Intelligence artificielle : 253 failles de sécurité découvertes menaçant les serveurs MCP

L’essor des agents d’intelligence artificielle s’accompagne de risques considérables en matière de cybersécurité. Une équipe de chercheurs vient de lever le voile sur des vulnérabilités alarmantes qui menacent l’écosystème des orchestrateurs d’IA et des serveurs MCP.

Une recherche approfondie révèle des failles critiques

Six chercheurs ont mené une investigation minutieuse sur les interactions entre modèles, orchestrateurs et outils d’exécution. Leur prépublication, diffusée le 9 octobre 2026, analyse le comportement des systèmes depuis la sortie du modèle jusqu’à l’exécution finale par l’outil.

L’ampleur des découvertes est considérable : 253 bogues de sécurité vérifiés ont été identifiés au sein de 118 serveurs MCP open source. Ces vulnérabilités touchent au cœur même des infrastructures qui supportent les agents autonomes.

L’attaque « Repeat-After-Me » reproduite avec succès

Les chercheurs ont réussi à reproduire l’attaque dite « Repeat-After-Me » sur six orchestrateurs différents. Cette démonstration a été réalisée exclusivement avec LangGraph, la seule plateforme pour laquelle une démonstration complète était disponible.

Les tests ont porté sur LangGraph version 1.2.0, configuré avec le modèle Llama 3.1 8B. La consigne système intégrée stipulait pourtant de refuser toute requête potentiellement dangereuse, révélant ainsi l’inefficacité de cette protection basique.

Une diversité inquiétante de vulnérabilités

Les principaux bogues identifiés incluent la reproduction de l’entrée sans échappement approprié, des problèmes de traversée de chemin et des injections dans les journaux système. Ces failles constituent la première ligne des risques détectés.

D’autres vulnérabilités plus sophistiquées ont également été recensées : détournement de requêtes réseau, mécanismes d’exfiltration de données et possibilités d’injection de commandes système directement dans l’environnement d’exécution.

ToFu : un outil pour tester la sécurité des agents

Face à ces menaces, les chercheurs proposent ToFu, une solution qui génère et teste des entrées adverses. Cet outil s’appuie sur 74 détecteurs CWE pour identifier les failles potentielles avant qu’elles ne soient exploitées en production.

L’approche recommandée par l’équipe repose sur un principe fondamental : chaque argument transmis doit être considéré comme potentiellement hostile. Les métadonnées doivent servir à définir des contrôles de sécurité robustes à chaque étape.

Des solutions partielles déjà disponibles

Le paramètre optionnel wrap_tool_call, intégré dans ToolNode, permet d’intercepter un appel avant son exécution. De son côté, CrewAI propose des mécanismes de blocage d’appel préalables à toute exécution effective.

Cependant, le ticket #8817, ouvert le 4 septembre par Nazmul Islam Ananto, demeure sans résolution à ce jour, témoignant de la complexité des corrections à apporter.

Implications pour les déploiements en production

Les entreprises déployant des agents d’IA doivent impérativement vérifier l’autorisation accordée sur chaque outil et l’ensemble de ses arguments. Cette vérification ne peut se limiter aux contrôles existants.

Les validations indépendantes réalisées par les outils eux-mêmes s’avèrent vitales pour garantir un niveau de sécurité acceptable. La première version de ToFu se concentre sur des tests appel par appel, une approche nécessaire mais insuffisante.

Les limites actuelles de ToFu v1

Certaines vulnérabilités échappent encore à la détection automatisée. Les suites d’actions complexes, impliquant plusieurs outils coordonnés, ne sont pas couvertes par la version initiale de ToFu.

Cette limitation souligne la nécessité de poursuivre les recherches pour sécuriser l’ensemble de la chaîne d’exécution des agents autonomes, particulièrement dans les scénarios multi-étapes.