Claude Mythos découvre une faille cryptographique en 60 heures

En bref : j’y vois une histoire de coût, de concentration et d’examen humain, et non la preuve que l’IA peut casser seule la cryptographie moderne.

En 60 heures, pour une dépense de $100,000, Claude Mythos a contribué à découvrir une faille de génération de nonce liée à HAWK. Ce problème pourrait permettre à un attaquant d’exploiter des signatures publiques afin de progresser vers la récupération d’une clé privée au moyen d’une attaque par réseau. Dans le même temps, l’article insiste sur un point : un AES à nombre réduit de tours n’est pas un AES complet.

Si je devais résumer l’article en quelques lignes, voici l’essentiel :

• Cible : HAWK et AES à nombre réduit de tours
• Résultat : un problème confirmé de biais de nonce dans HAWK
• Risque : un nombre suffisant de nonces faibles peut transformer des signatures publiques en voie d’accès au vol de clé
• Coût : $100,000 au cours d’une campagne intensive de type week-end
• Processus : l’IA a généré des pistes, puis des humains les ont filtrées et vérifiées
• Leçon : commencer avec des solutions peu coûteuses, vérifier tôt et réserver les modèles haut de gamme à la fin du workflow

Ce qui me frappe, c’est la séparation entre la recherche et la preuve. Le modèle semble avoir aidé à passer rapidement au crible le code et les idées d’attaque, avec un taux de reproduction d’exploit dès la première tentative de 83.1%, cité dans l’article. Mais le message de l’article est clair : des personnes ont encore dû confirmer ce qui était réel.

Pour les développeurs et les équipes de sécurité, les conseils de l’article sont simples :

• utiliser d’abord des modèles plus petits
• fixer des plafonds budgétaires stricts
• valider avant d’augmenter les dépenses
• considérer les résultats du modèle comme des pistes, et non comme des conclusions définitives

C’est la partie que je retiendrais. La principale conclusion n’est pas que l’IA a découvert quelque chose de nouveau. C’est plutôt qu’un workflow étroitement défini et vérifié par des humains peut transformer un schéma d’attaque connu en une découverte testée, à condition d’être prêt à y consacrer le temps et l’argent nécessaires.

Comment l’IA découvre des vulnérabilités dans les bibliothèques cryptographiques

2. Comment Claude Mythos a consacré son temps et son budget

Chronologie de l’enquête de 60 heures

La campagne de 60 heures a suivi une séquence claire : cadrage de l’attaque, analyse guidée par le modèle, affinage et vérification sur HAWK et AES à nombre réduit de tours. Au départ, l’équipe a choisi des objectifs d’attaque précis et défini ce qui constituerait une découverte confirmée. Claude Mythos est ensuite passé à une recherche répétée de variantes, en rapprochant des schémas de vulnérabilité connus de failles potentielles dans le code cryptographique, sans recourir aux outils SAST standards ^[4].

La phase intermédiaire s’est concentrée sur le test des faiblesses candidates et l’élimination des faux positifs. Les examinateurs humains se sont chargés de ce filtrage. Claude Mythos a reproduit les exploits dès la première tentative dans 83.1% des cas, ce qui a réduit le nombre de voies sans issue et le travail perdu ^[1].

Lors de la dernière phase, l’équipe a confronté les candidats les plus solides au code source et aux hypothèses cryptographiques propres à chaque cible. Ces contrôles ont préparé les scénarios d’attaque décrits ensuite.

Où sont passés les $100,000

Les $100,000 ont financé les exécutions répétées du modèle, l’orchestration du workflow et l’examen humain. En clair, l’argent n’a pas servi à une seule grande tentative. Il a permis de relancer la boucle encore et encore, jusqu’à l’élimination des pistes faibles et à la confirmation des plus solides.

Des modèles à poids ouverts plus petits peuvent également intervenir dans la vérification. Dans certains cas, ils peuvent reconstituer des chaînes d’exploitation complexes pour seulement $0.11 par million de tokens ^[3].

Comment APIMart s’intègre aux workflows de sécurité multimodèles

APIMart peut acheminer la génération d’hypothèses, l’analyse et la vérification par un seul endpoint compatible OpenAI. Il devient ainsi plus facile de passer de la découverte des candidats à leur vérification, sans créer un transfert désordonné entre plusieurs outils.

3. La faille en pratique : ce que pourraient faire les attaquants

Scénarios d’attaque rendus possibles par cette découverte

La piste la plus solide était une faille de génération de nonce qui transformait les signatures publiques en voie de récupération de la clé privée. Claude Mythos a découvert une génération biaisée des nonces dans l’implémentation ciblée. Lorsque les nonces ne sont pas uniformes, un attaquant peut collecter des signatures au fil du temps, puis exécuter des attaques du problème des nombres cachés (HNP) basées sur les réseaux afin de récupérer la clé privée ^[5].

Les cibles les plus faciles sont les systèmes qui exposent de nombreuses signatures au public. Un taux de nonces hors plage d’environ 6% peut suffire à repérer une génération faible et à justifier une tentative de récupération de clé à partir de signatures publiques ^[5]. Une fois la clé privée obtenue, un attaquant peut falsifier des signatures et usurper l’identité de son propriétaire ^[5]. C’est ce qui rend l’attaque concrète : les signatures publiques deviennent elles-mêmes sa matière première.

Impact mesuré par rapport aux références d’attaques antérieures

Le principal changement est ici opérationnel. Le modèle a transformé une catégorie d’attaque connue en une voie fonctionnelle plus rapidement qu’un tri manuel seul. Cette vitesse compte, car Claude Mythos a reproduit les exploits dès la première tentative dans 83.1% des cas ^[1].

4. Ce que cela signifie pour les développeurs, les équipes de sécurité et les opérations d’IA

Là où l’IA aide le plus dans la recherche cryptographique

L’IA n’a pas inventé une nouvelle catégorie d’attaque. Elle a accéléré le travail fastidieux : trouver des candidats probables, vérifier des hypothèses et appliquer des schémas d’attaque connus à une base de code fortement axée sur la sécurité.

Cette différence compte en pratique. L’IA peut réduire l’espace de recherche, mais elle ne peut pas décider ce qui constitue un véritable problème. Des personnes doivent encore lire le code, tester l’affirmation et la confronter à la conception cryptographique.

En juillet 2026, l’agent d’audit par IA zkao de zkSecurity a confirmé sept bugs réels dans la bibliothèque cryptographique expérimentale CIRCL de Cloudflare, notamment une perte critique de précision float64 dans le RSA à seuil et une rupture du contrôle d’accès dans le chiffrement fondé sur les attributs. Tous ont ensuite été corrigés en amont ^[2]. En termes simples, la séparation est la suivante : l’IA aide les équipes à trouver davantage d’éléments à examiner, et les examinateurs humains déterminent lesquels résistent à l’analyse.

Comment planifier un audit similaire sans gaspiller le budget

Un bon workflow d’audit est assez simple :

• Commencer par des modèles moins coûteux pour trouver les bons chemins de code et signaler les candidats évidents
• Vérifier ces découvertes par rapport au code source et aux hypothèses cryptographiques
• Ne passer à un modèle phare qu’après la validation d’un candidat par cet examen
• Fixer des plafonds budgétaires avant le début du travail
• Ajouter un point de validation précoce pour que l’équipe puisse continuer, changer de direction ou s’arrêter avant de gaspiller de l’argent dans une impasse

Cet ordre est important. Un modèle à poids ouverts de 3.6 milliards de paramètres peut détecter des exploits complexes pour seulement $0.11 par million de tokens ^[3]. Les ressources de calcul coûteuses doivent donc intervenir à la fin du pipeline, et non au début.

C’est ce qui rend l’IA utile dans les audits cryptographiques. Il ne s’agit pas seulement d’aller plus vite. La principale leçon de la campagne Mythos est le compromis entre vitesse, vérification et coût : les $100,000 et les 60 heures ont produit une découverte confirmée et vérifiée par des humains, parce que le processus correspondait au niveau de rigueur exigé par la cible.

5. Conclusion : coût et valeur sécuritaire de la cryptanalyse assistée par l’IA

Mythos a confirmé une faille de génération de nonce dans HAWK en utilisant des sous-agents LLM pour analyser des fichiers en parallèle et examiner directement le code source. C’est la vérification humaine qui a rendu le résultat crédible. Le travail de l’IA a réduit le temps de recherche et fait émerger un problème candidat que les examinateurs ont ensuite pu confirmer et mesurer ^[4]. Cela déplace l’attention. La question principale porte moins sur la nouveauté que sur le coût.

La question suivante est celle de l’efficacité : combien cette recherche a-t-elle réellement coûté ? À cette échelle, la pression budgétaire est difficile à ignorer, et la réponse dépend largement du périmètre. Une configuration raisonnable consiste à employer de petits modèles à poids ouverts lors de la première passe, puis à réserver les modèles phares aux parties qui exigent un raisonnement plus profond ^[3].

Pour les équipes, la conclusion est pratique, et non abstraite. Limitez précisément le périmètre, validez tôt et traitez les résultats de l’IA comme des pistes plutôt que comme des réponses définitives. Comme l’a déclaré sans détour Daniel Stenberg de Curl :

L’IA assiste l’examen humain, elle ne le remplace pas

Ce point apparaît clairement dans un audit de Curl. Mythos a signalé cinq problèmes, mais l’examen manuel a réduit cette liste à un CVE de faible gravité et un bug ^[4].

FAQ

Cette faille pourrait-elle exposer une clé privée dans des systèmes réels ?

Oui. Si quelqu’un exploite une faille donnant un accès au niveau du noyau, il peut prendre le contrôle de l’ensemble du système. Cela peut exposer des données sensibles, notamment les clés privées stockées sur ces machines.

La recherche montre que l’analyse assistée par l’IA peut découvrir et enchaîner des vulnérabilités complexes. En clair, les attaquants peuvent avoir davantage de facilité à relier de petites failles pour produire une compromission bien plus importante, ce qui accroît le risque d’attaques à grande échelle.

Pourquoi l’audit a-t-il coûté environ $100,000 ?

Le coût d’environ $100,000 provient de l’utilisation intensive des ressources de calcul spécialisées, des outils avancés et de l’infrastructure de test nécessaires pour mener une analyse de sécurité approfondie pendant 60 heures.

Il couvrait également le travail technique requis pour identifier, vérifier et documenter des failles critiques dans des systèmes cryptographiques complexes et à forts enjeux.

Qu’ont vérifié les humains que l’IA ne pouvait pas vérifier ?

Les personnes ont contrôlé les découvertes de l’IA en lisant elles-mêmes le code source et en examinant chaque cas manuellement afin de repérer les erreurs.

Elles ont constaté que de nombreux problèmes « confirmés » par l’IA étaient en réalité des faux positifs ou de simples bugs, et non des failles de sécurité. Cet examen supplémentaire a permis de s’assurer que les découvertes très graves étaient exactes avant que quiconque ne les considère comme valides.