Contexte et enjeux
En 2025, CrowdStrike a mesuré le temps moyen de percée d’un attaquant eCrime à 27 secondes, ce qui montre que les réponses humaines classiques sont trop lentes pour contrer les menaces générées par les modèles d’IA. Les entreprises qui entraînent et exécutent des modèles d’IA en continu, comme CoreWeave, doivent donc intégrer des défenses capables de réagir à la même cadence que les attaques.
Architecture du partenariat
Le partenariat associe les données de menace et l’expertise d’adversaires de CrowdStrike aux capacités d’infrastructure de CoreWeave. CoreWeave fournit la puissance de calcul nécessaire à la fois pour l’entraînement (training) et l’inférence (inference) des modèles de sécurité, notamment la plateforme SafeMind et le Cyber Superintelligence Lab. Cette co‑conception permet de déployer des modèles de défense directement sur le même cluster GPU qui héberge les charges de travail IA des clients, réduisant ainsi la latence de détection.
Mécanismes d’apprentissage et de défense
Le processus repose sur une « adversarial co‑evolution » : les équipes de CrowdStrike génèrent des scénarios d’attaque synthétiques, les injectent dans les environnements d’entraînement de CoreWeave, puis entraînent des modèles défensifs sur les traces de ces attaques. Les modèles ainsi créés apprennent à identifier des comportements anormaux en temps réel, puis déclenchent des réponses automatisées intégrées au pipeline CI/CD de CoreWeave. Cette automatisation inclut la correction de mauvaises configurations et le patching continu, ce qui, selon le CISO de CoreWeave, constitue « l’aïkido de la sécurité » – une action qui utilise l’énergie du système en cours d’exécution pour renforcer sa propre protection.
Limites et perspectives
Malgré l’automatisation, les intervenants insistent sur le maintien des contrôles de base : patching régulier, tests de pénétration fréquents et surveillance continue. L’efficacité du modèle dépend de la qualité des données d’attaque fournies par CrowdStrike ; toute lacune dans ces jeux de données pourrait réduire la capacité du système à anticiper de nouvelles tactiques. De plus, la confiance dans les modèles IA reste un défi, car les décisions automatisées doivent être auditées pour éviter les faux positifs qui pourraient interrompre des charges de travail critiques. Enfin, la scalabilité du système repose sur la disponibilité continue des GPU de CoreWeave, ce qui implique une gestion fine des coûts d’infrastructure.
