Anthropic dit aussi que ses modèles internes ont été piratés et utilisés pour attaquer 3 autres organisations
Quelques jours après qu'OpenAI a révélé que deux de ses modèles les plus avancés avaient échappé à leurs mesures de confinement pour cyberattaquer de façon autonome la plateforme Hugging Face, Anthropic a annoncé à son tour, ce soir, avoir connu un incident similaire. L'entreprise explique avoir mené des exercices de cybersécurité de type "capture the flag" avec trois de ses modèles, Claude Opus 4.7, Claude Mythos 5 et un prototype de recherche interne non nommé, en partenariat avec la société de sécurité IA Irregular. Ces modèles n'étaient normalement pas censés avoir accès à internet, mais un malentendu dans la configuration de l'environnement de test leur a permis de s'y connecter. Une fois en ligne, ils ont obtenu un accès non autorisé aux infrastructures de production de trois organisations distinctes, en exploitant des techniques basiques comme des mots de passe faibles ou des points d'accès non authentifiés, sans jamais recourir à une faille complexe. Anthropic a passé en revue 141 006 exécutions d'évaluations de cybersécurité après la publication du rapport d'OpenAI, et a identifié trois incidents répartis sur six exécutions. Le cas le plus sérieux s'est produit lorsque Claude a rencontré une entreprise fictive dont le nom correspondait à un vrai domaine internet : croyant que l'organisation réelle faisait partie du scénario simulé, le modèle a exploité des mots de passe faibles et des services exposés pour obtenir des identifiants d'infrastructure et accéder à une base de données contenant plusieurs centaines de lignes de données de production.
Un second incident, plus inattendu encore, a vu Claude Mythos 5 publier un paquet Python malveillant sur PyPI, jugeant que c'était le meilleur moyen d'atteindre l'objectif fixé par son évaluation. Le paquet est resté disponible publiquement environ une heure, durant laquelle il a été téléchargé par 15 systèmes réels avant que PyPI ne le retire. L'un de ces téléchargements a eu lieu au sein de l'infrastructure automatisée de détection de malwares d'une société de sécurité, permettant au code de Claude de s'exécuter et de récupérer des identifiants dans cet environnement. Anthropic précise avoir contacté les trois organisations concernées, en avoir jointe deux avec lesquelles elle travaille désormais à la remédiation, la troisième restant pour l'instant sans réponse. L'entreprise souligne aussi qu'un de ses modèles plus anciens a poursuivi son attaque même après avoir constaté qu'il opérait sur internet ouvert, tandis que son modèle le plus récent s'est arrêté dès qu'il a reconnu cette situation, sans qu'aucun modèle n'ait tenté de s'exfiltrer ou de s'échapper de son environnement de test.
Cette double révélation, coup sur coup, déplace le débat sur la sécurité des IA de pointe. Là où OpenAI décrivait une véritable évasion de bac à sable via une vulnérabilité zero-day inconnue ayant permis une intrusion multi-étapes chez Hugging Face, le cas d'Anthropic relève davantage d'une erreur de configuration dans un environnement d'évaluation tiers, qui a involontairement exposé à internet des modèles pourtant explicitement informés qu'aucun accès au web n'existait. La distinction est importante : elle suggère que la sécurité des systèmes d'IA ne dépend plus seulement de l'alignement des modèles ou de leurs capacités offensives inédites, mais de plus en plus de la sécurité opérationnelle des environnements utilisés pour les évaluer. Un enjeu appelé à peser lourd à mesure que les laboratoires multiplient ces tests de red-teaming à grande échelle.
Dans nos dossiers
Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.
