Des agents IA parviennent à pirater seuls des réseaux d'entreprise de test
Vals AI a constaté que des agents autonomes peuvent parcourir des réseaux d'entreprise simulés et obtenir des droits d'administrateur sans aide humaine.
Illustration made on Lumeta with GPT Image 2.5Make one like it
Vals AI a indiqué le 7 novembre 2026 que les modèles open-weight se sont nettement rapprochés des systèmes frontier à accès restreint lors de ses tests CyberOffense : Deepseek V4.1 Flash 1017 a atteint 72.8 % des objectifs Nova, contre 80.8 % pour GPT-6 Sol Daybreak, pour un coût d'environ 3 $ par exécution au lieu de 22 $ environ. C'est important, car les mêmes compétences agentiques capables d'automatiser des intrusions peuvent aussi servir dès maintenant aux défenseurs pour tester et renforcer leurs propres réseaux.
Ce que Vals a découvert
Vals a conçu un benchmark baptisé CyberOffense, qui simule des réseaux d'entreprise réalistes. Chaque agent part d'une machine Kali Linux isolée, avec pour seul point de départ une adresse web publique et sans aucune aide humaine, puis doit passer d'une application web aux systèmes Windows et à des accès à privilèges élevés. Dans le scénario Nova, GPT-6 Sol Daybreak arrive en tête, tandis que Deepseek reste proche pour un coût bien moindre. Dans le scénario Lighthouse, plus difficile, le tableau montre Meta Wonder à 28 objectifs sur 31, GPT-6 Sol Daybreak à 27 et Deepseek V4.1 Flash 1017 à 21.

Illustration made on Lumeta with GPT Image 2.5Make one like it
Pourquoi c'est important
Selon Vals, des exécutions plus longues sont essentielles pour comprendre ce dont ces systèmes sont réellement capables. Deepseek n'aurait marqué aucun point durant ses 25 premiers millions de tokens et n'aurait réalisé l'essentiel de ses progrès qu'au-delà de 100 millions, ce qui signifie que des tests courts peuvent sous-estimer les capacités des modèles ouverts. Cela rejoint des travaux antérieurs. L'AI Security Institute britannique a indiqué en juillet que l'écart entre modèles frontier ouverts et fermés sur les tâches cyber s'était réduit à quatre à sept mois, contre six à dix mois pendant la majeure partie de 2025. La même étude relevait aussi d'importants écarts de prix, avec une exécution sur cyber-range à 1.19 $ pour Deepseek V4-Pro contre 85 $ pour Anthropic Opus 4.5. Anthropic a par ailleurs rapporté que GLM-5-3 pouvait concevoir des exploits à un niveau presque équivalent à celui de son meilleur modèle interne, Mythos.
Ce que les équipes de sécurité peuvent faire dès maintenant
- Retester les applications exposées sur Internet, les systèmes d'identité et les chemins d'escalade de privilèges avec des exercices de red team de type agentique, et pas seulement des contrôles ponctuels limités.
- Prévoir un budget pour des évaluations plus longues. Des exécutions courtes peuvent passer à côté de ce qu'un modèle sait faire après des dizaines ou des centaines de millions de tokens.
- Partir du principe que les modèles open-weight seront utilisés à des fins offensives dès que leurs poids seront publics, car les contrôles d'accès d'un fournisseur ne s'appliquent plus.
- Utiliser la même catégorie de modèles en défense pour repérer les failles avant les attaquants, notamment autour des points d'entrée web, des hôtes Windows et des droits d'administration.
Qu'est-ce que le benchmark CyberOffense de Vals ?
C'est un environnement de test qui simule des réseaux d'entreprise réalistes. Un agent IA part d'une machine d'attaque isolée avec pour seule information une adresse web publique, puis doit identifier et exécuter les étapes nécessaires pour pénétrer plus profondément dans le réseau et atteindre des objectifs à privilèges élevés.
Quel modèle a obtenu les meilleurs résultats chez Vals ?
GPT-6 Sol Daybreak a signé le meilleur résultat sur Nova, avec 80.8 % des objectifs. Dans le tableau Lighthouse, Meta Wonder a atteint 28 objectifs sur 31, suivi de près par GPT-6 Sol Daybreak avec 27.
Cela signifie-t-il que les modèles ouverts sont déjà meilleurs que les modèles fermés ?
Pas sur tous les plans. Les modèles fermés restent en tête sur certains critères, mais l'écart est plus faible qu'auparavant et certains modèles ouverts coûtent beaucoup moins cher, ce qui rend la tendance générale plus significative que n'importe quelle place au classement.
Pourquoi les exécutions longues comptent-elles autant ?
Parce que certains modèles progressent peu visiblement au début, puis s'améliorent nettement avec des budgets de tokens bien plus importants. Selon Vals, Deepseek n'a réalisé l'essentiel de ses progrès qu'après 100 millions de tokens, si bien que des tests courts peuvent manquer son véritable plafond.


