Depuis quelques mois, les titres se multiplient. Malwares autonomes, attaques pilotées par l’IA, code malveillant capable de se réécrire seul à la vitesse des machines. Des rapports de Google, du MIT Sloan ou d’éditeurs de sécurité relancent régulièrement l’idée d’une rupture imminente. Les flux d’actualité cybersécurité s’enflamment, les éditeurs promettent des défenses « AI-native », et les attaquants, réels ou fantasmés, semblent déjà avoir pris une longueur d’avance.
Pourtant, une fois le bruit médiatique retombé, le tableau est plus nuancé. Oui, les attaquants expérimentent avec les modèles de langage. Oui, l’IA modifie la vitesse et l’échelle des attaques. Mais non, nous ne faisons pas encore face à des malwares autonomes capables de déjouer toutes les défenses par simple intelligence. Pour un décideur cybersécurité, l’enjeu n’est pas de céder à la panique, mais de comprendre ce qui change réellement, et ce qui relève encore du discours marketing.
De quoi parlons-nous vraiment ?
Le polymorphic AI malware désigne des logiciels malveillants capables de modifier automatiquement leur structure de code tout en conservant une fonctionnalité identique, en s’appuyant sur des modèles d’intelligence artificielle. Le principe fondamental n’est pas nouveau. Le polymorphisme existe depuis longtemps et visait déjà à contourner les signatures antivirus en garantissant qu’aucun échantillon ne soit identique au précédent.
Avant l’IA, les attaquants utilisaient des packers, du chiffrement, de l’insertion de code inutile ou des moteurs de mutation déterministes capables de générer des millions de variantes. Un packer permet de produire des exécutables différents à partir d’un même code source, sans modifier la logique interne du malware. Les plateformes de sécurité modernes ont d’ailleurs largement évolué vers l’analyse comportementale précisément parce que ces techniques étaient devenues courantes.
Ce que l’IA change, c’est la nature du moteur de variation. Là où les anciennes approches reposaient sur des transformations prévisibles, les modèles de langage introduisent une génération probabiliste. Le code produit peut varier dans sa structure, ses noms de fonctions, son organisation interne, parfois même dans sa logique apparente, tout en poursuivant le même objectif malveillant.
Dans la pratique, cela signifie souvent remplacer un moteur de mutation classique par un modèle de langage utilisé comme assistant de génération de code. En théorie, la variabilité est plus grande. En réalité, le gain opérationnel reste limité et ne transforme pas fondamentalement la capacité d’évasion face à des défenses comportementales bien configurées.
Ce que ces les polymorphic AI malware ne sont pas
Contrairement aux récits les plus alarmistes, les polymorphic AI malware ne sont pas des entités autonomes capables de raisonner, d’innover ou de contourner intelligemment des défenses complexes. Ils ne « savent » pas comment échapper à un EDR. Ils génèrent du code plausible, pas nécessairement fonctionnel ni efficace dans un contexte réel.
Le chercheur en sécurité Marcus Hutchins résume bien la situation en qualifiant ces malwares de projets de recherche intéressants, mais pas d’avantage décisif pour les attaquants. Les approches traditionnelles sont prévisibles, fiables et peu coûteuses. Les approches basées sur l’IA introduisent au contraire des risques opérationnels, comme des erreurs de génération, des bibliothèques mal utilisées ou des comportements incohérents.
L’exemple souvent cité du malware « Thinking Robot » de Google illustre ce décalage. Le code se contentait d’interroger un moteur d’IA pour générer un fragment censé échapper à un antivirus, sans définir précisément ce que ce code devait faire, ni garantir qu’il fonctionnerait. Comme l’a souligné Hutchins, il n’y avait ni mécanisme d’entropie réel, ni contrôle de validité, ni même d’intégration active dans une chaîne d’attaque.
Autrement dit, l’évasion n’a de valeur stratégique que si elle soutient une capacité malveillante fiable. Or, pour des acteurs matures, la fiabilité prime toujours sur la nouveauté. Un malware instable, même polymorphe, reste un mauvais outil.
Pourquoi le polymorphisme change la donne
Si l’IA ne révolutionne pas encore la sophistication des malwares, elle modifie néanmoins l’équation sur d’autres plans, plus pragmatiques. Le premier est la vitesse. Les modèles de langage réduisent drastiquement le temps nécessaire pour produire, corriger, adapter ou reconditionner du code malveillant. Les cycles de développement raccourcissent, parfois au cours d’une même campagne.
Le second est l’accessibilité. Des acteurs peu expérimentés peuvent désormais produire des charges « suffisamment bonnes » pour être opérationnelles. L’apparition récente d’un ransomware rudimentaire dans la marketplace Visual Studio, qualifié d’« AI slop » par des chercheurs, en est une illustration frappante. Le code était médiocre, instable et mal conçu, mais il existait, il circulait, et il pouvait être exécuté.
Enfin, l’IA améliore surtout ce qui entoure le malware. Le phishing est plus crédible, mieux localisé, mieux contextualisé. Les campagnes de compromission de comptes et de fraude par email gagnent en efficacité, sans nécessiter de prouesses techniques. Dans de nombreux incidents récents, l’IA n’a pas rendu le malware plus intelligent, mais l’attaque plus rapide, plus massive et plus difficile à contenir dans le temps.
Ce changement est fondamental. Le risque n’est pas un malware plus malin, mais une attaque qui se propage plus vite que la capacité de réaction des équipes.
Ce que cela implique pour la défense
Pour un RSSI ou un dirigeant, la tentation est forte de chercher une réponse technologique miracle, souvent estampillée « IA ». Pourtant, la réalité impose une lecture plus sobre. Les malwares réellement efficaces continuent de produire des signaux observables. Ils doivent communiquer, s’exécuter, accéder à des identités, escalader des privilèges ou exfiltrer des données. Ces comportements restent détectables, indépendamment de la variabilité du code.
L’enjeu principal devient la compression du temps. Les attaquants itèrent plus vite, automatisent davantage et exploitent la moindre fenêtre de faiblesse. Les campagnes récurrentes et automatisées, comme certaines opérations de propagation rapide observées ces derniers mois, montrent que l’impact vient moins de la nouveauté technique que de la vitesse d’exécution et de la capacité à toucher des dépendances en chaîne.
Pour les organisations, cela renforce plusieurs priorités. La détection comportementale et la chasse proactive prennent plus de valeur que jamais. La sécurité des identités reste le point d’entrée dominant et mérite une attention stratégique. L’automatisation des réponses et la capacité à prioriser deviennent essentielles pour éviter l’asphyxie des SOC sous un volume croissant de menaces de qualité variable.
Enfin, un esprit critique vis-à-vis des discours éditeurs est indispensable. Les promesses de protection « révolutionnaires » doivent être confrontées à des preuves opérationnelles, des jeux de données réels et des taux de faux positifs mesurables. L’IA transforme la cybercriminalité, mais pas de manière cinématographique. Elle accélère, elle amplifie, elle démocratise.
Aujourd’hui, le risque majeur n’est pas un malware conscient de lui-même, mais des attaquants capables d’aller plus vite que les processus de défense. Dans cet environnement, l’avantage revient aux organisations qui maintiennent de la visibilité, du contrôle et une capacité de réaction à la hauteur de cette nouvelle cadence.
