Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Attaque de la chaîne d'approvisionnement IA

Une attaque de la chaîne d'approvisionnement IA (AI supply-chain attack) compromet une application d'IA par l'intermédiaire de quelque chose dont elle dépend, comme un modèle téléchargé, un adaptateur LoRA, un jeu de données, un paquet Python, un serveur MCP ou une skill d'agent, au lieu d'attaquer directement l'application.

Aussi appelé : malicious package, poisoned skill, model supply-chain attack, poisoned model

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Les applications d'IA modernes sont assemblées à partir de pièces conçues par d'autres : des poids de modèle venant d'un hub, des adaptateurs de fine-tuning, des données d'entraînement, des bibliothèques d'inférence, des serveurs MCP et des skills d'agent installées depuis un registre. Chacune s'exécute avec les accès de votre application. Si un attaquant contrôle l'une d'elles, il contrôle une partie de votre système.

L'OWASP place la chaîne d'approvisionnement au troisième rang des risques de son Top 10 pour les applications LLM, en notant qu'en apprentissage automatique les risques vont au-delà du code et des dépendances, jusqu'aux modèles pré-entraînés et aux données de tiers.

Formes courantes

Un paquet Python vulnérable ou malveillant intégré à un environnement de développement de modèles. Un modèle altéré ou contrefait publié sous un nom familier. Un adaptateur LoRA modifié pour inclure une porte dérobée avant d'être fusionné dans un modèle. Un jeu de données public empoisonné qui implante un déclencheur caché pendant le fine-tuning. Pour les agents, une skill ou un serveur MCP qui fait ce qu'il annonce mais transporte aussi des instructions cachées ; le tool poisoning en est la version MCP.

Le format de fichier des poids téléchargés compte aussi ; voir safetensors pour un format conçu pour stocker les poids en toute sécurité.

Défenses

L'OWASP recommande de vérifier les fournisseurs, de n'utiliser que des modèles issus de sources vérifiables avec signature et empreintes de fichiers, de tenir une nomenclature logicielle (SBOM), d'analyser et de corriger les composants, et de soumettre les modèles tiers à du red teaming pour votre propre cas d'usage. En pratique : figez les versions, examinez à quoi une skill ou un serveur peut accéder avant de l'installer, et exécutez le code non fiable dans un bac à sable. Des scanners comme Snyk Agent Scan recherchent les risques connus dans les composants d'agents.

Termes liés

Tool poisoning
Le tool poisoning (empoisonnement d'outils) est une attaque dans laquelle un outil malveillant, souvent un serveur MCP, cache des instructions dans la description ou les métadonnées de ses outils ; le modèle d'IA les lit comme des consignes et peut divulguer des données ou mal utiliser d'autres outils sans que l'utilisateur s'en aperçoive.
Skills d'agent
Les skills d'agent (compétences) sont des dossiers d'instructions, de scripts et de fichiers de référence, chacun décrit par un fichier SKILL.md, qu'un agent IA peut découvrir et charger seulement quand une tâche en a besoin.
Serveur MCP
Un serveur MCP est un programme qui expose des outils, des ressources de données ou des modèles de prompts aux applications d'IA via le Model Context Protocol, afin que tout client compatible MCP puisse les utiliser sans code d'intégration sur mesure.
Safetensors
Safetensors est un format de fichier de Hugging Face pour stocker les poids des modèles. Contrairement aux fichiers pickle de Python, son chargement ne peut pas exécuter de code caché, et il permet un chargement rapide, par projection en mémoire, de tenseurs individuels.
Poids du modèle
Les poids d'un modèle (model weights) sont les nombres appris à l'intérieur d'un réseau de neurones, fixés pendant l'entraînement, qui déterminent comment il transforme une entrée en sortie. Un checkpoint est un fichier ou un ensemble de fichiers sauvegardé qui contient ces poids.

Sources