Présentation du cadre exploit_agent

Le rapport du Google Threat Intelligence Group (GTIG) décrit exploit_agent, un framework d’intelligence artificielle installé sur un serveur de staging exposé. Le code est relié à plusieurs modèles de grande taille (LLM) hébergés localement et dans le cloud. Sa fonction principale consiste à comparer en continu le code d’applications web avant et après chaque annonce de correctif. Lorsqu’une différence correspond à une faille potentielle, le framework génère automatiquement un exploit.

# Exemple de commentaire de configuration
# Enter the keys “right here, not in the chat.”

Mécanisme d’exploitation autonome

Le processus s’appuie sur trois étapes automatisées. D’abord, l’analyse de version identifie les changements de code introduits par le patch. Ensuite, les LLM évaluent la probabilité que le changement crée une vulnérabilité exploitable. Enfin, le script exécute le code d’exploitation sans intervention humaine. Les données volées sont stockées sur le même serveur, aux côtés de scripts de brute‑force, d’installation de webshells et de suppression de webshells appartenant à d’autres acteurs. Le rapport indique que les cibles prioritaires étaient des sites français liés aux médias, au divertissement et à l’éducation.

Incidents documentés

GTIG cite plusieurs cas concrets. Deux failles dans les serveurs d’impression de PaperCut Software ont été enchaînées et exploitées comme zero‑day à la fin du mois d’août. Des chercheurs de Huntress Labs ont utilisé des LLM pour produire un exploit fonctionnel en moins de 24 heures après la divulgation. Un autre groupe, suivi par GreyNoise, a déployé des exploits générés par LLM quatre jours après la publication du correctif ; un accès administrateur de domaine a été obtenu en quelques minutes. Dans le secteur aérospatial américain, l’intrusion a fait appel au framework multi‑agents CAIRN, tandis qu’un acteur asiatique a exploité une plateforme personnalisée basée sur PentAGI entre fin août et début octobre pour scanner massivement des organisations.

Implications pour la détection et la défense

Le caractère entièrement autonome du pipeline rend la fenêtre entre divulgation et exploitation très courte. Le rapport souligne que la traçabilité du code exécuté sans supervision crée un « bruit » forensique qui, paradoxalement, facilite la détection par des systèmes de surveillance comportementale. Google a désactivé les comptes et les actifs liés à l’abus du Gemini API et a renforcé ses classificateurs grâce aux enseignements du GTIG. Les équipes de sécurité doivent désormais surveiller non seulement les indicateurs de compromission classiques, mais aussi les flux de données entre serveurs de staging et modèles LLM, ainsi que les scripts de génération d’exploits stockés sur des machines exposées.