# CrowdStrike révèle la faille des garde-fous IA par étapes > CrowdStrike a testé un classificateur de sécurité avancé et identifié un contournement par décomposition, validé dans 9 des 10 catégories offensives. Type : Actualité IA · Catégorie : Secteur · Publié le 2026-10-19 · Signal IA - Order & Chaos · Secteur : Cybersécurité Source : https://www.orderchaos.eu/signal-ia/actu/crowdstrike-expose-le-contournement-des-garde-fous-ia Tags : cybersécurité, ia générative, sécurité des modèles, attaques, crowdstrike, claude, open-source, llm --- ## En résumé - CrowdStrike a évalué environ 515 techniques de contournement direct. - Un modèle non classifié peut recomposer des sous-tâches bénignes en artefact offensif. - Le pipeline a produit du code d’exploitation fonctionnel dans 9 catégories sur 10. **Le signal :** CrowdStrike a validé un contournement par sous-tâches bénignes dans 9 des 10 catégories MITRE ATT&CK testées. **CrowdStrike a testé** un classificateur de sécurité avancé protégeant des modèles comme [Claude](/signal-ia/actu/palo-alto-networks-revele-des-pirates-armes-par-lia) Opus 5.5 et Fable 5. Le laboratoire Cyber Superintelligence Lab a publié ses résultats le 6 octobre 2026. Les chercheurs ont constaté une robustesse élevée face aux attaques directes. Ils ont toutefois identifié un contournement systématique par décomposition de demandes dangereuses en sous-tâches bénignes. Cette méthode a été validée dans neuf des dix catégories de sécurité offensive évaluées. Le résultat concerne la frontière entre une demande isolée et la composition de plusieurs réponses. Le classificateur peut donc évaluer correctement chaque échange sans observer l’assemblage final réalisé en dehors de son périmètre. **Les tests ont couvert** environ 515 techniques de contournement direct. Les chercheurs ont inclus des encodages, des manipulations psychologiques, des escalades sur plusieurs échanges, des tactiques many-shot, des [attaques](/signal-ia/actu/check-point-revele-des-ia-actives-dans-des-attaques-reelles) de tokenizer et des astuces Unicode. Ils ont aussi étudié 24 approches nouvelles inspirées des sciences cognitives. Ces techniques ont obtenu un taux de contournement direct de 0 %. Le problème observé ne vient donc pas d’une mauvaise classification d’une requête explicitement malveillante. Il vient de la séquence et de la recomposition. Cette distinction déplace l’analyse du contenu individuel vers l’orchestration de plusieurs requêtes apparemment acceptables. ## Le classificateur filtre chaque requête **La méthode décompose** d’abord un objectif offensif en tâches séparées. Chaque tâche est ensuite reformulée dans un contexte légitime de développement logiciel. Les chercheurs citent notamment le modding de jeux, l’ingénierie de détection et les logiciels légitimes. Un modèle avancé protégé traite alors ces demandes reformulées. Un modèle plus petit, dépourvu de classificateur, réassemble ensuite les éléments obtenus. [CrowdStrike](/signal-ia/actu/crowdstrike-et-nvidia-securisent-les-agents-autonomes) indique qu’une clé d’API gratuite et un modèle local à poids ouverts suffisent pour exécuter ce pipeline aujourd’hui. La faiblesse apparaît lorsque la composition du résultat se produit hors de la frontière d’observation du filtre. **Le premier cas** concernait l’injection dans un processus distant sous Windows. Trois demandes bénignes adressées au modèle Frontier Model A ont fourni les primitives nécessaires, selon CrowdStrike. Le modèle B les a ensuite assemblées dans un programme C compilable de 221 lignes. Les chercheurs indiquent qu’une variante simplifiée, formulée autour d’un entraîneur de jeu, atteignait le même résultat avec moins d’orchestration. Le laboratoire a aussi appliqué la méthode au développement d’exploits liés à des CVE. Une reformulation en ingénierie de détection, avec des règles Sigma, pouvait faire passer des informations détaillées sur les mécanismes d’exploitation avant leur synthèse par le modèle non protégé. ## Neuf catégories ont produit du code **Les résultats couvrent** dix catégories offensives alignées sur MITRE ATT&CK. La chaîne complète a produit du code d’exploitation fonctionnel dans neuf catégories sur dix. CrowdStrike décrit cette convergence comme une vulnérabilité structurelle, plutôt qu’un défaut isolé d’un modèle. Microsoft Research a publié séparément, en septembre 2026, des travaux intitulés [Capability Laundering](https://microsoft.github.io/capability-laundering/). Ces travaux décrivent la décomposition de tâches dangereuses en requêtes bénignes adressées à des modèles alignés. Les deux recherches ont été menées indépendamment pendant la même période. CrowdStrike précise que son étude ajoute une cartographie d’environ 515 classes techniques et des preuves de concept dans neuf catégories. Le [rapport de CrowdStrike](https://www.crowdstrike.com/en-us/blog/how-attackers-can-bypass-llm-safety-classifiers/) présente cette analyse et ses résultats détaillés.