Ransomware et IA : une étude alerte sur des attaques capables de s’automatiser

Les rançongiciels sont déjà l’une des menaces les plus coûteuses pour les entreprises, les collectivités et les particuliers. Une prépublication associée à l’équipe de la NYU Tandon School of Engineering suggère que les modèles de langage pourraient en modifier l’économie et le fonctionnement : non pas en remplaçant instantanément tous les cybercriminels, mais en automatisant davantage les étapes qui suivent l’exécution d’un logiciel malveillant sur une machine.

Le prototype décrit, baptisé Ransomware 3.0 par les chercheurs et surnommé PromptLock par la société de cybersécurité ESET, associe un programme malveillant à un modèle de langage. Son intérêt, pour la recherche comme pour les défenseurs, tient à sa capacité à adapter certains scripts au système qu’il examine. Au lieu de s’appuyer uniquement sur un code écrit à l’avance, il peut demander à l’IA de générer des instructions correspondant au contexte de la machine ciblée.

L’étude appelle donc à distinguer deux réalités. Elle établit la faisabilité technique d’un prototype testé en laboratoire. Elle ne constitue pas, à elle seule, la preuve d’une campagne criminelle à grande échelle utilisant exactement ce procédé. Mais elle documente un risque crédible : des capacités auparavant réservées à des équipes expérimentées peuvent devenir moins coûteuses et plus faciles à adapter.

Ce que décrit l’étude sur Ransomware 3.0

Un ransomware, ou rançongiciel, est un logiciel qui bloque l’accès à des données, généralement en les chiffrant, puis réclame une somme d’argent. Les groupes criminels combinent aussi fréquemment le chiffrement avec le vol de fichiers, afin de menacer de les divulguer si la victime ne paie pas. Le prototype étudié vise à montrer comment un système piloté par un modèle de langage pourrait participer à plusieurs maillons de cette chaîne.

Selon les travaux publiés sur arXiv, Ransomware 3.0 est conçu pour cartographier un système, identifier des fichiers jugés sensibles, puis voler ou chiffrer les données et rédiger un message de rançon. La nouveauté ne réside donc pas dans chacun de ces gestes pris isolément, tous connus dans l’univers des rançongiciels. Elle se trouve dans l’orchestration de ces actions par un modèle capable de produire du code en fonction de l’environnement observé.

Le périmètre compte. Le texte décrit le comportement du prototype une fois qu’il est en mesure de s’exécuter sur un système. Il ne démontre pas qu’une IA aurait découvert seule une faille, compromis une organisation entière puis conduit une campagne criminelle sans aucune intervention humaine. Dans la cybersécurité, l’accès initial, la gestion des identifiants, le déplacement entre machines et l’exfiltration des données restent des étapes distinctes, avec leurs propres obstacles.

Pourquoi des scripts générés à la demande compliquent la détection

Les outils de sécurité ont longtemps reposé, entre autres, sur les signatures : des empreintes permettant de reconnaître un fichier ou une portion de code déjà identifiée comme malveillante. Cette approche reste utile, mais elle est moins efficace lorsqu’un programme peut modifier une partie de son comportement d’une victime à l’autre.

Dans le système étudié, les instructions sont intégrées au programme puis interprétées avec l’aide d’un modèle de langage. À chaque activation, le logiciel peut communiquer avec un modèle d’IA pour générer des scripts Lua adaptés à la configuration spécifique de l’ordinateur ou du serveur ciblé. Lua est un langage de programmation léger, souvent utilisé pour automatiser des tâches. Dans ce cas, son emploi sert à illustrer la production de code variable plutôt qu’un unique programme figé.

Cette variabilité ne rend pas une attaque indétectable. Chiffrer en série un grand volume de fichiers, consulter des répertoires inhabituels ou transférer des données restent des comportements susceptibles d’être repérés par des outils de surveillance adaptés. Elle déplace toutefois le problème : plutôt que de chercher seulement un fichier connu, les équipes de sécurité doivent aussi reconnaître une séquence d’actions anormales.

La découverte de PromptLock sur la plateforme VirusTotal lors de ses tests illustre aussi le potentiel de confusion créé par un tel prototype. D’après la publication d’origine, les codes fonctionnels produits ont d’abord conduit certains experts à croire qu’ils avaient affaire à un ransomware actif conçu par des acteurs malveillants. Pour les analystes, pouvoir qualifier rapidement un échantillon, différencier une démonstration de recherche d’une menace déployée et comprendre ses capacités réelles devient essentiel.

Des coûts d’attaque potentiellement beaucoup plus bas

L’un des chiffres les plus marquants de l’étude concerne le coût théorique de l’usage du modèle. Les auteurs estiment qu’une attaque avec leur prototype nécessiterait environ 23 000 tokens, pour un coût de l’ordre de 0,70 $. Un token est une unité de texte traitée par un modèle de langage. Il ne correspond pas exactement à un mot, mais cette mesure permet de quantifier la consommation nécessaire aux requêtes adressées à l’IA.

Ce montant ne représente pas le coût complet d’une opération criminelle. Il ne comprend pas nécessairement l’obtention d’un accès à un réseau, l’infrastructure technique, l’achat ou le vol d’identifiants, le blanchiment d’un paiement ou les risques supportés par les attaquants. Il décrit plutôt le prix de la composante d’IA dans le scénario testé.

L’usage de modèles open source peut encore réduire la dépendance à des services commerciaux facturés à la requête. C’est précisément ce changement d’échelle qui préoccupe les chercheurs : automatiser des tâches d’analyse, de classification et de génération de scripts pourrait permettre à des acteurs ayant moins de compétences de tenter des attaques plus sophistiquées.

Il faut néanmoins éviter un raccourci. Une IA qui produit du code n’assure ni que ce code fonctionnera partout, ni qu’il contournera toutes les défenses, ni qu’une attaque sera rentable. Les environnements informatiques réels sont hétérogènes, surveillés de façon inégale et souvent protégés par plusieurs couches de sécurité. La recherche montre une direction possible de l’évolution des menaces, pas une recette infaillible.

Que révèlent les résultats sur les fichiers sensibles ?

Les essais cités dans l’article indiquent que les modèles employés ont repéré entre 63 % et 96 % des fichiers sensibles, en fonction de l’environnement. Ce résultat mérite d’être lu avec prudence. Identifier un document intéressant à partir de son nom, de son emplacement ou de son contenu n’est pas équivalent à accéder à l’ensemble des informations critiques d’une organisation. Et un fichier correctement identifié n’est pas nécessairement exfiltré ou chiffré avec succès.

Le chiffre reste néanmoins significatif. Les attaques de ransomware ne cherchent plus seulement à provoquer une indisponibilité générale. Elles visent de plus en plus les données dont la perte ou la publication exercerait une forte pression sur la victime : documents financiers, informations commerciales, données personnelles, contrats ou projets internes. Une capacité de tri automatisé peut aider un attaquant à hiérarchiser ses cibles.

Pour une organisation, la conséquence pratique est claire : la valeur des fichiers doit se refléter dans leur protection. Les données les plus sensibles ne devraient pas être accessibles par défaut à tous les comptes, ni concentrées sans surveillance dans des espaces partagés. La gestion des droits, la journalisation des accès et des sauvegardes isolées demeurent des protections fondamentales, avec ou sans IA.

Comment les entreprises peuvent-elles se préparer ?

Les chercheurs recommandent en premier lieu d’élargir la surveillance des accès aux fichiers sensibles. Il ne s’agit pas seulement de vérifier qu’un utilisateur possède une autorisation théorique, mais aussi d’observer des comportements inhabituels : consultation massive de documents, exploration rapide de dossiers variés ou activité d’un compte à des horaires incohérents avec son usage habituel.

La seconde recommandation vise les connexions sortantes vers des services d’IA. Lorsqu’un logiciel malveillant doit interroger un modèle distant pour adapter son comportement, ces communications peuvent constituer un signal utile. Les organisations peuvent définir quelles applications sont autorisées à joindre de tels services, enregistrer ces flux et enquêter sur les connexions inattendues. Cette mesure doit toutefois être pensée sans bloquer aveuglément les usages légitimes de l’IA par les salariés ou les équipes techniques.

Enfin, la défense ne peut pas se limiter aux signatures. Les outils de détection doivent chercher des comportements associés à une attaque : accès inhabituel à des données sensibles, modification rapide d’un grand nombre de fichiers, exécution de processus suspects ou communication anormale entre une machine et l’extérieur. Cette approche comportementale est particulièrement importante face à un code susceptible de changer d’une exécution à l’autre.

Les organisations ont aussi intérêt à préparer leur réponse avant une crise. Savoir qui isolera les postes touchés, comment restaurer les systèmes, à quel moment informer les clients ou les autorités compétentes et où trouver des sauvegardes fiables peut réduire considérablement les dégâts d’un incident.

Ce qu’il faut surveiller

La prépublication de la NYU intervient dans un moment où les modèles de langage deviennent plus accessibles, plus performants dans la génération de code et plus faciles à intégrer dans des logiciels. Le risque majeur n’est pas seulement l’apparition d’un nouveau nom de ransomware. C’est la diffusion progressive de méthodes permettant de personnaliser, accélérer ou industrialiser des opérations malveillantes.

Pour les défenseurs, la priorité sera de mesurer ce qui relève de la démonstration de laboratoire et ce qui passe réellement dans les outils employés par les criminels. Il faudra aussi suivre l’évolution des contre-mesures : capacités de détection comportementale, contrôle des connexions vers les services d’IA, sécurité des modèles open source et partage d’indicateurs entre acteurs de la cybersécurité.

La valeur de cette recherche est précisément de rendre le scénario visible avant qu’il ne se banalise. En documentant les capacités et les limites d’un ransomware assisté par modèle de langage, elle donne aux équipes de sécurité un point de départ pour adapter leurs protections. Face à des attaques qui pourraient produire un code différent à chaque tentative, la vigilance devra moins reposer sur la reconnaissance d’un fichier connu que sur la compréhension de ce qu’il tente de faire.