnérabilités, de générer des exploits et de propager l’infection d’un appareil à l’autre. L’exercice, mené dans un environnement confiné et avec la prudence scientifique requise (détails sensibles et code non publiés), met néanmoins en lumière un risque nouveau : l’automatisation sophistiquée des cyberattaques par des modèles d’IA accessibles publiquement.

Comment fonctionne ce worm IA ?

Selon les chercheurs dirigés par Nicolas Papernot, l’essentiel est l’utilisation d’agents IA — des modèles capables d’enchaîner des tâches complexes sans supervision humaine continue. Concrètement, ces agents :

scannent et cartographient la cible pour collecter des informations sur le système ;

identifient, grâce au raisonnement automatisé, des failles logicielles exploitables (y compris des erreurs de configuration) ;

génèrent du code d’exploit adapté à la vulnérabilité détectée ;

déploient l’exploit et se déplacent latéralement vers d’autres machines.

Les expériences ont été réalisées avec des modèles open source, deux GPU puissants (A100 80GB et RTX PRO 6000 Blackwell) et une vingtaine de machines virtuelles isolées. En cinq jours, le prototype a infecté environ la moitié des systèmes simulés en exploitant des vulnérabilités connues non corrigées et des configurations erronées.

Ce qui distingue ce modèle d’un worm traditionnel

Les worms classiques, comme WannaCry en 2017, tirent parti d’une ou de quelques vulnérabilités bien définies : la solution pour les contrer est souvent d’appliquer la ou les correctifs adéquats (patch). Le worm IA testé ici est adaptatif : il ne s’appuie pas sur une unique faille identifiable à l’avance. Grâce au raisonnement récursif et à la capacité d’écriture de code, il peut rechercher plusieurs vecteurs d’entrée et enchaîner des stratégies d’attaque différentes selon la configuration de chaque cible. Autrement dit, une simple patch unique ne suffit plus.

Limites techniques et conditions d’activation

Les chercheurs soulignent que ce prototype est plus lent qu’un ver conventionnel, en raison du coût d’exécution des appels d’inférence vers les modèles de langue et du raisonnement nécessaire pour générer des exploits fiables. Des centaines d’appels LLM sont requis pour préparer une attaque. Toutefois, ce ralentissement est une limitation contingentée : avec des modèles plus économes en ressources, un accès à des GPU embarqués plus puissants ou une optimisation logicielle, la vitesse et l’efficacité d’un tel worm pourraient augmenter substantiellement.

Implications pour la cybersécurité

Augmentation du « coût d’entrée » pour les attaquants : paradoxalement, l’accès public aux modèles open source rend l’outil concevable pour des acteurs malveillants disposant d’un minimum de moyens matériels.

Changement de paradigme : il faut désormais concevoir la défense non plus autour de correctifs isolés, mais de stratégies systémiques — réduction de la surface d’attaque, gestion stricte des configurations et segmentation réseau.

Automatisation défensive : l’IA peut et doit être utilisée symétriquement pour détecter, bloquer et corriger des attaques adaptatives à grande vitesse.

Quelles mesures pratiques pour limiter le risque ?

Les enseignements opérationnels ressortis des travaux sont pragmatiques :

patcher et maintenir les systèmes à jour reste indispensable — mais il faut aller au‑delà et réduire la surface d’attaque globale ;

segmenter les réseaux pour contenir la propagation latérale ;

renforcer la surveillance (logging, détection d’anomalies) et automatiser les réponses pour interrompre une attaque en amont ;

contrôler strictement les configurations et durcir par défaut les équipements IoT et serveurs exposés ;

mettre en place des environnements de test et des honeypots pour étudier et attraper des variantes d’IA‑worms en conditions réelles.

Aspects éthiques et publication responsable

La recherche s’est déroulée dans un cadre éthique — les équipes n’ont pas diffusé le code ni certains détails techniques sensibles. Cette retenue illustre le dilemme permanent des chercheurs en sécurité : publier pour partager les connaissances et améliorer les défenses, ou retenir des informations pour ne pas armer les acteurs malveillants. La transparence scientifique doit être équilibrée avec la responsabilité sociale.

Risques politiques et économiques

Un worm IA opérationnel et efficient pourrait transformer l’économie du cybercrime : réduire drastiquement le coût et le temps nécessaires pour compromettre des infrastructures, entreprises ou services publics. Les conséquences sur la sécurité nationale, la stabilité économique et la confiance dans les services numériques seraient majeures. Les autorités devront coordonner industriels, chercheurs et agences de sécurité pour anticiper et répondre à cette nouvelle génération de menaces.

Questions en suspens

Dans quelle mesure la diffusion de modèles open source rend‑elle inévitable l’apparition de tels outils ?

Quelles normes internationales pour encadrer la recherche en sécurité IA faut‑il définir ?

Comment financer et déployer à grande échelle des systèmes défensifs IA capables de contrer des attaques automatisées ?

Ce prototype de worm IA est un signal d’alarme : il montre qu’une combinaison d’agents intelligents, de puissance de calcul et d’accès à des modèles avancés peut rendre les attaques cybernétiques plus adaptatives et plus dangereuses. La riposte ne peut être que collective, technique et politique — intégrant à la fois la réduction des vulnérabilités, l’automatisation défensive et une gouvernance stricte de la recherche sensible.