Contexte et enjeux
Corma.ai Ltd. a levé 125 millions de dollars en série A, menés par NEA, avec la participation de Khosla Ventures, Coatue et Sequoia Capital. Cette injection porte la valorisation de l’entreprise à un milliard de dollars, signe d’un intérêt fort pour l’IA appliquée à la défense des réseaux. Le startup justifie son financement par un test interne où plusieurs grands modèles de langage (LLM) ont été invités à pénétrer un réseau d’entreprise simulé. Les LLM ont installé un fichier malveillant dans 85 % des essais, mais n’ont détecté que 12 % des fichiers qu’ils avaient eux‑mêmes déposés, illustrant un déséquilibre entre capacités offensives et défensives. Corma estime que cet écart crée un avantage pour les attaquants, d’où la volonté de développer des modèles spécifiquement calibrés pour la cybersécurité.
Architecture et flux de données
Les algorithmes de Corma s’appuient sur l’ingestion massive de télémétrie provenant de pare‑feux, de systèmes de surveillance réseau et d’autres outils de sécurité. Ces flux sont normalisés puis agrégés dans un entrepôt de données où le modèle applique des techniques de raisonnement probabiliste pour identifier des anomalies. Le processus comprend trois étapes : corrélation des événements, filtrage des faux positifs et génération de recommandations de remédiation. Le filtrage repose sur des seuils dynamiques ajustés en temps réel, ce qui limite la propagation d’alertes redondantes. En outre, le modèle peut fonctionner de façon autonome : lorsqu’une investigation nécessite une validation humaine, il notifie le membre approprié de l’équipe via un chatbot Slack intégré, permettant une interaction textuelle directe avec le système.
Performances mesurées
Corma a évalué son modèle avec DefenseBench V5, un benchmark qui mesure à la fois la fiabilité des tâches défensives et le temps d’exécution. Selon les résultats publiés, le modèle de Corma a surpassé GPT‑6 Astra, Claude Opus 5.5 et d’autres LLM de pointe sur les deux axes. Le gain de vitesse déclaré est de facteur 100 par rapport aux solutions concurrentes, ce qui signifie que des investigations qui prenaient plusieurs heures peuvent être conclues en quelques minutes. Cette accélération provient d’une optimisation du pipeline d’analyse : le pré‑traitement des logs est parallélisé sur des GPU dédiés, et le modèle utilise des embeddings spécialisés pour les signatures de menaces, réduisant ainsi le nombre de passes nécessaires sur les données.
Limites et perspectives
Malgré ces performances, le modèle reste tributaire de la disponibilité des logs. De nombreuses organisations suppriment les journaux après quelques jours pour réduire les coûts de stockage, ce qui prive le système d’informations historiques essentielles à la détection de comportements latents. De plus, l’autonomie complète soulève des questions de responsabilité : si le modèle propose une action de remédiation erronée, la chaîne de décision doit être clairement définie. Le financement récent sera dédié à l’acquisition d’infrastructure supplémentaire (GPU, stockage haute‑débit) et à l’amélioration des algorithmes de généralisation afin de réduire la dépendance aux données récentes. En consolidant ces axes, Corma vise à rendre les réponses aux incidents non seulement plus rapides, mais aussi plus robustes face aux variations de la chaîne d’approvisionnement de données.