Malware boosté par l’IA : 97 % ne quittent jamais la sandbox, les défenses existantes suffisent

Le 26 août 2026, Palo Alto Networks Unit 42 a publié une analyse portant sur 405 échantillons de malware qui évoquent d’une manière ou d’une autre l’intelligence artificielle. Le constat est clair : l’IA accélère l’écriture et la variation du code malveillant, mais n’augmente pas son taux de réussite. Environ 97 % des échantillons n’ont jamais atteint un endpoint réel. Seuls 12 hash sont apparus sur des systèmes protégés, et tous ont généré une alerte.

Un jeu de données hétérogène : ransomware, installateurs déguisés et preuves de concept

Les 405 échantillons analysés ne sont pas tous identiques. Unit 42 a inclus des ransomwares partiellement écrits à l’aide de modèles de langage, des installateurs exploitant le nom d’applications d’IA connues et des payloads ordinaires déguisés en produits légitimes. En croisant les hash avec la télémétrie des endpoints, les sessions réseau transmises à la sandbox et les enregistrements d’alertes, un tableau surprenant se dégage. La grande majorité n’est jamais sortie d’environnements de test, de dépôts de recherche ou de sandboxes internes.

Les trois destins du malware qui n’arrive pas en production

Les échantillons jamais parvenus sur des cibles réelles se répartissent en trois groupes distincts.

Le premier est le code de démonstration. Il s’agit de preuves de concept configurées pour ne cibler que des réseaux locaux ou privés, truffées de sorties de débogage qu’un véritable attaquant éliminerait. Ils sont souvent chargés une seule fois depuis des laboratoires universitaires ou de recherche.

Le deuxième groupe comprend les tests défensifs. Les organisations chargent à plusieurs reprises le même fichier depuis la même source dans un court laps de temps pour vérifier leurs propres défenses contre un malware d’IA déjà connu. Ceux-là non plus ne visent pas à se propager.

Le troisième groupe utilise la marque d’IA comme simple appât. Ce sont des payloads tout à fait ordinaires, sans aucune fonctionnalité d’IA à l’intérieur, déguisés en installateurs de produits d’IA connus. Le seul objectif est d’exploiter la confiance dans le nom.

Les 12 échantillons arrivés sur les endpoints : cinq familles, aucune concentration

Seuls 12 hash ont été détectés sur des endpoints réels protégés. Ils appartiennent à cinq familles de malware réparties dans trois pays, sans concentration sectorielle ni géographique. Tous les 12 ont généré une alerte de sécurité. Les défenses existantes les ont interceptés sans nécessiter de nouvelles méthodes de détection.

La famille la plus courante est FunkSec, un ransomware que plusieurs chercheurs lient à l’assistance de modèles de langage. Les noms internes des fichiers de projet montrent un développeur qui changeait plusieurs fois le nom du même ransomware. Unit 42 considère ce rythme plus cohérent avec une génération pilotée par prompt qu’avec un cycle de développement traditionnel.

L’échantillon le plus répandu, en revanche, n’est pas un ransomware. C’est un installateur qui se faisait passer pour une application de recherche de recettes appelée Recipe Lister. Doté d’une signature numérique valide, une fois installé, il lançait silencieusement une backdoor. Il a traversé plus de 50 organisations, générant environ 6 500 enregistrements d’endpoints et environ 9 600 alertes. La signature évitait initialement les soupçons, mais un signataire inhabituel associé à des contenus fortement empaquetés a conduit à la détection.

Une autre backdoor, appelée Oyster, se faisait passer pour un installateur de Dropbox. La signature indiquait Dropbox comme éditeur. Unit 42 affirme que les attaquants recourent de plus en plus aux outils d’IA pour générer ce type de code de distribution, rendant plus rapide et moins coûteux l’établissement d’un premier accès.

Un exécutable Windows distinct distribuait l’infostealer Rhadamanthys avec une communication command-and-control active. Des rapports précédents liaient cette menace à une chaîne d’infection assistée par l’IA.

Le cinquième échantillon usurpait un composant du produit de sécurité chinois 360 Total Security. Il utilisait une technique de persistance connue sous le nom de COM hijacking. Il a été inclus dans le jeu de données parce qu’il apparaissait dans des campagnes distribuées avec des leurres à thème IA, et non parce que son comportement dépendait de l’IA.

Pourquoi les défenses ont tenu : signatures anormales et packing suspect

Le fait que les 12 échantillons arrivés en production aient tous été détectés n’est pas un hasard. Les défenses existantes, reposant sur les mêmes méthodes que celles utilisées contre le malware conventionnel, se sont révélées suffisantes. La détonation en sandbox, la détection comportementale, la vérification des anomalies dans les signatures numériques et la mesure du niveau de packing ou de chiffrement des fichiers ont fonctionné également contre le malware lié à l’IA.

Dans le cas de Recipe Lister, le contrôle du signataire inhabituel et l’analyse des contenus fortement empaquetés ont été décisifs. Aucune nécessité de nouvelles méthodes de détection spécifiques au malware boosté par l’IA n’est apparue. L’IA accélère la création et la variation des outils malveillants, mais n’augmente pas leur capacité à échapper aux contrôles.

Ce qui change pour ceux qui défendent les réseaux

L’analyse d’Unit 42 réduit l’alarme sur l’utilisation de l’IA dans le malware. Certes, un attaquant peut générer des variantes plus rapidement et à moindre coût. Mais le taux de réussite n’augmente pas. La plupart des échantillons restent confinés dans des laboratoires, des dépôts de recherche ou des environnements de test. Ceux qui atteignent réellement les cibles sont arrêtés par les outils déjà en place.

Pour les défenseurs, la leçon est claire : il ne faut pas de nouveaux produits ni de technologies exotiques. Il faut de la discipline dans les pratiques existantes : mettre à jour les signatures, surveiller les anomalies dans les certificats, analyser le niveau de compression des fichiers suspects et maintenir des sandboxes efficaces. L’IA peut changer la vitesse à laquelle le malware est produit, mais pas la manière dont il est arrêté.