Qu’est-ce que le pentest par IA et comment fonctionne-t-il ?

Contrairement à un scanner qui repère des schémas connus, un pentester IA réfléchit à ce qu’une application est censée faire, puis tente de détourner cette intention, comme le ferait un pentester humain, mais en continu et à grande échelle. Cette catégorie a émergé en 2025–2026, à mesure que les grands modèles de langage sont devenus suffisamment performants pour mener le raisonnement qu’exige depuis toujours le pentest, à un coût assez faible pour le réaliser en continu plutôt qu’une ou deux fois par an.

Comment fonctionne le pentest par IA

Un pentester IA moderne n’est pas un simple modèle auquel on fournit une URL. C’est un système orchestré composé de quatre éléments :

1. Un modèle de raisonnement qui planifie l’évaluation : reconnaissance, formulation d’hypothèses, sondage, exploitation et enchaînement, comme le ferait un testeur humain lors d’une mission.

2. Des outils déterministes auxquels le modèle fait appel pour les tâches bien comprises. Tester de façon exhaustive les charges utiles associées à des catégories de vulnérabilités connues est plus rapide et moins coûteux avec un moteur de test dynamique (DAST) qu’avec un modèle qui énumère les charges utiles jeton par jeton.

3. Un validateur indépendant, c’est-à-dire un modèle ou un moteur distinct, qui confirme qu’une faille peut réellement être exploitée avant qu’elle soit signalée. C’est important, car un modèle chargé de certifier ses propres conclusions est confronté à un conflit d’intérêts structurel et manque de cohérence lorsqu’il s’y essaie.

4. Du contexte sur la cible, car les meilleurs systèmes savent ce que les outils existants d’une organisation ont déjà détecté. Ils consacrent ainsi leur coûteux raisonnement aux failles qui le nécessitent, au lieu de redécouvrir des bugs déjà répertoriés.

Le résultat n’est pas une simple liste d’alertes, mais un récit d’attaque : il explique comment différentes faiblesses s’enchaînent pour créer un chemin d’exploitation, idéalement accompagné d’une preuve de concept exécutable et de la trace complète du raisonnement du modèle, afin qu’une personne puisse la vérifier.

Ce que le pentest par IA détecte et que les scanners ne repèrent pas

Les vulnérabilités des applications se répartissent en deux catégories, selon la façon dont elles peuvent être détectées :

• Les vulnérabilités détectables par heuristique se révèlent aux outils déterministes par des schémas ou des réponses prévisibles : injection SQL, script intersite et erreurs de configuration. Les scanners les détectent de manière fiable, à grande échelle.

• Les vulnérabilités dépendantes du contexte n’ont pas de signature. Impossible d’écrire une règle pour « l’utilisateur A ne doit pas pouvoir consulter la facture de l’utilisateur B », car cela dépend du comportement attendu de l’application. Cette catégorie comprend les défauts d’autorisation au niveau des objets (BOLA/IDOR), les fuites de données entre locataires, les contournements d’authentification, les élévations de privilèges et les exploitations en chaîne de la logique métier.

Le pentest par IA vise à couvrir cette deuxième catégorie, de plus en plus ciblée par les attaquants et ignorée par les outils ponctuels entre deux versions. Il ne remplace pas les scanners pour la première catégorie : il étend la couverture à des failles qu’aucune signature ne peut détecter.

Pentest par IA, DAST et pentest manuel : quelles différences ?

Ces trois approches sont complémentaires, et non interchangeables. Les programmes les plus efficaces utilisent des scanners pour les catégories détectables par signature, le pentest par IA pour assurer un raisonnement continu et des testeurs humains pour les tâches qui exigent le plus de discernement.

Pourquoi « le générateur ne peut pas être le validateur »

La principale question de fiabilité concernant le pentest par IA est celle de la confiance : peut-on croire ce que l’IA signale ? Les tests de référence montrent qu’un modèle chargé de détecter et de certifier ses propres conclusions manque de cohérence. Exécutez-le deux fois sur la même cible, et il peut aboutir à des conclusions différentes. C’est pourquoi les solutions crédibles de pentest par IA séparent les rôles : un modèle raisonne et propose des conclusions ; un validateur indépendant confirme que les failles peuvent être exploitées avant qu’elles soient signalées. Une conclusion impossible à reproduire est pire que l’absence de résultat.

Le pentest par IA est-il fiable ? (Quelles sont ses limites ?)

Le pentest par IA démultiplie les capacités, mais ne remplace pas entièrement le jugement des experts — et il est important d’en parler honnêtement :

• L’autonomie brute manque de cohérence pour les tâches les plus complexes. Dans un benchmark de red teaming autonome, le modèle le plus performant a réussi 61 % des défis dans l’ensemble, mais moins de 26 % des tâches plus difficiles d’exploitation de systèmes.

• Les résultats doivent être validés par une source indépendante. On a observé que les outils d’IA bruts hallucinent des résultats environ 30 % du temps. Or, un faux positif auquel on ne peut pas se fier est pire que l’absence de résultat. Les systèmes crédibles interposent un validateur indépendant entre le modèle et le rapport.

• L’orchestration surpasse un modèle isolé. Les meilleurs résultats viennent de systèmes qui associent le raisonnement à des outils déterministes et à un validateur indépendant, et non d’un modèle isolé chargé d’analyser une cible.

En résumé : le pentest par IA est plus efficace lorsqu’il s’agit d’un système orchestré, validé de façon indépendante et exécuté en continu, avec des personnes impliquées dans les décisions les plus sensibles.

Où en est le pentest par IA ? (Quelques exemples)

• Des non-spécialistes utilisant des agents de programmation ont résolu des défis complexes de capture du drapeau en moins d’une heure et pour moins de 20 $ chacun ; des tâches qui exigeaient auparavant une véritable expertise (RAND, 2026).

• Le nombre de rapports de vulnérabilité générés par l’IA et validés envoyés à HackerOne a augmenté de 210 % sur un an ; les rapports d’injection de prompt ont bondi de 540 %.

• Des programmes exploitant des modèles de pointe ont révélé des dizaines de milliers de vulnérabilités de gravité élevée ou critique dans des logiciels open source largement utilisés, dont certaines vieilles de dix ans et passées inaperçues auprès des fuzzers (Anthropic ; Mozilla, 2026).

• Les attaquants utilisent désormais les mêmes capacités : des chercheurs en sécurité ont évalué le premier zero-day découvert dans la nature et développé avec l’aide de l’IA (Google GTIG, 2026).

Comment évaluer une solution de pentest par IA

Pour comparer les outils, posez-vous ces 6 questions :

1. Validation indépendante — une étape distincte confirme-t-elle que la faille peut être exploitée, ou le modèle qui l’a détectée évalue-t-il ses propres résultats ?

2. Contexte — sait-elle ce que vos scanners existants ont déjà détecté, afin de rechercher de nouvelles failles plutôt que de redécouvrir des bugs ?

3. Continuité — effectue-t-elle de nouveaux tests à chaque changement ou fournit-elle un autre état des lieux ponctuel ?

4. Résultats vérifiables — fournit-elle une preuve de concept exécutable et une trace de raisonnement que vous pouvez auditer ?

5. Peu de faux positifs — votre équipe aura-t-elle suffisamment confiance dans les résultats pour agir ?

6. Complémentarité — étend-elle les capacités de vos scanners et de vos tests humains, plutôt que de prétendre les remplacer ?

À titre d’exemple, Evo Continuous Offensive Security de Snyk s’appuie sur ces principes : un modèle de validation indépendant, le contexte de la Snyk AI Security Platform, des tests continus et Snyk API & Web (taux de faux positifs de 0,08 %) comme moteur déterministe.