Anthropic franchit un cap dans la cyberoffensive avec Claude

Anthropic franchit un seuil dans les opérations cyber offensives, selon l’AI Security Institute britannique. Claude Mythos Preview a réussi la simulation réseau « The Last Ones » lors de trois essais sur dix. Cette évaluation couvre la reconnaissance jusqu’à la prise complète d’un domaine. Elle représente généralement vingt heures de travail humain spécialisé. Le modèle a aussi obtenu 73 % sur des tâches de niveau expert. L’institut précise toutefois que la simulation ne comporte ni défense active ni outils défensifs. Ces résultats ne démontrent donc pas une efficacité contre des cibles renforcées. L’évaluation signale néanmoins une progression mesurable des capacités offensives des modèles avancés. Lire l’évaluation de l’AISI

OpenAI suit rapidement avec GPT-5.5, évalué trois semaines après Claude Mythos Preview. Le modèle a réussi deux simulations complètes sur dix et atteint 71,4 % sur les tâches expertes. La même réserve s’applique, car aucun défenseur n’était présent dans l’environnement testé. L’AISI estime désormais que la capacité cyber offensive des modèles avancés double tous les quatre mois. Le rythme était de sept mois fin 2025. Cette accélération met sous pression les fournisseurs reposant sur des signatures statiques et des règles. CrowdStrike, Palo Alto et Microsoft Defender disposent d’une couche d’orchestration défensive. Leur évolution dépend cependant d’architectures conçues autour de l’IA.

Anthropic accélère les capacités cyber

Quatre laboratoires chinois ont publié des modèles de programmation à poids ouverts en douze jours. Z.ai a lancé GLM-5.1, MiniMax M2.7, Moonshot Kimi K2.6 et DeepSeek V4. Ces modèles ont atteint un niveau comparable sur l’ingénierie agentique, avec un coût d’inférence inférieur. Aucun ne coûte plus du tiers de Claude Opus 4.7. Les démonstrations incluaient plus de cent cycles d’optimisation pour MiniMax et douze heures d’utilisation continue d’outils pour Kimi. L’évaluation CAISI du NIST place toutefois V4 environ huit mois derrière le meilleur modèle américain sur son agrégat. La fiche de DeepSeek revendique, elle, une parité avec Opus 4.6 et GPT-5.4.

Les agents progressent lorsque leur environnement reste encadré, mais leurs résultats chutent face au risque réel. Dans Project Deal, 69 agents soutenus par des employés d’Anthropic ont parcouru plus de 500 annonces. Ils ont conclu 186 transactions, pour un total de 4 000 dollars, dans une économie interne organisée au siège de San Francisco. Les agents Opus 4.5 négociaient mieux que les agents Haiku 4.5. KellyBench a produit un résultat inverse dans les paris de Premier League. Sur 24 combinaisons modèle-graine, seulement trois ont évité la ruine. Opus 4.6, meilleur système, a obtenu un score de sophistication de 32,6 %.

Les marchés testent les limites

Les tâches encadrées offrent encore des résultats opérationnels mesurables. Les agents d’approvisionnement de Ramp fonctionnent trois fois plus vite et réduisent de 16 % les coûts fournisseurs, selon la newsletter. À l’inverse, les travaux scientifiques automatisés montrent des faiblesses dans le raisonnement. Une équipe de l’université Friedrich-Schiller de Iéna a analysé 25 000 exécutions dans huit domaines scientifiques. Le modèle de base expliquait 41,4 % de la variance, contre 1,5 % pour l’architecture d’agent. Les agents ignoraient les preuves dans 68 % des traces. Ils révisaient leurs croyances après réfutation dans seulement 26 % des cas. Consulter la newsletter de Nathan Benaich