Unit 42 documente une intrusion où des agents ont comprimé en moins de dix heures un enchaînement qui aurait demandé environ deux semaines à plusieurs équipes de red team. Ils ont cartographié le réseau, fouillé les dépôts pour des secrets, pivoté vers le cloud et tenté de modifier Terraform, avant d’être stoppés par les protections de branche.

OpenAI traite désormais ce rythme comme un problème de trajectoire, pas seulement d’action isolée. Pour GPT‑6 Astra, l’entreprise surveille toutes les inférences avec tool calling, renforce l’isolation et bloque l’usage interne derrière des évaluations d’alignement. Le modèle atteint pourtant le niveau cyber Critical, ce qui augmente l’importance de contrôles externes.

Check Point applique la même logique côté défense avec les modèles Daybreak : des pipelines multi-agents valident les chemins d’attaque, enquêtent sur les chaînes d’identifiants et accélèrent la remédiation. Pour les développeurs et équipes sécurité, la réponse doit associer automatisation, moindre privilège, protections CI/CD immuables et journaux exploitables pour suivre un adversaire au rythme machine.

Les failles GitSpawn montrent que la surface d’attaque commence avant même le modèle. Codex, Claude Code, Cursor et d’autres agents ont exécuté des commandes fournies par la configuration Git d’un dépôt, hors sandbox et sans approbation. Le risque vient donc aussi de la plomberie locale utilisée automatiquement pour collecter le contexte du projet.

Tenable traite désormais agents, skills, serveurs MCP et playbooks comme des composants à auditer avant déploiement. Son CyberAgents Exchange AI Inspector combine modèles cyber OpenAI, inspection Tenable et revue humaine. Le registre dépasse cent composants communautaires : la confiance n’est plus attachée à l’agent seul, mais à chaque extension qu’il charge.

JFrog pousse cette logique dans la chaîne de livraison : registres gouvernés pour plugins, skills, MCP et packages d’agents, versions épinglées, scanning sémantique et politiques allow/deny directement dans les IDE. Pour les développeurs, un coding agent doit désormais être sécurisé comme un build system : entrées vérifiées, dépendances immuables, permissions bornées et provenance traçable.

OpenAI évalue désormais Astra sur des trajectoires proches du travail réel, pas seulement sur des benchmarks. Sa simulation rejoue 54 218 tâches internes Codex avec conversation, workspace et tool calls reconstruits : Astra reçoit 34 alertes de sévérité 3 ou plus, contre 73 pour GPT-5.6 Sol, soit 53 % de moins.

Vercel applique la même logique aux instructions d’agents. Pour construire `design.md`, l’équipe a réalisé plus de 200 runs sur sept scénarios figés, en conservant prompts, entrées, modèle, version du fichier, captures et retours humains. Dans un test de six pages, les défauts déjà connus tombent de 91 à 39, sans rendre aucune page livrable.

Meta cherche de son côté les traces d’usage qui manquent aux laboratoires. Pour Muse Spark, le tarif « contributor » réduit d’environ 95 % le prix en échange du partage des prompts et sorties. Pour les développeurs, l’évaluation utile devient donc une boucle versionnée de tâches, tool calls, erreurs et corrections réelles, plutôt qu’un score isolé.