Dans une mise à jour publiée le 16 novembre 2026, le Google Threat Intelligence Group (GTIG) et Mandiant décrivent un framework multiagent fondé sur des grands modèles de langage (LLM). GTIG affirme qu’il s’agissait de la première fois qu’il observait un tel enchaînement : comparer des versions de logiciels web autour de correctifs, analyser des failles potentielles, rédiger des exploits puis les exécuter sans intervention humaine. Le groupe dit avoir trouvé exploit_agent sur un serveur de préproduction exposé. (Rapport de GTIG)
Ce qu’exploit_agent automatisait
Selon GTIG, exploit_agent analysait les changements entre des versions de logiciels web publiées avant et après des correctifs, puis cherchait des vulnérabilités potentielles. Il pouvait ensuite préparer des exploits et les lancer automatiquement. Le rapport situe ce flux dans une activité observée par GTIG, pas dans une capacité générale à exploiter n’importe quel logiciel.
GTIG indique que le serveur contenait des données de victimes exfiltrées et des scripts destinés à la reconnaissance interne, au bruteforce et à l’installation ou au retrait de webshells. La télémétrie indiquait un intérêt pour des sites français dans les secteurs des médias, du divertissement et de l’éducation.
Les autres frameworks n’avaient pas tous le même statut
GTIG dit avoir observé CAIRN et PentAGI déployés sur le terrain. Pour CyberStrikeAI et HexStrike AI, le groupe rapporte des activités d’expérimentation. Ces outils n’étaient donc pas tous décrits comme déployés dans des opérations.
Entre la fin août et le début octobre 2026, GTIG a suivi un acteur qui utilisait une plateforme personnalisée dérivée de PentAGI pour effectuer de la reconnaissance et analyser des vulnérabilités visant des organisations en Asie. Le rapport distingue ce type d’automatisation de tâches précises du flux complet attribué à exploit_agent.
GTIG indique aussi qu’une exécution autonome sans restriction peut laisser du trafic forensique, des identifiants reconnaissables et des traces dans le code. Ces indices peuvent aider à repérer une activité automatisée, même si l’automatisation peut accélérer certaines opérations.
Le contexte peut changer la priorité d’une vulnérabilité
Une démonstration distincte de Maze montre comment l’environnement d’un système peut influer sur l’évaluation d’une faille. James Berthoty y présente un cas où l’outil a jugé une vulnérabilité non exploitable dans l’environnement examiné, car l’adaptateur réseau AWS utilisé ne prenait pas en charge RDMA. Dans un autre exemple, Maze a fait passer une vulnérabilité de déni de service sur un serveur Node.js d’une priorité moyenne à élevée, en raison de l’exposition à Internet et de la présence d’un exploit public.
Pour hiérarchiser une faille, vérifiez ses prérequis dans l’environnement concerné et son exposition au réseau : ces éléments peuvent changer sa priorité.
La vidéo de Maze, publiée le 4 décembre 2025, présente ces exemples en anglais. Elle montre une démonstration de produit, avec une piste d’audit des vérifications effectuées par l’agent.