Le pentesting par IA est la grande promesse du secteur : un agent reprenant tout le test en totale autonomie. Nous avons vérifié cette prétention nous-mêmes, avec les systèmes entièrement autonomes disponibles et une inférence locale maison. Le bilan est plus sobre que la publicité, mais bien plus utile.
En résumé : l'énumération et une partie de l'exploitation fonctionnent bien aujourd'hui. En mode totalement autonome, les systèmes restent inconsistants et peu fiables. Le potentiel se situe dans l'assistance aux pentests et l'automatisation de petits sous-pas.
Systèmes autonomes à l'épreuve
Nous avons testé Strix et PentAGI, deux approches disponibles d'agents de pentest autonomes.
Strix trouve des failles dans le code et sur les serveurs web, mais trouver ne veut pas dire de façon fiable ni constante. L'interface n'est pas prête pour la production : bugs, plantages face à des sorties inattendues du modèle, et pour seul résultat un fichier Markdown sans structure fixe. Un rapport de test devient une collection de texte qu'un humain doit trier.
PentAGI paraît en surface plus abouti et organise les tâches nettement mieux que Strix. En pratique, les flux s'interrompent parfois dès qu'ils doivent tourner en arrière-plan, et les résultats restent inconsistants. Les agents font souvent plus que la tâche en cours, ce qui duplique une grande partie du travail. Plus critique : les dépassements de périmètre, avec des IP et des ports testés hors du champ défini. Ce qui est inefficace au laboratoire devient un problème contractuel chez le client. Un pentest sans discipline de périmètre n'est pas un pentest.
Conséquence : assisté plutôt qu'autonome
La valeur d'un pentest tient à la traçabilité, au respect du périmètre et à une évaluation solide. Ce sont exactement les trois points que les agents autonomes ne tiennent pas aujourd'hui. Un modèle peut en revanche travailler de façon fiable là où les sous-pas sont reproductibles : structurer les surfaces d'attaque, circonscrire des zones de code, pré-rédiger les textes bruts du rapport, introduire de la variété dans les wordlists et les tests de fuzzing. Le tester reste décideur, le modèle multiplicateur.
Inférence locale au lieu d'API cloud
Envoyer les données d'un pentest via une API cloud, c'est livrer à un tiers les surfaces d'attaque, les constats et les détails d'architecture. La plupart des clients n'en veulent pas, à juste titre. C'est pourquoi nous exécutons l'inférence en local.
Côté matériel, le choix s'est porté sur une NVIDIA RTX PRO 6000 (Blackwell) : 96 Go de mémoire GDDR7, support matériel NVFP4 pour les modèles quantifiés et CUDA comme écosystème logiciel, nettement devant AMD. La carte existe en carte PCIe unique, contrairement aux accélérateurs de datacenter comme la B200. Le renoncement à NVLINK est acceptable pour nos flux. Autres options évaluées : la RTX PRO 5000 Blackwell, un peu moins puissante et avec un peu moins de mémoire ; les H100 NVL et H200 NVL, plus de bande passante et NVLINK, mais génération précédente et prix supérieur ; la AMD Radeon AI PRO R9700, nettement moins chère mais avec beaucoup moins de VRAM et un suivi logiciel plus faible ; et le GB10, à la mémoire partagée nettement plus lente et sans extension possible par des cartes supplémentaires.
Stack d'inférence et modèles ouverts
Côté logiciel d'inférence : ollama est simple, avec peu d'options de configuration. llama.cpp est le bon choix pour le déport sur CPU ou l'inférence purement CPU. En production, nous utilisons vLLM, aujourd'hui le standard pour une inférence totalement GPU, à l'aise avec plusieurs utilisateurs simultanés et aux meilleures performances sur carte graphique.
Sur la carte, tournent rapidement entre autres Qwen3.8-27B, Qwen3.6-35B-A3B, Qwen3.5-122B-A10B, gpt-oss-120b, Mistral Small 4 et Gemma 4. Remarquable : Qwen3.8-27B est comparativement petit et compte pourtant parmi les meilleurs et plus récents modèles à poids ouverts. Poids ouverts signifie plus que l'absence de licences : la maîtrise complète du déploiement, de la longueur de contexte et de la détention des données.
Le bilan honnête : l'IA ne remplace pas un pentester. Elle remplace les parts ennuyeuses de son travail et accélère le reste. Acheter aujourd'hui un pentest totalement autonome, c'est acheter une promesse d'avenir, pas le présent.
Boutique professionnelle de sécurité européenne pour le pentesting de pointe, le Red Teaming et le développement d'exploits.