if ( !emtpy($headline_subheadline ) ) : ?>
L’IA peut aider les attaquants à accélérer la reconstruction des logiciels malveillants, en modifiant les hachages dans l’espoir d’échapper à la détection, mais elle laisse néanmoins des indices durables que les défenseurs peuvent utiliser pour neutraliser la menace.
endif; ?>
De récentes recherches suggèrent que la récente panique suscitée par les logiciels malveillants générés par l’IA pourrait être exagérée.
Le mois dernier, Anthropic a détaillé comment le groupe de cyberespionnage lié à la Russie, Midnight Blizzard, a utilisé Claude pour reconstruire des logiciels malveillants chaque fois que les outils de sécurité signalaient sa porte dérobée comme malveillante.
« Nous avons observé que GTG-20006 fonctionnait via des flux de travail personnalisés basés sur l’IA qui automatisaient une grande partie de leurs opérations depuis le développement, l’acquisition d’infrastructures, le phishing, la persistance via le commandement et le contrôle, jusqu’à l’exfiltration de données », a écrit la société d’IA dans son rapport, faisant référence à Midnight Blizzard, alias APT29 et Cozy Bear, sous le nom de GTG-20006.
Bien que l’utilisation de l’IA par le groupe dans le cadre de ses opérations soit remarquable, ce qui a fait sourciller, c’est la façon dont il l’a fait dans le cadre de sa stratégie d’évasion : « Si leurs agents d’IA de surveillance identifiaient que l’un de leurs logiciels malveillants déployés était détecté par un produit de sécurité, les agents se lanceraient alors dans le processus de modification et de reconstruction autonomes du logiciel malveillant pour échapper aux détections existantes. Les agents étaient conçus pour continuer à itérer sur la boîte à outils de GTG-20006 jusqu’à ce qu’il ne soit pas détecté », a rapporté Anthropic.
Cette boucle autonome – de la surveillance pour la détection à la reconstruction du malware pour affiner l’évasion – soulève le spectre des malwares IA polymorphes, des logiciels malveillants qui modifient automatiquement leur structure de code tout en conservant les mêmes fonctionnalités de base.
Mais la société de renseignement sur les menaces ReversingLabs (RL) a depuis publié un rapport détaillant comment sa télémétrie et sa recherche de menaces basée sur le comportement ont signalé le stager PowerShell de porte dérobée Go de la campagne comme malveillant le 1er août, des semaines avant le rapport d’Anthropic du 10 septembre.
RL a ensuite vu cinq versions du même stager en 25 jours. Bien que chacun ait un hachage différent, tous les cinq se sont comportés de la même manière. Ce profil de comportement cohérent laissait chaque itération ouverte à la détection, selon un article de blog technique de ReversingLabs publié la semaine dernière, car les analystes pouvaient toujours rechercher ce que faisait le malware et comment ses fichiers et son infrastructure étaient connectés.
En conséquence, l’évasion via la reconstruction de l’IA n’est peut-être pas encore aussi infaillible qu’on le craignait au départ.
Variations sur un thème bien connu
La modification d’un fichier pour éviter la détection est l’une des techniques les plus anciennes du secteur, et des logiciels malveillants polymorphes sont déployés pour éviter les signatures depuis des décennies.
« Ce qui ressort de cette activité de Midnight Blizzard, c’est l’externalisation du travail à un LLM », explique Ben Bernstein, responsable de l’équipe de conseillers en cybersécurité de la société de détection et de réponse gérée Huntress. « Ils ont connecté un agent d’IA pour surveiller les outils de sécurité et générer automatiquement de nouvelles variantes sans intervention humaine. Nous avons vu l’automatisation de scripts de base faire cela, mais les grands modèles de langage ne font que rendre la refactorisation plus propre et plus rapide. »
Huntress soutient l’argument de ReversingLabs selon lequel, même si l’IA accélère la reconstruction des logiciels malveillants, elle ne parvient pas à modifier les caractéristiques de leur comportement malveillant.
« Les modèles sont fantastiques pour brouiller la structure du code et échanger des variables pour contourner l’analyse statique », explique Bernstein. « Mais l’IA n’invente pas de nouveaux exploits. Elle automatise simplement le gros travail de réécriture du même script pour garantir que les hachages des fichiers changent. »
En bref, dit Bernstein, « l’emballage est différent, mais l’objectif principal de la charge utile reste exactement le même ».
Expériences malveillantes dans le développement de logiciels malveillants assistés par l’IA
Pourtant, la reconstruction des logiciels malveillants assistée par l’IA constitue une tactique émergente, voire sans précédent, parmi les développeurs de logiciels malveillants.
Par exemple, Google a documenté PromptFlux fin 2025, un script expérimental qui demandait à Gemini de réécrire sa propre source toutes les heures, et PromptSteal, qu’APT28 a utilisé contre l’Ukraine pour générer des commandes au moment de l’exécution.
En mars 2026, Microsoft a publié un rapport décrivant comment le cluster nord-coréen Coral Sleet utilise des outils d’IA agentique pour générer, tester et déployer des charges utiles.
« La plupart d’entre eux sont précoces ou expérimentaux, et la propre évaluation de Microsoft est que les capacités « restent limitées par la fiabilité, la latence et le risque opérationnel » », déclare Igor Lasic, vice-président directeur de l’ingénierie chez ReversingLabs.
Mais ce cas le plus récent impliquant Midnight Blizzard est « le plus clair jamais enregistré », selon Lasic, car deux sources indépendantes ont décrit la même infrastructure : Microsoft le 31 juillet sous le nom de CaptiveCrunch, nommant les fichiers CornFlake et ChocoShell, et Anthropic le 10 septembre avec une visibilité sur la façon dont l’opérateur a utilisé Claude.
« Nous avons conservé les deux dossiers du 6 et du 10 juillet, avant l’un ou l’autre rapport », explique Lasic.
Limites persistantes
Néanmoins, le récent rapport de ReversingLabs ne reflète peut-être que l’état actuel de la reconstruction des logiciels malveillants assistée par l’IA, car certaines des limitations qui caractérisent l’instance de Midnight Blizzard pourraient être quelque chose que des modèles plus avancés pourraient surmonter, concède Lasic.
« Aujourd’hui, un modèle réécrit le fichier gratuitement, mais ne peut pas réécrire à moindre coût le code du serveur qui analyse la balise, réenregistre les domaines ou ré-enregistre les victimes de phishing. Les indicateurs qui ont survécu sont donc ceux qui ont dû changer à deux endroits à la fois », explique Lasic. « Un agent plus compétent ayant accès à l’ensemble des opérations pourrait coordonner ces changements, et je m’attends à ce que les indicateurs d’infrastructure vieillissent plus rapidement au cours des prochaines années, comme c’est déjà le cas pour les hachages. »
Si le coût et la disponibilité de modèles plus sophistiqués ne constituent peut-être qu’une limite temporaire pour la reconstruction des logiciels malveillants assistée par l’IA, deux autres limites sont plus proches de la fondamentale : le comportement du code malveillant et les indices laissés au cours d’une campagne malveillante qui permettent sa détection.
« Un implant qui vole des informations d’identification doit lire le magasin d’informations d’identification et celui qui appelle chez lui doit ouvrir une connexion, quelle que soit la personne qui l’a construit », explique Lasic. « L’obscurcissement rend cela plus difficile à extraire, mais aucune réécriture ne supprime une exigence sans supprimer la fonctionnalité. »
De plus, un modèle peut modifier le build suivant mais pas les builds déjà observés, horodatés et liés au même serveur.
« Une reconstruction plus rapide produit davantage d’artefacts, et chacun d’entre eux est un autre fil conducteur de l’opération », conclut Lasic.
Bernstein de Huntress soutient l’évaluation de ReversingLabs selon laquelle la chasse basée sur le comportement restera efficace même contre le développement de logiciels malveillants assisté par l’IA.
« Vous pouvez dissimuler un code malveillant toute la journée, mais si un script tente de supprimer les informations d’identification ou d’établir la persistance, la plupart des EDR (outils de détection et de réponse des points finaux) modernes détecteront l’action elle-même », explique Bernstein.
Une autre limite du développement de logiciels malveillants assisté par l’IA est que même les modèles les plus récents sont formés pour exploiter les vulnérabilités de sécurité connues.
« Ils (les modèles d’IA) remixent des modèles connus plutôt que d’imaginer des jours zéro », conclut Bernstein. « Les futurs modèles pourraient s’améliorer s’ils pouvaient tester activement leurs résultats dans des environnements réels pour détecter des défauts non découverts, mais pour l’instant, ils recyclent simplement les techniques connues à une vitesse plus élevée. »
