Des chercheurs créent une faille Chrome complète avec un modèle OpenAI public

Contexte et objectif

Un groupe de chercheurs a exploité un modèle OpenAI public pour concevoir une exploit complet contre le navigateur Chrome. Selon le titre de l’étude, le processus a duré six jours et le résultat a été évalué à 250 000 $ sur le marché des vulnérabilités. Ces éléments constituent les seules données chiffrées disponibles, mais ils permettent d’analyser la viabilité d’une chaîne d’attaque générée par IA dans un délai très court.

Architecture typique d’une faille Chrome full‑chain

Une exploit full‑chain contre Chrome combine généralement plusieurs vecteurs : une vulnérabilité de type use‑after‑free ou heap overflow dans le moteur Blink, une élévation de privilèges pour sortir du sandbox, puis l’exécution de code natif sur le système hôte. Chaque maillon de la chaîne nécessite un payload adapté à la version du navigateur et au système d’exploitation cible. Le fait que les chercheurs aient pu assembler ces maillons en six jours indique que le modèle IA a fourni des fragments de code suffisamment précis pour être intégrés rapidement dans un cadre d’exploitation déjà connu.

Contribution de l’IA à la génération de code d’exploitation

Le modèle OpenAI public utilisé est susceptible d’être une version de GPT capable de produire du code en plusieurs langages (C++, JavaScript, assembly). En fournissant des prompts ciblés (« générer un shellcode pour une fuite de pointeur dans Blink »), les chercheurs ont pu obtenir des squelettes fonctionnels qu’ils ont ensuite affinés. Cette approche réduit le temps de recherche manuelle, mais elle repose sur la capacité du modèle à respecter les contraintes de sécurité mémoire et à éviter les patterns détectés par les outils d’analyse statique. Le coût de 250 000 $ reflète la valeur perçue d’une chaîne d’exploitation prête à l’emploi, même si la contribution exacte du modèle IA n’est pas quantifiée dans la source.

Implications pour la sécurité et limites de la méthode

La démonstration montre que des acteurs disposant d’un accès à un modèle OpenAI public peuvent accélérer la phase de prototypage d’une exploit. Cependant, la dépendance à l’IA introduit des incertitudes : le code généré peut contenir des erreurs logiques, des dépendances à des versions spécifiques de Chrome, ou des signatures détectables par les systèmes de défense basés sur le comportement. De plus, le manque de transparence sur les prompts exacts et les itérations de test empêche d’évaluer la reproductibilité de la méthode. Les équipes de sécurité devront renforcer les analyses de code généré automatiquement et envisager des contrôles de provenance pour les modèles de langage afin de limiter l’émergence de nouvelles chaînes d’attaque.