Contexte et objectifs

Detectify AB, spécialiste suédois de la sécurité applicative, a présenté Agentic Tooling, un ensemble d’outils destiné à permettre aux agents d’intelligence artificielle d’exécuter des tests d’exploitation sur des applications en production. L’initiative répond à un problème quantifié par le client : environ 80 % des alertes générées par les solutions de test statique pilotées par IA sont du bruit, selon les retours de la base d’utilisateurs de Detectify. De plus, le Cyber Hygiene Index H2 2026 indique que 90 % des vulnérabilités critiques ou à haute sévérité restent exposées pendant plus de 90 jours. Ces constats justifient la création d’un mécanisme capable de vérifier automatiquement la réalité d’une faille avant qu’elle ne soit signalée.

Architecture et fonctionnement

Agentic Tooling s’appuie sur les moteurs de test développés par Detectify depuis plus d’une décennie. Il intègre trois sources de données : les payload assessments fournis par la communauté d’hackers éthiques, les informations d’attaque issues du produit Surface Monitoring, et Alfred, le système d’IA lancé en mars 2025 pour automatiser les tests de vulnérabilités connues. Le déploiement s’effectue dans l’environnement du client et se connecte aux agents via le Model Context Protocol (MCP) ou une interface en ligne de commande. Cette double modalité garantit que les outils n’accèdent qu’aux données explicitement fournies par le client et restent compatibles avec tout agent déjà en place.

Le cœur de la solution repose sur le concept de loop engineering. Un déclencheur – typiquement une exécution de CI – crée un ticket à partir d’une alerte (scan de code, bug bounty, red‑team, ou données d’attaque de Detectify). L’agent récupère le ticket, analyse le code concerné, puis lance un test depuis l’extérieur, reproduisant le comportement d’un attaquant réel. Chaque itération du cycle alimente ce que Detectify appelle une verification factory, où les tests sont répétés de façon continue.

Analyse de l’impact sur la vérification des vulnérabilités

Le Security Ledger, composant ajouté au lancement, consigne de façon append‑only chaque requête, charge utile et résultat. Écrit par Detectify et non par l’agent, le registre permet de distinguer les preuves issues de tests effectifs des conclusions purement générées par l’IA. Cette traçabilité répond directement au risque identifié par le co‑fondateur Rickard Carlsson : les agents peuvent « fabriquer » des rapports pour satisfaire l’utilisateur. En marquant les tickets potentiellement dangereux (ex. tests de déni de service) comme « unsafe », le système impose une validation humaine avant toute action à impact.

En pratique, la réduction du taux de faux positifs dépendra de la capacité du loop à exécuter les tests en temps réel. Si chaque alerte nécessite entre 10 et 20 minutes de revue manuelle (données de l’étude Fudan/Tencent), l’automatisation pourrait diminuer ce coût de façon proportionnelle au nombre de tickets traités par le cycle continu.

Limites et perspectives

Le modèle repose sur la disponibilité d’un environnement client capable d’exécuter les tests sans compromettre la production. De plus, la fiabilité du ledger dépend de l’intégrité du serveur MCP, dont la sécurité n’est pas détaillée dans l’annonce. Enfin, l’efficacité du système reste à mesurer : aucune métrique de réduction de faux positifs n’est fournie à ce stade, et la dépendance à des agents tiers peut introduire des variations de performance. Néanmoins, la combinaison d’une chaîne d’automatisation et d’une traçabilité immuable constitue une avancée mesurable pour les équipes DevSecOps cherchant à valider les alertes d’IA.