Ce qu’Anthropic annonce avec Claude Mythos Preview
Project Glasswing réunit des partenaires autour de l’utilisation de Claude Mythos Preview pour rechercher des vulnérabilités dans des logiciels importants. Dans son annonce du 7 avril, Anthropic présente des capacités de découverte et de construction d’exploits, avec des résultats supérieurs à ceux de ses modèles précédents dans les évaluations qu’il communique.
L’accès est restreint aux participants et à certains usages. Il serait inexact d’en déduire une absence complète de commercialisation : l’annonce prévoit des crédits d’utilisation puis des tarifs pour les participants. Cela reste différent d’un modèle ouvert à tous, utilisable librement dans n’importe quel contexte.
Cette distinction compte pour apprécier le risque immédiat. Les capacités d’un système accessible dans un programme encadré ne prouvent pas qu’elles sont déjà disponibles à l’identique pour tous les attaquants. Elles justifient en revanche d’examiner ce qui pourrait changer si des capacités comparables se diffusaient.
Des cas marquants, pas encore une mesure générale de la sécurité
Anthropic décrit notamment des vulnérabilités anciennes découvertes dans OpenBSD et FFmpeg. Ces cas montrent, selon les éléments publiés par l’entreprise, qu’un modèle peut contribuer à des recherches difficiles. Ils ne permettent pas de calculer un taux de découverte applicable à tout logiciel, ni de garantir que les vulnérabilités importantes d’un système donné seront trouvées.
Les deux présentations de Glasswing proviennent du même fournisseur. Les compter comme deux confirmations indépendantes surestimerait la solidité de la preuve. Il faut aussi distinguer la découverte d’un défaut, sa confirmation, la production d’un exploit et la capacité de corriger sans introduire une nouvelle régression.
Pour une organisation, l’évaluation pertinente porte sur son propre périmètre autorisé. Quels langages et composants l’outil examine-t-il ? Combien de résultats nécessitent une vérification ? Quelles informations sensibles lui sont transmises ? Quel effort faut-il pour passer d’un signal à un correctif déployable ? Un classement de modèles ne répond pas à ces questions d’exploitation.
L’automatisation aide la défense, mais ne termine pas le travail
La recherche automatisée de défauts n’a pas commencé avec les modèles de langage. OSS-Fuzz fournit déjà une infrastructure de tests continus pour des projets open source. Le fuzzing soumet les programmes à de nombreuses entrées pour provoquer et détecter des comportements anormaux ; un modèle peut apporter d’autres formes d’exploration et d’interprétation du code.
Cette complémentarité est une piste, pas une validation indépendante des résultats de Mythos Preview. Un outil supplémentaire peut découvrir davantage de problèmes tout en augmentant la charge de qualification. Si l’équipe ne peut ni reproduire les défauts ni traiter les correctifs, la détection progresse sans que la protection suive au même rythme.
Le risque offensif mérite la même précision. Une capacité plus accessible pourrait réduire l’effort nécessaire pour rechercher certaines failles. Elle ne démontre pas que tous les attaquants disposent déjà de ces moyens, ni que le délai entre découverte et exploitation se réduit uniformément pour tous les systèmes.
Se préparer en renforçant la chaîne de correction
L’annonce donne une raison supplémentaire d’examiner l’inventaire des composants, la réception des alertes et les délais de correction selon l’exposition réelle. Pour évaluer un outil de recherche assistée par IA, le périmètre doit être autorisé, les accès limités et les résultats revus avant toute action sur une infrastructure de production.
La capacité à installer un correctif, vérifier son effet et revenir en arrière en cas d’échec reste décisive. Elle dépend des équipes, des procédures et de la connaissance du système autant que de la qualité du modèle. Ajouter une détection plus puissante à une chaîne de correction fragile ne résout pas cette fragilité.
Glasswing constitue donc un signal sérieux sur les possibilités de recherche de vulnérabilités assistée par IA. Il ne suffit pas à établir une sécurité désormais pilotée de bout en bout par des agents. L’intérêt pour les défenseurs se vérifiera dans les défauts confirmés puis corrigés, à un coût et avec un niveau de risque qu’ils peuvent maîtriser.