Avec Mythos, Anthropic promet un saut qualitatif dans la détection de vulnérabilités critiques, jusqu’aux 0-day, tout en restreignant fortement l’accès au modèle. Derrière l’annonce, se dessinent des arbitrages techniques sur la fiabilité des découvertes, et une recomposition de l’écosystème cyber où la capacité d’audit devient un actif géopolitique.
Anthropic a choisi un lancement qui frappe fort et qui divise. D’un côté, l’entreprise présente Mythos comme un modèle spécialisé capable d’accélérer la découverte de failles à grande échelle, dans un contexte où la surface d’attaque logicielle croît plus vite que les capacités humaines d’audit. De l’autre, elle encadre drastiquement sa diffusion, au motif qu’un tel outil peut autant renforcer la défense qu’industrialiser l’offensive. Cette tension n’est pas nouvelle dans la sécurité, mais l’IA la rend plus aiguë, car elle abaisse le coût marginal de l’analyse de code, de la recherche de primitives exploitables et, potentiellement, de la génération de chaînes d’exploitation.
Le débat s’est cristallisé autour de deux signaux. Le premier est la promesse de performance, formulée de manière spectaculaire, avec l’affirmation que Mythos Preview aurait déjà identifié « des milliers de vulnérabilités critiques », y compris des failles 0-day. Le second est le choix d’un accès limité à un cercle restreint d’acteurs, ce qui transforme un produit technique en instrument de pouvoir. Pour un lectorat cyber, l’enjeu n’est pas de trancher entre enthousiasme et scepticisme, mais d’évaluer ce que change réellement un modèle spécialisé dans la chaîne outillée de la découverte, de la qualification et de la remédiation des vulnérabilités, et ce que cette rareté organisée implique pour les rapports de force industriels et réglementaires.
Ce que Mythos prétend changer dans la détection de vulnérabilités
La promesse de Mythos s’inscrit dans une trajectoire déjà engagée par l’usage des grands modèles de langage dans l’audit applicatif, le triage de rapports, l’assistance au reverse engineering et la génération de correctifs. La différence revendiquée tient à la spécialisation cyber, qui vise à réduire deux limites des modèles généralistes. D’abord, le bruit, c’est-à-dire la production de faux positifs ou de pistes non exploitables, qui surcharge les équipes AppSec et les mainteneurs. Ensuite, la difficulté à raisonner sur des contextes d’exécution réalistes, notamment quand les vulnérabilités émergent d’interactions entre modules, de configurations, de comportements mémoire, ou de conditions de concurrence.
Sur le plan technique, un modèle orienté vulnérabilités n’est pas seulement un LLM avec un prompt bien écrit. Il suppose une chaîne d’entraînement et d’évaluation centrée sur des corpus de code, des historiques de CVE, des patchs, des discussions de mainteneurs, des tests unitaires, et idéalement des traces d’exécution. Surtout, il doit être intégré à des boucles de vérification. La valeur ne vient pas de la capacité à « deviner » une faille, mais de la capacité à produire des hypothèses testables, à générer des preuves minimales de déclenchement, à proposer un correctif cohérent avec les contraintes du projet, puis à réduire le temps de cycle entre découverte et patch. Dans cette perspective, la métrique pertinente n’est pas le volume de vulnérabilités annoncées, mais le taux de confirmation, la sévérité réelle en production, la reproductibilité, et la robustesse du patch face aux régressions.
Le risque, à l’inverse, est double. Un modèle très performant peut déplacer la frontière de l’offensif en automatisant la recherche de primitives, en suggérant des chemins d’exploitation, ou en identifiant des faiblesses de configuration à grande échelle. Mais un modèle imparfait peut aussi dégrader la sécurité s’il alimente des pipelines de développement avec des correctifs superficiels, ou s’il incite à traiter la vulnérabilité comme un problème local plutôt que systémique. Pour des organisations matures, Mythos n’est donc pas un remplaçant des pratiques d’ingénierie de sécurité, mais un accélérateur potentiel, à condition d’être encadré par des garde-fous de validation, de revue et de tests, et par une gouvernance claire sur ce qui peut être divulgué et quand.
Un lancement sous contrainte, et une rareté organisée
Anthropic a explicitement fait le choix de la restriction d’accès, en réservant Mythos à un groupe limité d’organisations américaines réunies dans un dispositif de coopération. La liste partiellement publique des participants donne une indication sur la cible réelle du produit, à savoir les fournisseurs d’infrastructures logicielles critiques, les grands éditeurs et les acteurs de la sécurité managée, avec un accès « réservé à une cinquantaine d’entreprises et organisations » au sein du projet Glasswing, dont AWS, Apple, Cisco, CrowdStrike, Google, Microsoft, NVIDIA ou Palo Alto Networks. Autrement dit, Mythos est positionné comme un outil de sécurisation de la supply chain logicielle et des plateformes, là où un gain marginal de détection peut avoir un effet systémique.
Ce verrouillage a toutefois un coût politique et économique. Il crée une asymétrie entre ceux qui peuvent auditer massivement et rapidement, et ceux qui restent dépendants de méthodes traditionnelles ou d’outils moins performants. Il soulève aussi une question de redevabilité. Si un modèle est présenté comme capable d’identifier des 0-day, les régulateurs et les agences nationales de cybersécurité peuvent légitimement demander des modalités d’évaluation, de contrôle et de partage d’informations, ne serait-ce que pour éviter que des vulnérabilités critiques restent connues d’un petit nombre d’acteurs privés. Les critiques européennes, relayées dans le débat bruxellois, pointent précisément ce déséquilibre, en soulignant que le géant américain est « critiqué à Bruxelles pour avoir limité l’accès à Mythos », ce qui renvoie à une tension plus large entre souveraineté numérique, transparence et sécurité collective.
Sur le plan stratégique, la rareté organisée sert aussi une logique de marché. En cybersécurité, la crédibilité se construit sur des preuves, mais la différenciation se construit souvent sur la perception de puissance. Un modèle présenté comme trop dangereux pour être diffusé librement devient, par construction, un actif premium, et un argument de négociation avec les grands comptes et les États. Cette dynamique est renforcée par le fait que l’IA de sécurité n’est pas un simple logiciel, mais une capacité opérée, dépendante de ressources de calcul, de mises à jour et d’un contrôle d’usage. Le produit est donc intrinsèquement lié à l’infrastructure et à la gouvernance du fournisseur.
Le nerf de la guerre, calcul, intégration et responsabilité
La promesse d’un modèle spécialisé se heurte à une réalité industrielle, celle du calcul. Les modèles avancés exigent des GPU, des interconnexions, une chaîne MLOps robuste, et une capacité à itérer rapidement sur l’entraînement et l’évaluation. Dans ce contexte, l’idée qu’Anthropic puisse internaliser une partie de sa dépendance matérielle n’est pas anecdotique. L’entreprise envisage de développer ses propres composants, et pourrait bientôt développer ses propres puces, ce qui, si cela se concrétise, aurait un impact direct sur sa capacité à opérer des modèles spécialisés coûteux, à maîtriser ses marges, et à garantir des niveaux de service pour des clients critiques. Pour la cybersécurité, cela signifie aussi que la performance de détection n’est pas seulement une question d’algorithmes, mais de disponibilité de calcul pour scanner, simuler, tester et réitérer.
Reste la question la plus délicate, celle de la responsabilité. Si Mythos identifie une vulnérabilité critique dans un composant largement déployé, qui décide du calendrier de divulgation, du périmètre d’information partagé, et des priorités de patch, surtout lorsque plusieurs intérêts divergent entre éditeurs, intégrateurs, opérateurs et États. La promesse d’un rapport public à horizon de quelques mois, évoquée dans le débat autour du lancement, sera un test important, non pas tant sur le volume de failles corrigées que sur la qualité du processus de divulgation coordonnée, la traçabilité des corrections, et la capacité à documenter ce qui peut l’être sans créer un manuel d’exploitation.
À court terme, Mythos pourrait surtout accélérer la professionnalisation de l’IA dans les chaînes AppSec, en imposant des standards de mesure plus stricts. Les organisations exigeront des preuves de réduction du temps de triage, des gains sur les classes de vulnérabilités réellement coûteuses, et une intégration propre aux outils existants, du SAST au fuzzing, en passant par l’analyse de dépendances et la gestion de correctifs. À moyen terme, l’effet le plus structurant pourrait être géopolitique. Si l’accès aux meilleurs modèles d’audit devient un privilège, la cybersécurité se rapprochera encore d’un régime de capacités, où la puissance se mesure à la vitesse de découverte et de correction, autant qu’à la capacité d’exploitation. Dans ce jeu, la question centrale n’est pas de savoir si Mythos est impressionnant, mais qui peut l’évaluer, l’opérer, et en encadrer l’usage sans transformer la sécurité collective en avantage compétitif privé.
