Retour
2026/11/17
Ces agents d’IA qui volent des clés pour payer leur propre fonctionnement : dans les coulisses des campagnes ARTEX
Les fausses API d’IA d’Amazon ont capté les notes d’agents attaquants : des clés d’IA volées financent la chasse à d’autres clés. Ce qui s’est passé et quoi corriger.
L’équipe de sécurité d’Amazon a publié un rapport sur les menaces d’un genre rare. Ses serveurs leurres, conçus pour ressembler à des API de modèles d’IA, ont été utilisés par des agents d’IA attaquants comme leur propre « cerveau », et ces agents transmettaient leurs notes de campagne à chaque requête. Pour une fois, les défenseurs ont pu lire la mémoire de travail de l’attaquant. Ce qu’elle révèle n’est pas une attaque d’IA futuriste. Ce sont de vieilles failles d’hygiène informatique, trouvées et exploitées plus vite et à moindre coût, avec des clés d’IA volées qui financent la traque.
Le piège : de fausses API d’IA qui ont lu les notes des attaquants
Amazon exploite un vaste réseau de capteurs leurres appelé MadPot. Certains se font passer pour des API d’inférence de grands modèles de langage (LLM) populaires, c’est-à-dire les services qu’une application appelle pour obtenir les réponses d’un modèle. Entre le 3 octobre et le 5 novembre 2026, des agents d’IA se sont connectés à ces leurres comme s’il s’agissait d’un véritable fournisseur de modèles.
Un agent d’IA doit envoyer son contexte au modèle à chaque appel. Les leurres ont donc reçu les instructions système des agents, l’historique de leurs outils, l’état de leur graphe de connaissances et les résultats qu’ils rapportaient. Concrètement, les attaquants ont envoyé leur mode opératoire à Amazon.
Selon Amazon, les agents tournaient sur ARTEX, un framework open source de tests d’intrusion fondé sur l’IA agentique. Amazon estime, avec un degré de confiance modéré, que les campagnes ont été menées par plusieurs groupes distincts liés à la Chine. Parmi ses éléments figurent des prompts rédigés en chinois simplifié, des paramètres de fuseau horaire chinois et des « lignes rouges » dans les instructions excluant les cibles situées en Chine continentale ainsi que les domaines gouvernementaux. Une confiance modérée n’est pas une preuve, et l’attribution doit être lue comme telle.
Amazon est aussi clair sur les limites de son analyse. Il n’a pas observé les attaques en train de se produire. Il n’a vu que ce que les agents ont envoyé à ses capteurs et ne peut pas vérifier les résultats revendiqués par les agents.
Campagne 1 : des clés volées qui financent le vol suivant
La plus grande campagne visait les identifiants de services d’IA : les clés d’API que les entreprises utilisent pour payer des modèles d’IA commerciaux. Les agents ciblaient deux types de logiciels auto-hébergés.
- Passerelles et proxys LLM : One API, New API, Veloera, Sub2API et LiteLLM. Placés devant plusieurs fournisseurs d’IA, ils conservent toutes leurs clés au même endroit.
- Plateformes de création d’applications d’IA et interfaces de chat : Dify, FastGPT, Langflow, RAGFlow, Open WebUI, LobeChat et Ollama.
Les techniques n’avaient rien de nouveau. Les agents recherchaient :
- des installations récentes que personne n’avait encore revendiquées, où le premier visiteur devient administrateur ;
- des pages d’administration et de configuration des fournisseurs qui répondaient sans authentification ;
- des identifiants administrateur par défaut, comme la clé maîtresse par défaut de LiteLLM ;
- des vulnérabilités connues, notamment Langflow CVE-2025-3248 et RAGFlow CVE-2026-28797 ;
- un contournement de l’authentification via l’en-tête isCliRequest dans la famille de passerelles One API ;
- la falsification de requêtes côté serveur (SSRF) pour atteindre les services de métadonnées du cloud et leurs identifiants ;
- des secrets laissés dans le JavaScript côté client, les source maps, les routes de débogage et les fichiers d’environnement.
Les agents classaient leurs trouvailles : d’abord une piste, puis une clé confirmée par un appel d’API fonctionnel, puis une clé dont l’impact avait été mesuré. Les clés publiques depuis plus de 30 jours étaient jugées de faible valeur, en partant du principe que quelqu’un d’autre les utilisait déjà.
Ce qui devrait inquiéter toute entreprise exploitant des services d’IA, c’est le modèle économique. Les clés valides étaient réinjectées dans la propre passerelle de modèles des attaquants : les clés volées payaient ainsi l’inférence d’IA qui alimentait la recherche d’autres clés. Amazon décrit une opération autosuffisante. Les victimes réglaient la facture, et maintenir l’attaque en marche ne coûtait presque rien aux attaquants.
Campagne 2 : des deepfakes contre la vérification d’identité
La seconde campagne a utilisé le même type d’agents contre les contrôles KYC (connaissance du client) de deux plateformes d’échange de cryptomonnaies. Les agents ont produit de fausses photos de pièces d’identité avec des métadonnées d’appareil photo falsifiées, ainsi que des vidéos deepfake en temps réel pour franchir les contrôles de selfie en direct. Lors d’une session, un pipeline de deepfake en temps réel a été monté sur une seule carte graphique grand public, tournant à 11,5 images par seconde.
Cela n’a pas fonctionné. Lors de chaque tentative enregistrée par les agents, le contrôle côté serveur du prestataire de vérification d’identité a rejeté le deepfake, même lorsque la meilleure tentative maintenait le visage à moins de 7 pixels de la cible. La leçon : le verdict final doit venir du serveur, et non de quoi que ce soit que l’appareil de l’utilisateur puisse contrôler.
Pourquoi les passerelles d’IA sont les joyaux de la couronne
Une passerelle LLM est pratique parce qu’elle place tous les fournisseurs d’IA derrière une seule page d’administration. C’est aussi ce qui en fait la meilleure cible. Un mot de passe faible, une installation non revendiquée ou un point de terminaison de configuration exposé livre d’un coup tous les comptes fournisseurs qui se trouvent derrière, avec leurs plafonds de dépenses.
Beaucoup de ces outils sont installés à la hâte pour un pilote ou un hackathon, puis laissés en service sur internet. Ils échappent souvent aux processus habituels de correctifs, de supervision et de revue des accès qui couvrent les systèmes de production. Les agents de type ARTEX recherchent précisément cette faille, toute la journée, pour un coût très faible.
Que faire dès maintenant
- Traitez les passerelles d’IA et les plateformes de création d’applications d’IA comme des systèmes de production. Placez-les derrière une authentification et, si possible, derrière un VPN ou un réseau privé. Intégrez-les aux processus de correctifs, de supervision et de revue des accès.
- Finalisez chaque installation. Revendiquez le compte administrateur immédiatement après l’installation, et supprimez les mots de passe et clés maîtresses par défaut, y compris la clé maîtresse par défaut de LiteLLM.
- Fermez les interfaces d’administration. Les pages d’administration et de configuration des fournisseurs ne doivent jamais répondre sans authentification ni être accessibles depuis internet.
- Corrigez les vulnérabilités citées. Langflow CVE-2025-3248 est corrigée dans Langflow 1.3.0 et figure dans la liste de la CISA des vulnérabilités activement exploitées. Pour RAGFlow CVE-2026-28797, l’avis ne mentionne aucune version corrigée, mais à partir de RAGFlow 0.25.0, les composants concernés effectuent le rendu des modèles dans le bac à sable de Jinja2 : passez donc à la version 0.25.0 ou ultérieure. Nous n’avons trouvé aucun correctif publié pour le contournement isCliRequest de One API : gardez donc One API et ses forks hors de l’internet public.
- Renouvelez les clés des fournisseurs. Si une passerelle ou une application d’IA a été exposée à un moment donné, partez du principe que ses clés ont été dérobées. Renouvelez-les auprès de chaque fournisseur, et pas seulement dans la passerelle.
- Fixez des plafonds de dépenses et des alertes. Attribuez à chaque clé son propre plafond budgétaire et déclenchez des alertes en cas de dépenses ou d’usage inhabituels. Une facture soudaine est souvent le premier signe d’une clé volée.
- Ne laissez aucun secret dans ce que vous livrez. Avant chaque mise en production, vérifiez l’absence de clés dans le JavaScript front-end, les source maps, les routes de débogage et les fichiers d’environnement.
- Bloquez l’abus du service de métadonnées. Sur les serveurs cloud, imposez les versions récentes du service de métadonnées, qui résistent aux attaques SSRF (par exemple IMDSv2 sur AWS), et limitez les droits du rôle de l’instance.
- Vérifiez les indicateurs. Le rapport d’Amazon liste les adresses IP observées dans les deux campagnes. Recherchez-les dans les journaux de votre passerelle et de vos serveurs web.
En résumé
ARTEX n’a pas inventé une nouvelle attaque. Il a pris des mots de passe par défaut, des pages d’administration ouvertes et des logiciels non corrigés, et a rendu leur exploitation rapide, permanente et autofinancée. La défense reste la même hygiène de base que d’habitude, appliquée désormais aussi aux passerelles et aux outils d’IA. Partez du principe que toute clé exposée ou toute erreur de configuration sera vite découverte, et corrigez-la avant qu’elle ne le soit.
Besoin d’aide pour évaluer l’exposition de vos outils et passerelles d’IA ? Contactez l’équipe LOGIQ.
Sources
- AWS Security Blog : Amazon Threat Intelligence observes threat actors running cybercrime campaigns with ARTEX AI agents (13 novembre 2026)
- NVD : CVE-2025-3248, exécution de code à distance sans authentification dans Langflow (corrigée dans la version 1.3.0)
- Avis de sécurité RAGFlow GHSA-vvwj-fvwh-4whx : CVE-2026-28797, injection de modèle côté serveur
- CISA : catalogue Known Exploited Vulnerabilities
Photo: Lucas Seebacher / Pexels
Global
Japan
Korea
China
Taiwan
Vietnam
Thailand
Indonesia
Portugal
Spain
Germany
Egypt
Russia