L’essentiel
- Microsoft a présenté le 27 juillet MAI-Cyber-1-Flash, un modèle compact dérivé de son modèle de raisonnement maison MAI-Thinking-1 et taillé pour repérer des vulnérabilités logicielles.
- Associé à GPT-5.4 dans le harnais multi-agents MDASH, il atteint 95,95 % sur le benchmark CyberGym contre 88,45 % en mai, absorbe jusqu’à 90 % des tâches de sécurité courantes et divise par deux les coûts de la configuration en production.
- Project Perception, la plateforme d’agents rouges, bleus et verts qui exploite ce dispositif, entre en preview publique le 3 août dans Microsoft Defender, facturée à la consommation en Security Compute Units.
Microsoft a fait deux annonces le même jour, et elles se répondent. D’un côté un modèle minuscule, entraîné pour une seule tâche. De l’autre une plateforme d’agents censée tenir une posture de défense en continu. Entre les deux, une décision d’architecture qui dépasse largement l’éditeur : arrêter d’envoyer chaque ligne de code à un généraliste hors de prix.
Un spécialiste bon marché en face d’un généraliste cher
MAI-Cyber-1-Flash dérive de MAI-Thinking-1, le modèle de raisonnement que Microsoft a présenté en juin avec six autres modèles internes. Version compacte et peu coûteuse à faire tourner, il a été entraîné sur les données d’attaques et de correctifs que les équipes de sécurité de l’éditeur accumulent depuis des années. Il ne travaille pas seul : il s’insère dans MDASH, le harnais multi-agents de la firme (l’ossature logicielle qui orchestre les agents et enchaîne leurs étapes), dévoilé en mai.
Microsoft assume cette répartition des rôles sans détour. Le généraliste sait presque tout et facture chaque appel en conséquence ; le modèle vertical ne sait faire qu’une chose, mais il la répète pour beaucoup moins cher. Concrètement, MAI-Cyber-1-Flash prend jusqu’à 90 % des tâches de sécurité courantes, et GPT-5.4 n’intervient plus que sur les 10 % de cas les plus retors. L’éditeur revendique une facture réduite de moitié par rapport à la configuration MDASH aujourd’hui en production.
Les concurrents ont pris l’autre chemin : Google DeepMind fait tourner CodeMender, son agent de correction de code, sur ses modèles Gemini, et Anthropic a bâti son offre Claude Security sur ses modèles généralistes. Voilà l’arbitrage qui va se rejouer partout : payer un modèle universel pour un travail répétitif, ou entraîner un modèle étroit et garder le gros calibre pour la poignée de cas qui résistent.
La sécurité possède ce qui manque aux autres métiers
Si les modèles verticaux percent d’abord ici, ce n’est pas un hasard de calendrier. La détection de vulnérabilités réunit les trois conditions que les autres domaines n’ont presque jamais ensemble : un gisement de données propriétaires (des décennies de failles trouvées et corrigées), un volume énorme de tâches quasi identiques, et surtout un juge mécanique. Un exploit fonctionne, ou il ne fonctionne pas.
Cette vérifiabilité pèse autant sur l’entraînement que sur l’évaluation. Un modèle spécialisé en rédaction commerciale ou en analyse juridique reste condamné au jugement humain, donc à des progrès lents et discutables. Un modèle de sécurité, lui, se corrige contre une preuve. C’est ce qui fait de la cybersécurité le premier marché où le pari du petit modèle métier tient économiquement, et pas seulement sur le papier.
Le score grimpe, le bruit reste hors champ
Le pipeline MDASH orchestre plus de cent agents spécialisés en plusieurs étapes : préparation, scan, débat contradictoire entre agents, dédoublonnage, puis preuve d’exploitabilité. Sur CyberGym, le benchmark de référence pour la détection de vulnérabilités réelles dans du code open source, l’ensemble passe de 88,45 % en mai à 95,95 % avec le nouveau modèle. Selon les mesures de Microsoft, cela le place une douzaine de points devant Claude Mythos d’Anthropic.
Ce pourcentage compte les failles que le système finit par trouver. Il ne compte pas celles qu’il croit voir là où il n’y en a aucune. Or les deux étapes les plus intéressantes du pipeline, le débat contradictoire et la preuve d’exploitabilité, existent précisément pour éteindre les fausses alertes. Ces deux garde-fous désignent l’adversaire principal, le bruit, qu’aucun chiffre public ne quantifie pour l’instant.
La question devient sérieuse dès qu’un agent agit sans relecture. Une alerte fausse dans un tableau de bord coûte quelques minutes d’analyste. Un correctif appliqué automatiquement sur une fausse alerte touche du code de production. Fixer le seuil de tolérance revient donc à décider si la boucle peut se fermer sans vous.
Rouge, bleu, vert : les agents travaillent, l’humain signe
Project Perception distribue trois rôles. Les agents rouges simulent des attaques comme le ferait un assaillant en quête d’une porte ouverte. Les agents bleus détectent les menaces et les hiérarchisent par gravité. Les agents verts appliquent les correctifs et referment les brèches. Les actions à fort impact restent soumises à une validation humaine, et Microsoft défend cette ligne de partage : la charge de travail aux agents, les décisions stratégiques aux équipes.
La formule est rassurante, à une réserve près : la frontière du « fort impact » est définie par la plateforme, pas par vous. Tout ce qui tombe en dessous s’exécute en silence. Le modèle économique ajoute une seconde tension, moins discutée. La facturation se fait à la consommation, en Security Compute Units (des unités de calcul de sécurité facturées à l’usage) dont le volume dépend de l’intensité des tâches exécutées. Un agent zélé qui multiplie les scans devient une ligne budgétaire, et l’optimisation des coûts finit par arbitrer la profondeur de l’analyse.
Testez sur votre code, pas sur le benchmark
L’ouverture au public commence le 3 août dans Microsoft Defender, avant un déploiement progressif au reste de la gamme de sécurité. Si vous mettez la main dessus, ne rejouez pas le test public : mesurez sur votre propre base de code combien d’alertes remontées se révèlent exploitables, et à quel coût en unités de calcul. Exigez le taux de fausses alertes avant d’autoriser le moindre correctif automatique, et calibrez vous-même la liste des actions qui réclament une signature humaine.
Un modèle de sécurité à 95,95 % de détection reste un excellent produit. Un agent qui referme une brèche imaginaire dans votre dépôt, en revanche, ne se rattrape pas d’un point de benchmark supplémentaire.
Mon avis
La cybersécurité va servir de laboratoire grandeur réelle à toute la vague des modèles verticaux, parce qu’elle est l’un des rares métiers où une réponse se prouve au lieu de se plaider. Le score sur CyberGym m’intéresse donc moins que le premier correctif appliqué par un agent vert sur une fausse alerte en production, et que la manière dont Microsoft en rendra compte. Un modèle spécialisé qui se trompe rarement mais dans le silence coûte plus cher qu’un généraliste bavard qu’on relit encore. Et je doute que le seuil de validation humaine, aujourd’hui fixé par l’éditeur, résiste longtemps à la pression sur les Security Compute Units.
