IA Offensive : Comment les Attaquants Utilisent les LLM

Table des Matières

1 Le Paysage des Menaces IA en 2026

L'année 2026 marque un tournant décisif dans l'utilisation offensive de l'intelligence artificielle. Depuis les premiers cas documentés en 2023 où des acteurs malveillants exploitaient ChatGPT pour générer du code malveillant rudimentaire, l'écosystème des menaces a connu une évolution exponentielle. Les rapports de Mandiant, CrowdStrike et Recorded Future convergent vers un constat alarmant : plus de 78% des campagnes APT détectées en 2025-2026 intègrent désormais une composante IA dans au moins une phase de leur kill chain.

Statistiques clés et démocratisation

La démocratisation des LLM open-source a radicalement transformé le paysage. Avec des modèles comme Llama 3, Mistral, Qwen et DeepSeek disponibles en téléchargement libre, les barrières techniques se sont effondrées. Les cybercriminels n'ont plus besoin de compétences avancées en programmation pour créer des outils sophistiqués. Selon le rapport Europol EC3 de janvier 2026, le nombre de malwares générés par IA a augmenté de 340% entre 2024 et 2025, tandis que le coût moyen d'une campagne de phishing a chuté de 95% grâce à l'automatisation par LLM.

• ▹WormGPT, FraudGPT, DarkBERT : prolifération de modèles spécialisés sans guardrails sur les forums underground, certains fine-tunés sur des datasets de malware et d'exploits
• ▹Malware-as-a-Service (MaaS) augmenté par IA : les plateformes RaaS intègrent des modules LLM pour personnaliser automatiquement les payloads selon la cible
• ▹Coût d'entrée quasi nul : un attaquant peut désormais lancer une campagne de spear phishing ciblé pour moins de 50€ en utilisant des API LLM et des outils d'automatisation
• ▹Attribution plus difficile : le code généré par IA ne porte pas les signatures stylistiques habituelles des groupes APT connus, compliquant le travail de threat intelligence

Taxonomie des usages offensifs des LLM

Pour structurer l'analyse des menaces, nous proposons une taxonomie alignée sur la cyber kill chain de Lockheed Martin, augmentée par les capacités spécifiques des LLM. Chaque phase de la chaîne d'attaque peut désormais être amplifiée, voire entièrement automatisée, par l'intelligence artificielle générative :

Cette taxonomie permet aux équipes de sécurité de cartographier précisément les risques liés à l'IA offensive et d'identifier les points de détection prioritaires dans chaque phase. La compréhension de ces mécanismes est fondamentale pour construire une stratégie de défense en profondeur adaptée aux menaces de nouvelle génération.

2 Génération de Malware Assistée par LLM

La génération de malware par LLM représente l'une des menaces les plus concrètes et les plus documentées de l'IA offensive. Les modèles de langage modernes, même ceux dotés de guardrails robustes, peuvent être détournés pour produire du code malveillant fonctionnel. Les chercheurs de Check Point Research et de Palo Alto Unit 42 ont démontré que les techniques de jailbreak permettent de contourner les protections dans plus de 60% des cas testés.

Code polymorphe et métamorphe via LLM

Le polymorphisme classique repose sur des routines de chiffrement et de déchiffrement qui modifient l'apparence du malware à chaque instance. Avec les LLM, cette technique franchit un nouveau palier : le modèle peut réécrire complètement la logique fonctionnelle d'un malware tout en préservant son comportement. Le résultat est un code qui change non seulement d'apparence mais aussi de structure algorithmique, rendant la détection par signatures pratiquement impossible.

# Exemple conceptuel : mutation polymorphe via LLM
# Le LLM génère des variantes fonctionnellement identiques
# mais structurellement différentes à chaque itération

Variante A : data = base64.b64decode(encoded)
              sock.connect((host, port))
              sock.send(data)

Variante B : import codecs
              payload = codecs.decode(encoded, 'base64')
              connection = socket.create_connection((host, port))
              connection.sendall(payload)

Variante C : from binascii import a2b_base64
              raw = a2b_base64(encoded)
              s = socket.socket()
              s.connect((host, port))
              s.send(raw)

# → Même fonctionnalité, 3 signatures différentes
# → Détection par hash : 0% de correspondance

Obfuscation automatique et évasion

Les LLM excellent dans l'obfuscation de code car ils comprennent la sémantique du programme. Contrairement aux obfuscateurs traditionnels qui appliquent des transformations mécaniques, un LLM peut raisonner sur le flux d'exécution et appliquer des transformations contextuellement pertinentes. Les techniques observées incluent le renommage sémantique des variables (utilisant des noms plausibles liés au domaine métier de la cible), l'insertion de code mort réaliste, et la réorganisation des structures de contrôle.

Au-delà de la génération de code, les LLM sont utilisés pour créer des scripts de post-exploitation complets : énumération de systèmes, escalade de privilèges, mouvement latéral et persistance. L'attaquant peut décrire en langage naturel son objectif et obtenir un script PowerShell, Python ou Bash opérationnel en quelques secondes, adapté à l'environnement cible spécifique.

3 Social Engineering Automatisé par IA

Le social engineering a toujours été le vecteur d'attaque le plus efficace, exploitant la faille humaine plutôt que technique. Avec les LLM, cette menace atteint un niveau de sophistication sans précédent. Les attaquants peuvent désormais mener des campagnes de spear phishing hyper-personnalisées à grande échelle, combinant la précision du ciblage individuel avec le volume d'une opération automatisée. Le rapport Verizon DBIR 2026 indique que les attaques de phishing générées par IA affichent un taux de clic 3,5 fois supérieur aux campagnes traditionnelles.

Spear Phishing hyper-personnalisé via LLM

La chaîne d'attaque du phishing IA commence par une phase de reconnaissance automatisée. Un agent IA scrape le profil LinkedIn de la cible, ses publications sur les réseaux sociaux, ses contributions à des projets open-source, ses interventions dans des conférences. Ces données alimentent un prompt structuré qui génère un email parfaitement contextualisé, reprenant le ton, le vocabulaire et les centres d'intérêt de la cible.

# Pipeline de spear phishing IA — flux conceptuel

1. Reconnaissance
   LinkedIn scraping → extraction poste, compétences, collègues
   Twitter/X analysis → sujets d'intérêt, ton de communication
   GitHub repos → stack technique, projets récents

2. Profiling LLM
   Prompt: "Analyse ce profil et identifie les leviers
           psychologiques exploitables (urgence, autorité,
           curiosité technique, FOMO)"

3. Génération email
   Prompt: "Rédige un email de {collègue réel} à {cible}
           concernant {projet récent} avec un lien vers
           un document partagé urgent"

4. Résultat
   → Email indiscernable d'une communication légitime
   → Contexte vérifié, noms réels, projet existant
   → Taux de détection par filtres : <5%

Vishing et deepfake vocal

Le vishing (voice phishing) augmenté par IA représente une menace en pleine expansion. Les technologies de clonage vocal en temps réel comme celles développées par ElevenLabs, Resemble.AI ou les modèles open-source VALL-E et Bark permettent de reproduire fidèlement la voix d'un dirigeant à partir de quelques secondes d'échantillon audio. En 2025, le cas médiatisé de l'attaque contre Arup (25 millions de dollars perdus) via deepfake vidéo lors d'une visioconférence a démontré la maturité de cette technique.

• ▹Clonage vocal en temps réel : quelques secondes de voix suffisent pour générer un clone vocal convaincant, utilisé dans des appels téléphoniques frauduleux aux équipes financières
• ▹Deepfake vidéo en visioconférence : des attaquants utilisent des avatars vidéo en temps réel pour usurper l'identité de dirigeants lors de réunions Teams/Zoom
• ▹BEC (Business Email Compromise) automatisé : les LLM génèrent des chaînes complètes d'emails crédibles imitant le style d'un CEO pour ordonner des virements urgents

Chatbots malveillants et ingénierie sociale interactive

Une tendance émergente est le déploiement de chatbots malveillants autonomes sur des plateformes de messagerie, des sites web compromis ou des faux portails de support technique. Ces chatbots, alimentés par des LLM, sont capables de mener des conversations interactives convaincantes pour extraire progressivement des informations sensibles : identifiants, codes MFA, données bancaires. Contrairement aux pages de phishing statiques, ces agents conversationnels s'adaptent aux réponses de la victime, gèrent les objections et maintiennent la pression psychologique en temps réel.

4 Reconnaissance et OSINT Augmentées par IA

La phase de reconnaissance est historiquement l'étape la plus chronophage d'une opération offensive. Les LLM transforment radicalement cette phase en permettant une collecte et analyse d'informations à une vitesse et une profondeur inédites. Là où un pentester humain passe des heures à parcourir des sources OSINT, un agent IA automatisé peut corréler des milliers de données en quelques minutes, identifiant des patterns invisibles à l'analyse manuelle.

Scraping et analyse automatique de surface d'attaque

Les agents IA de reconnaissance combinent des outils classiques (Shodan, Censys, SecurityTrails, crt.sh) avec des capacités d'analyse sémantique LLM pour cartographier automatiquement la surface d'attaque d'une organisation. Le processus est structuré en couches progressives :

• ▹Enumération de sous-domaines et services : l'IA agrège les résultats de multiples sources (DNS, certificats TLS, archives web) et identifie automatiquement les services exposés, leurs versions et leurs vulnérabilités connues
• ▹Analyse des métadonnées documentaires : extraction automatique des métadonnées de documents PDF, DOCX, XLSX accessibles publiquement (noms d'utilisateurs, chemins internes, versions logicielles)
• ▹Cartographie organisationnelle : construction automatique de l'organigramme de l'entreprise via scraping LinkedIn, identification des décisionnaires et des accès privilégiés potentiels
• ▹Détection de fuites de données : analyse des pastebins, dépôts GitHub publics, forums underground pour identifier des credentials ou secrets exposés accidentellement

Corrélation de données OSINT et profilage de cibles

La puissance réelle des LLM en reconnaissance réside dans leur capacité à corréler des informations disparates provenant de sources multiples. Un agent IA peut combiner des informations issues de fuites de bases de données avec des profils de réseaux sociaux pour construire un graphe de relations socioprofessionnelles extrêmement précis. Ce profilage sert ensuite de base pour les campagnes de social engineering.

# Architecture d'un agent OSINT IA — flux d'analyse

Sources de données :
├── DNS / Whois / Certificats TLS
├── Shodan / Censys / BinaryEdge
├── LinkedIn / Twitter / GitHub
├── Glassdoor / Crunchbase
├── Pastebins / Dark web forums
└── Google Dorks automatisés

Analyse LLM :
├── Corrélation multi-sources
├── Identification de patterns
├── Évaluation de risque par asset
├── Scoring de vulnérabilité contextuel
└── Recommandation de vecteurs d'attaque

Output structuré :
├── Rapport de surface d'attaque
├── Graphe de relations (cibles prioritaires)
├── Liste de credentials potentiels
├── Vulnérabilités classées par exploitabilité
└── Scénarios d'attaque recommandés

Identification de vulnérabilités via analyse de code source public

Une application particulièrement redoutable des LLM en reconnaissance est l'analyse automatique de code source public pour identifier des vulnérabilités exploitables. Les modèles de code comme Code Llama, StarCoder et DeepSeek-Coder peuvent scanner des dépôts GitHub entiers pour détecter des failles de sécurité : injections SQL, XSS, SSRF, désérialisations non sécurisées, secrets codés en dur. Cette analyse, qui prendrait des semaines à un auditeur humain, s'effectue en quelques heures avec un taux de faux positifs de plus en plus faible.

5 Évasion de Détection Assistée par IA

L'évasion de détection est le domaine où l'IA offensive produit ses effets les plus dévastateurs. Les défenses traditionnelles — antivirus basés sur signatures, règles YARA statiques, heuristiques comportementales simples — sont systématiquement contournées par des techniques adaptatives alimentées par des LLM. En 2026, les solutions EDR les plus avancées peinent à maintenir un taux de détection satisfaisant face à des malwares qui mutent en temps réel en fonction des réponses de l'environnement de sécurité.

Mutation de malware pour contourner EDR/AV

La stratégie la plus répandue consiste à utiliser un LLM en boucle de feedback avec un moteur antivirus local. L'attaquant soumet son malware à VirusTotal ou à un sandbox privé, récupère les signatures de détection, puis demande au LLM de réécrire le code pour éviter spécifiquement ces patterns. Ce cycle itératif converge généralement en 3 à 5 itérations vers un binaire indétectable par la majorité des moteurs AV commerciaux.

# Boucle d'évasion EDR assistée par LLM — flux conceptuel

ITERATION 1 :
  malware.exe → VirusTotal → 38/72 détections
  Analyse signatures : "Win32.Trojan.GenericKD"
  LLM prompt: "Réécris ce loader pour éviter la détection
               heuristique de type GenericKD. Utilise
               l'injection de processus via NtCreateSection."

ITERATION 2 :
  malware_v2.exe → VirusTotal → 12/72 détections
  Analyse signatures : "HEUR:Trojan.Win32.Agent"
  LLM prompt: "Les détections restantes ciblent le pattern
               d'appels syscall. Remplace par des appels
               indirects via ntdll.dll non hookée."

ITERATION 3 :
  malware_v3.exe → VirusTotal → 2/72 détections
  LLM prompt: "Ajoute un mécanisme de chargement en mémoire
               avec unhooking ETW et patch AMSI."

RESULTAT FINAL :
  malware_v4.exe → VirusTotal → 0/72 détections ✓

Adversarial ML contre les modèles de détection

Au-delà de l'évasion de signatures, les attaquants utilisent des techniques d'adversarial machine learning pour tromper directement les modèles de détection des solutions EDR. En analysant les modèles de classification de malware (souvent basés sur des architectures de type CNN ou transformer entraînés sur les features PE/ELF), il est possible de générer des perturbations minimales dans le binaire qui font basculer la classification de "malware" à "légitime" sans altérer la fonctionnalité.

• ▹Gradient-based evasion : exploitation des gradients du modèle de détection pour modifier chirurgicalement les features du binaire (section headers, import table, strings)
• ▹Trafic C2 mimétique : les LLM génèrent des communications command-and-control qui imitent parfaitement le trafic HTTPS légitime (headers, timing, payload structure) vers des services cloud populaires
• ▹Living-off-the-land optimisé par IA : les LLM identifient les meilleurs LOLBins (certutil, mshta, regsvr32, wmic) pour chaque contexte et génèrent des chaînes d'exécution indirectes qui exploitent exclusivement des outils légitimes du système
• ▹Anti-sandbox comportemental : les LLM génèrent du code qui détecte les environnements d'analyse (temps CPU, nombre de processeurs, clés registre spécifiques, mouvement souris) et adapte son comportement en conséquence

6 Se Défendre Contre l'IA Offensive

Face à la montée en puissance de l'IA offensive, les organisations doivent repenser fondamentalement leur posture de défense. Les approches traditionnelles basées sur la détection de signatures et les règles statiques ne suffisent plus. Une stratégie de défense moderne doit intégrer l'IA dans ses propres capacités de détection et de réponse, tout en adoptant une posture proactive de threat hunting ciblant spécifiquement les techniques offensives IA.

Détection de contenu généré par IA

La première ligne de défense consiste à identifier le contenu généré par IA avant qu'il n'atteigne les utilisateurs finaux. Plusieurs approches complémentaires sont déployées en 2026 :

• ▹Classificateurs de texte IA : des modèles entraînés pour distinguer le texte humain du texte généré par LLM, avec des taux de précision atteignant 92-95% pour les modèles les plus avancés. Ces classificateurs sont intégrés aux passerelles email et aux proxies web
• ▹Watermarking statistique : les principaux fournisseurs LLM (OpenAI, Google, Anthropic) intègrent des watermarks statistiquement détectables dans les outputs de leurs modèles, facilitant l'identification de contenu généré
• ▹Analyse sémantique avancée : détection de patterns linguistiques caractéristiques des LLM (perplexité uniforme, surreprésentation de certaines tournures, absence de fautes naturelles)
• ▹Deepfake detection pour l'audio/vidéo : modèles spécialisés analysant les artefacts de synthèse vocale (micro-pauses anormales, harmoniques manquantes) et vidéo (inconsistances temporelles, artefacts de compression)

IA défensive vs IA offensive : la course aux armements

La dynamique entre IA offensive et IA défensive s'apparente à une course aux armements permanente. Chaque avancée côté attaquant est rapidement contrée par une innovation défensive, et vice versa. Les solutions de NDR (Network Detection and Response) et XDR (Extended Detection and Response) intègrent désormais des modèles de détection d'anomalies entraînés spécifiquement pour identifier les patterns d'attaque IA : comportements de scraping OSINT, patterns de phishing généré, et communications C2 mimétiques.

Threat Hunting proactif des techniques IA

Le threat hunting proactif est essentiel pour détecter les attaques IA avant qu'elles n'atteignent leurs objectifs. Les équipes SOC doivent développer des hypothèses de chasse spécifiques aux techniques IA : recherche de patterns de phishing anormalement cohérents dans les logs email, détection de variantes polymorphes dans les soumissions sandbox, identification de comportements de reconnaissance automatisée dans les logs réseau. L'utilisation de LLM défensifs pour analyser les logs et générer des corrélations permet d'augmenter significativement la couverture de détection.

7 Prospective : L'Avenir de l'IA Offensive

L'évolution de l'IA offensive ne montre aucun signe de ralentissement. Les tendances actuelles permettent d'anticiper les menaces émergentes qui façonneront le paysage cybersécurité des prochaines années. Les équipes de défense doivent dès maintenant se préparer à des scénarios d'attaque plus sophistiqués, plus autonomes et plus difficiles à attribuer que tout ce que nous avons connu jusqu'à présent.

Agents IA autonomes pour campagnes offensives

La prochaine rupture majeure sera le déploiement d'agents IA entièrement autonomes capables de mener des campagnes offensives de bout en bout sans intervention humaine. Ces agents, combinant des capacités de planification, d'exécution et d'adaptation, pourront orchestrer simultanément la reconnaissance, la génération de payloads, le phishing ciblé, l'exploitation et l'exfiltration. Des prototypes comme PentestGPT et les recherches de DARPA sur les agents de cybersécurité autonomes (programme AIxCC) montrent que cette technologie est déjà en développement actif.

# Agent IA offensif autonome — architecture prospective

┌─────────────────────────────────────────┐
│         ORCHESTRATEUR CENTRAL           │
│    (LLM avec context window étendu)     │
│   Planning → Exécution → Adaptation     │
└─────────┬──────────┬──────────┬─────────┘
          │          │          │
    ┌─────┴──┐  ┌────┴───┐  ┌──┴──────┐
    │ RECON  │  │EXPLOIT │  │PERSIST  │
    │ Agent  │  │ Agent  │  │ Agent   │
    └────────┘  └────────┘  └─────────┘
          │          │          │
    ┌─────┴──┐  ┌────┴───┐  ┌──┴──────┐
    │PHISHING│  │LATERAL │  │EXFILTR  │
    │ Agent  │  │MOV Agt │  │ Agent   │
    └────────┘  └────────┘  └─────────┘

Chaque agent : autonome, spécialisé, communicant
Orchestrateur : planifie, priorise, adapte la stratégie
Boucle de feedback : résultats → replanification

IA multimodale offensive

Les modèles multimodaux comme GPT-4o, Gemini Ultra et les modèles open-source multimodaux ouvrent de nouvelles surfaces d'attaque. Un agent offensif multimodal peut analyser des captures d'écran de systèmes cibles pour identifier des vulnérabilités visuelles (informations sensibles affichées, configurations exposées), générer des deepfakes vidéo en temps réel pour du social engineering avancé, et même interpréter des diagrammes réseau photographiés pour planifier des attaques. La convergence texte/audio/vidéo/code dans un même modèle démultiplie les capacités offensives.

Régulation et cadre juridique

Le cadre réglementaire tente de rattraper l'évolution technologique. L'AI Act européen, entré en application progressive depuis 2025, classe les systèmes IA offensifs dans la catégorie "risque inacceptable", avec des sanctions pouvant atteindre 35 millions d'euros ou 7% du chiffre d'affaires mondial. Cependant, l'applicabilité de ces régulations aux acteurs étatiques et aux groupes cybercriminels opérant depuis des juridictions non coopératives reste un défi majeur. Les conventions internationales sur l'IA militaire progressent lentement, tandis que la réalité opérationnelle des cyberattaques IA s'accélère.

Recommandations pour les RSSI et équipes de défense

Pour faire face à la montée en puissance de l'IA offensive, les RSSI doivent dès maintenant mettre en place un ensemble de mesures stratégiques et opérationnelles :

• ▹Investir dans l'IA défensive : déployer des solutions XDR/NDR intégrant des modèles de détection d'anomalies entraînés sur les patterns d'attaque IA, incluant la détection de phishing généré et de trafic C2 mimétique
• ▹Former les équipes au threat hunting IA : développer des compétences internes en détection de contenu généré par IA, analyse de malware polymorphe et investigation de campagnes de social engineering automatisé
• ▹Adopter le Zero Trust renforcé : dans un monde où l'usurpation d'identité par IA est triviale, le Zero Trust avec vérification multi-facteurs et analyse comportementale continue devient impératif
• ▹Simuler des attaques IA en red team : intégrer des techniques IA offensives dans les exercices de red team pour tester la résilience des défenses face aux menaces réelles de 2026
• ▹Sensibiliser les collaborateurs : former le personnel aux nouvelles formes de social engineering IA (deepfakes, phishing hyper-personnalisé, chatbots malveillants) avec des campagnes de sensibilisation régulières utilisant des exemples réels

À Propos de l'Auteur

Ayi NEDJIMI • Expert Cybersécurité & IA

Ayi NEDJIMI est un expert senior en cybersécurité offensive et intelligence artificielle avec plus de 20 ans d'expérience en développement avancé, tests d'intrusion et architecture de systèmes critiques. Spécialisé en rétro-ingénierie logicielle, forensics numériques et développement de modèles IA, il accompagne les organisations stratégiques dans la sécurisation d'infrastructures hautement sensibles.

Expert reconnu en expertises judiciaires et investigations forensiques, Ayi intervient régulièrement en tant que consultant expert auprès des plus grandes organisations françaises et européennes. Son expertise technique couvre l'audit Active Directory, le pentest cloud (AWS, Azure, GCP), la rétro-ingénierie de malwares, ainsi que l'implémentation de solutions RAG et bases vectorielles (Milvus, Qdrant, Weaviate) pour des applications IA d'entreprise.

20+Ans d'expérience

100+Missions réalisées

150+Articles & conférences

Conférencier et formateur reconnu en cybersécurité, Ayi anime régulièrement des conférences techniques et participe activement au développement de modèles d'intelligence artificielle pour la détection de menaces avancées. Auteur de plus de 150 publications techniques, il partage son expertise de haut niveau pour aider les RSSI et architectes sécurité à anticiper les cybermenaces émergentes et déployer des solutions IA de nouvelle génération.

📚 Tous ses articles 🛡️ Demander un audit 💼 LinkedIn