Cato Networks montre que la menace agentique dépasse le seul modèle d’IA

Selon une étude de Cato Networks, la capacité offensive des agents IA ne vient pas uniquement du modèle utilisé, mais de l’ensemble de la chaîne qui l’entoure. En combinant modèle avancé, outils compatibles MCP, contexte opérationnel et orchestration, Cato CTRL a observé une compromission Active Directory contrôlée jusqu’aux privilèges Domain Administrator en 40 minutes.

Le débat sur les risques liés à l’IA se concentre souvent sur les modèles. Leur niveau de raisonnement, leurs garde-fous ou leur capacité à générer du code occupent une place centrale dans les discussions. Mais les travaux publiés par Cato Networks montrent que la menace agentique doit être analysée plus largement.

Dans une étude menée par Cato CTRL, l’équipe de recherche sur les menaces de Cato Networks, une chaîne d’attaque agentique est parvenue à compromettre un environnement Active Directory contrôlé jusqu’à l’obtention des privilèges Domain Administrator en 40 minutes. L’attaque a été lancée à partir d’un unique prompt de haut niveau, puis l’agent a exécuté de manière largement autonome les étapes nécessaires. Les chercheurs ont testé une chaîne associant un modèle d’IA de dernière génération, une plateforme d’agents, des outils compatibles MCP, un contexte opérationnel structuré et une orchestration adaptée. Lors des expérimentations, l’agent a pris en charge la reconnaissance, l’exploitation, la découverte interne, l’élévation de privilèges, les mouvements latéraux et les activités d’exfiltration.

L’étude indique que les expérimentations ont été réalisées avec OpenAI GPT-5.5, associé à des outils offensifs et à un contexte opérationnel structuré. Mais Cato CTRL insiste sur un point : les meilleurs résultats dépendaient moins du modèle lui-même que de la manière dont il était intégré dans une chaîne d’action complète. À travers six scénarios d’attaque, les chercheurs ont observé que de meilleures instructions, un contexte plus riche, des outils mieux adaptés et une orchestration plus efficace contribuaient davantage au succès que le simple remplacement du modèle. Cette conclusion est importante pour les entreprises, car elle montre que la menace ne peut pas être évaluée uniquement à travers les capacités brutes d’un LLM.

Les agents étudiés ont aussi montré une capacité à réagir lorsque leur plan initial échouait. Dans certains cas, ils ont généré de nouvelles sondes de vulnérabilité, modifié leurs méthodes de collecte ou imaginé des voies de communication alternatives. Cette adaptation illustre le passage d’une automatisation linéaire à une logique plus dynamique, dans laquelle l’agent ajuste sa stratégie en fonction de l’environnement. Pour Cato Networks, cette évolution marque une nouvelle étape dans la professionnalisation des attaques. Les agents IA ne vont pas nécessairement inventer des techniques entièrement nouvelles à chaque opération. Leur impact pourrait surtout venir de leur capacité à accélérer, combiner et industrialiser des chaînes d’attaque déjà connues.

Cette lecture invite les organisations à élargir leur approche de la sécurité IA. Il ne suffit pas d’évaluer les modèles ou d’encadrer les prompts. Il faut aussi surveiller les outils connectés aux agents, les permissions accordées, le contexte opérationnel mis à leur disposition et les capacités d’orchestration qui transforment une intention en opération offensive complète.

L’article Cato Networks montre que la menace agentique dépasse le seul modèle d’IA est apparu en premier sur IA News.