Huit mois. Quatre incidents majeurs. Un constat : la chaîne d'approvisionnement logicielle n'a pas eu un nouvel adversaire, mais une nouvelle arme. Entre septembre 2025 et mai 2026, un ver informatique auto-réplicateur, un acteur étatique, une campagne de piratage et un modèle d'IA détourné ont chacun trouvé leur place dans les systèmes informatiques. pipelineDes systèmes auxquels des millions de développeurs font confiance au quotidien. Voici la nouvelle forme des menaces de cybersécurité : plus rapides, plus difficiles à détecter et de plus en plus alimentées par la même IA que celle utilisée par les équipes de développement pour déployer du code.
Si votre conception des menaces en matière de cybersécurité se limite encore aux courriels d'hameçonnage et aux serveurs non corrigés, les données ci-dessous la mettront à jour.
La nouvelle forme des menaces en matière de cybersécurité
Pendant des années, les menaces de cybersécurité se résumaient aux identifiants volés, aux serveurs mal configurés et à l'ingénierie sociale. Ces risques n'ont pas disparu : 81 % des violations de données confirmées en 2022 impliquaient des identifiants compromis. Mais une nouvelle catégorie est désormais au cœur des débats : les menaces liées à l'IA. Les équipes de développement s'appuient désormais sur des assistants de programmation IA, des copilotes agents et… Protocole de contexte de modèle (MCP) Les serveurs permettent de développer des logiciels plus rapidement, et chacun d'eux est désormais une cible. Des études montrent qu'environ 40 % du code généré par l'IA contient des failles de sécurité, ce qui signifie que la vitesse promise par l'IA s'accompagne d'une augmentation proportionnelle des risques de sécurité intégrés directement dans le code source.
Huit mois, quatre incidents : comment les menaces liées à l’IA se sont intensifiées
La preuve la plus flagrante de l'accélération des menaces liées à l'IA n'est pas une prévision ; c'est un Chronologie des événements déjà survenus:
- Septembre 2025, Shai-Hulud: le premier ver npm auto-propagateur, transformant les développeurs eux-mêmes en mécanisme de diffusion.
- Mars 2026, axios : Un logiciel malveillant d'État dissimulé dans un paquet téléchargé environ 100 millions de fois par semaine.
- Avril 2026, SAP npm: une répétition à plus petite échelle du même motif de ver, montrant les échelles de la technique.
- Mai 2026, Claude Opus → PromptMink : un modèle de langage de grande taille utilisé comme arme pour implanter un logiciel malveillant dans un agent autonome, l'IA elle-même servant de vecteur d'attaque.
Chaque incident a réutilisé et amplifié le précédent. C'est là la caractéristique déterminante des menaces liées à l'IA en 2026 : elles se multiplient plus rapidement que les menaces de cybersécurité traditionnelles, car l'automatisation qui facilite le déploiement des logiciels malveillants permet également aux attaquants de se propager.
Pourquoi les outils traditionnels ne peuvent pas détecter ces risques liés à l'IA
Les outils AppSec traditionnels s'arrêtent au dépôt et ignorent ce qu'est un modèle. Les outils de sécurité des terminaux classiques surveillent le système d'exploitation et ne comprennent ni les paquets, ni les serveurs MCP, ni les assistants IA. C'est précisément dans cet écart que les risques liés à l'IA se logent, indétectés jusqu'à ce que le mal soit fait.
Deux chiffres illustrent concrètement l'ampleur du problème : le vol d'identifiants ciblé par l'IA a augmenté de 376 % entre le quatrième trimestre 2025 et le premier trimestre 2026, et un seul pont MCP malveillant (CVE-2025-6514) a été téléchargé 437 000 fois avant d'être détecté, permettant l'exécution de code à distance sur le client. Les serveurs MCP publics ne sont pas non plus sûrs par défaut : 5.5 % d'entre eux présentent des failles d'empoisonnement d'outils et 43 % des failles d'injection de commandes suffisamment graves pour transformer les outils de développement en l'une des menaces de cybersécurité les plus sérieuses auxquelles une organisation peut être confrontée.
La chaîne d'approvisionnement des logiciels demeure la principale source de menaces en matière de cybersécurité.
L'IA n'a pas créé ce problème, elle l'a amplifié. La chaîne d'approvisionnement logicielle était déjà le point d'entrée le plus exploité par les cybermenaces, et les chiffres le confirment. Plus de 778 500 logiciels malveillants open source ont été identifiés depuis 2019, et ce chiffre a bondi de 156 % en une seule année pour atteindre 512 847 logiciels. L'ENISA a constaté que 60 % des attaques contre la chaîne d'approvisionnement exploitaient la confiance des clients envers un fournisseur, et selon certaines estimations, la chaîne d'approvisionnement logicielle subit désormais une attaque environ toutes les 48 heures. Les attaques contre la chaîne d'approvisionnement ont augmenté de 742 % entre 2019 et 2022, et les projections suggèrent que 45 % des organisations seront touchées d'ici 2025 et que les coûts annuels atteindront 138 milliards de dollars d'ici 2031 ; le coût des attaques contre la chaîne d'approvisionnement logicielle pour la seule année est estimé à 60 milliards de dollars.
La même dépendance et pipeline Les failles qui ont engendré ces menaces classiques en matière de cybersécurité comportent désormais également des risques liés à l'IA : un package compromis, une action GitHub mal configurée ou un fichier non épinglé. CI/CD Cette méthode permet de cibler un agent d'IA aussi facilement qu'un développeur humain.
Risques plus larges en matière de sécurité de l'IA, au-delà du code source
Tous les risques liés à l'IA ne se limitent pas aux fichiers de code. Une cartographie plus complète des risques de sécurité de l'IA englobe l'ensemble du cycle de vie d'une ressource d'IA : injection de requêtes et fuites d'instructions système, données sensibles exposées par des configurations d'IA trop permissives, vecteurs et embeddings corrompus, instructions malveillantes dissimulées dans des documents et des fichiers de règles, configurations MCP non sécurisées et serveurs non fiables, dépendances d'IA vulnérables ou compromises, et excès de pouvoir d'action, lorsqu'un agent d'IA agit au-delà des limites de sa configuration.
Ces catégories correspondent directement aux Les 10 meilleures candidatures OWASP pour le LLM, le Les 10 meilleures applications OWASP pour les agentsainsi que, Top 10 OWASP MCPtrois cadres de référence qui deviennent rapidement le vocabulaire commun pour décrire les risques liés à la sécurité de l'IA dans l'ensemble du secteur.
Réduire l'exposition aux cybermenaces : ce qui fonctionne réellement
Les données mettent en évidence deux éléments qui fonctionnent systématiquement contre les menaces de cybersécurité : Hygiène de base et dépistage précoce. 98 % des cyberattaques sont évitées grâce à des mesures de sécurité élémentaires. Pourtant, 34 % des violations de données sont encore dues à des menaces internes, et 60 % des applications présentent toujours des vulnérabilités dans leur code propriétaire. GitHub lui-même n'est pas à l'abri : 1.9 % des dépôts de preuves de concept d'exploits sur GitHub sont malveillants, conçus pour exfiltrer des données ou déployer des logiciels malveillants chez les chercheurs qui leur font confiance.
Concernant les risques liés à l'IA en particulier, la solution doit intervenir plus tôt dans le cycle de vie :
- Validez dans l'IDE. Détecter les failles de sécurité dans le code généré par l'IA avant même qu'il n'atteigne un pipeline met fin à la principale source unique de nouveaux risques de sécurité liés à l'IA.
- Détecter les logiciels malveillants avant même l'existence d'une signature. Les outils basés sur la réputation passent à côté des packages zero-day par définition, ce qui est précisément la faille exploitée par Shai-Hulud, axios et SAP npm.
- Recenser tous les actifs d'IA. Les modèles, les ensembles de données, les agents et les serveurs MCP ne peuvent être gérés ni attaqués par un système dont une équipe ignore l'existence.
Comment Xygeni répond à ces menaces de cybersécurité
Xygéni DevAI considère les menaces liées à l'IA comme une composante essentielle de la sécurité des applications, et non comme un problème distinct ajouté a posteriori. DevAI effectue une validation de sécurité en temps réel directement dans l'environnement de développement intégré (IDE), signalant les failles de sécurité dans le code généré par l'IA avant son déploiement. Alerte précoce aux logiciels malveillants (MEW) cLe système analyse en continu NPM, PyPI et Maven afin de détecter les paquets malveillants avant même qu'une signature ne soit créée, ciblant ainsi le schéma précis de la chaîne d'approvisionnement de Shai-Hulud, axios et SAP npm. AI Security détecte tous les actifs d'IA sur l'ensemble du système. SDLC, le compare aux cadres OWASP ci-dessus, et Shield applique une politique au niveau du point de terminaison avant qu'un modèle, un agent ou un serveur MCP non sécurisé ne soit autorisé à s'exécuter.
Les organisations qui maîtriseront les risques liés à l'IA en 2026 ne seront pas celles qui utilisent le plus d'outils. Ce seront celles qui auront une vision globale de leurs ressources d'IA, qui pourront bloquer les actions dangereuses avant leur exécution et qui appliqueront ces connaissances aux outils qu'elles possèdent déjà.
QFP
Quelles sont les principales menaces en matière de cybersécurité en 2026 ?
Les attaques contre la chaîne d'approvisionnement demeurent la catégorie la plus importante en termes de volume et de coût, avec des dommages estimés à 60 milliards de dollars cette année et une attaque environ toutes les 48 heures. Parallèlement, les menaces liées à l'IA constituent une catégorie en forte croissance : le vol d'identifiants ciblés par l'IA a augmenté de 376 % en un seul trimestre, et des incidents comme Shai-Hulud, axios et PromptMink montrent que les attaquants utilisent activement l'IA à la fois comme cible et comme vecteur d'attaque.
Le code généré par l'IA représente-t-il un risque pour la sécurité ?
Oui. Des études montrent qu'environ 40 % du code généré par l'IA contient des failles de sécurité. C'est pourquoi la validation en temps réel au sein de l'environnement de développement intégré (IDE), avant la fusion du code, constitue l'un des moyens les plus efficaces de réduire les risques de sécurité liés à l'IA à la source.
Qu’est-ce que MEW et comment répond-il aux menaces liées à l’IA ?
Le système d'alerte précoce aux logiciels malveillants (MEW) de Xygeni analyse en continu les paquets NPM, PyPI et Maven. Il est conçu pour détecter les paquets malveillants avant même qu'une signature ne soit établie, ce qui est crucial car les outils basés sur la réputation ne repèrent que les menaces déjà identifiées, passant ainsi à côté des schémas d'attaques zero-day à l'origine des récentes attaques d'IA et des vers informatiques ciblant la chaîne d'approvisionnement.
Les serveurs MCP constituent-ils une véritable source de risques liés à l'IA ?
Oui. Les serveurs MCP publics présentent des risques de sécurité IA mesurables en conditions réelles : 5.5 % comportent des failles d’empoisonnement d’outils et 43 % des failles d’injection de commandes, et un seul pont MCP compromis a été téléchargé 437 000 fois avant d’être détecté.
