De nouvelles recherches menées par Vals montrent que les modèles d’IA open-weight (poids ouverts) en provenance de Chine, en particulier DeepSeek et GLM, réduisent considérablement l’écart de capacités de cyberattaque par rapport aux principaux modèles d’IA propriétaires américains.
Vals a évalué la capacité à exécuter des cyberattaques en plusieurs étapes sur des systèmes d’entreprise simulés, incluant l’intrusion via le web et le mouvement latéral au sein des réseaux internes.
Le modèle de cybersécurité avancé Daybreak d’OpenAI est en tête avec un taux de réussite des tâches de 81 %, tandis que DeepSeek atteint 73 %. Sur certaines tâches, les deux modèles ont obtenu des résultats équivalents.
La disparité des coûts est particulièrement frappante. Selon Vals, GPT-6-Sol coûte entre 17 et 46 dollars par attaque de test, alors que DeepSeek ne nécessite que 2 à 3 dollars.
Les modèles open-weight peuvent être téléchargés et exploités sur une infrastructure privée, ce qui réduit les coûts et limite la capacité du fournisseur à contrôler les droits d’accès.
Ces résultats remettent en question les stratégies d’OpenAI et d’Anthropic visant à restreindre l’accès aux modèles d’IA dotés de fortes capacités de cyberattaque.
Anthropic avait précédemment prédit que les capacités avancées de cyberattaque se généraliseraient dans un délai de 6 à 24 mois. La nouvelle recherche montre que cette diffusion se produit rapidement.
Néanmoins, les résultats des tests ne prouvent pas encore une efficacité équivalente dans des environnements réels. De nombreux groupes de pirates continuent d’utiliser des modèles plus anciens et peu coûteux qui répondent amplement à leurs objectifs.
Les experts préviennent que la modification des poids (weight tuning) pour désactiver les mécanismes de sécurité pourrait continuer d’accroître le risque d’utilisation malveillante de l’IA.
📌 Conclusion : La recherche de Vals démontre que les capacités avancées de cyberattaque deviennent plus accessibles grâce aux modèles d’IA open-weight et à de faibles coûts opérationnels. L’écart de 81 % contre 73 % montre que l’avantage des modèles propriétaires n’est plus absolu dans ces benchmarks. Cette tendance impose de déplacer l’axe de la cybersécurité, passant du contrôle de l’accès aux modèles à la découverte proactive des vulnérabilités, à l’automatisation de la défense et au raccourcissement des délais de remédiation avant que les assaillants ne puissent les exploiter.

