À mesure que les agents IA sont adoptés plus largement, de nouvelles recherches mettent en évidence les failles de sécurité au sein des écosystèmes qui les prennent en charge.
Un audit à grande échelle du registre des skills OpenClaw réalisé par ClawSecure a révélé que 41,7 % des skills largement utilisés contiennent des vulnérabilités substantielles, notamment des problèmes d’injection de commandes et d’exposition de données d’authentification.
« Nous avons audité plus de 2 890 des skills OpenClaw les plus populaires et constaté que plus de 41 % présentaient des vulnérabilités de sécurité substantielles », a déclaré J.D. Salbego, fondateur de ClawSecure, dans un e-mail adressé à eSecurityPlanet.
Il a ajouté : « Le problème fondamental est qu’une analyse unique au moment de l’installation ne suffit pas. Ces agents s’exécutent localement avec un accès complet au système et leur code peut changer à tout moment. »
Dans les coulisses de l’audit de sécurité d’OpenClaw
Les skills OpenClaw fonctionnent comme des extensions modulaires qui étendent les capacités des agents IA.
Ils permettent aux agents d’accéder aux fichiers locaux, d’interagir avec des services externes, d’exécuter des commandes shell, de traiter les entrées utilisateur et d’automatiser des workflows en plusieurs étapes.
En pratique, ces skills fonctionnent à peu près comme des plugins dans un écosystème logiciel traditionnel — mais avec un accès bien plus étendu aux données et aux ressources système.
Comme ils servent de briques réutilisables à plus de 2,2 millions d’instances d’agents déployées, une vulnérabilité dans un skill largement adopté peut se propager à des milliers d’implémentations en aval.
Cela crée un risque de type chaîne d’approvisionnement intégré directement aux workflows d’automatisation par IA.
Principales conclusions de l’audit de sécurité d’OpenClaw
Ces conclusions proviennent de la plus vaste analyse publique de sécurité de l’écosystème OpenClaw réalisée à ce jour.
ClawSecure a audité plus de 2 890 skills issus de la liste awesome-openclaw-skills maintenue par la communauté et du dépôt officiel openclaw/skills.
Selon le rapport, 30,6 % des skills (883 au total) contiennent au moins une vulnérabilité de gravité élevée ou critique, avec notamment 1 587 failles critiques et 1 205 failles de gravité élevée.
L’audit a identifié plusieurs catégories de vulnérabilités associées aux architectures fondées sur des agents.
Il s’agit notamment de l’injection de commandes, de l’exfiltration de données, de la collecte d’identifiants et de l’injection de prompts.
Par ailleurs, 18,7 % des skills audités présentaient des indicateurs associés à la campagne de logiciels malveillants ClawHavoc, notamment des comportements de collecte en mémoire et des callbacks de commande et contrôle.
Lacunes de gouvernance et absence de contrôles des autorisations
Au-delà des vulnérabilités directes, l’analyse a également révélé des lacunes systémiques en matière de gouvernance.
Pas moins de 99,3 % des skills étaient livrés sans manifeste d’autorisations config.json.
Dans les écosystèmes logiciels traditionnels, les déclarations d’autorisations indiquent de manière transparente les accès système dont une application a besoin avant son installation.
En l’absence de manifeste standardisé, les utilisateurs peuvent accorder sans le savoir un accès étendu aux fichiers, aux données du presse-papiers, à l’exécution de commandes shell ou aux connexions réseau sortantes, ce qui réduit leur capacité à prendre des décisions éclairées en matière de confiance.
Pourquoi les scanners génériques passent à côté des menaces propres aux agents
ClawSecure a également indiqué que 40,6 % de l’ensemble des vulnérabilités identifiées ne pouvaient être détectées qu’au moyen d’une analyse spécifique à l’écosystème.
Les scanners statiques génériques n’ont pas réussi à identifier bon nombre de ces problèmes.
Cette lacune de détection reflète un défi structurel plus large, car les écosystèmes d’agents IA combinent accès aux données, traitement de contenus non fiables, exécution d’outils et mémoire persistante, autant d’éléments que les scanners traditionnels n’étaient pas conçus pour gérer.
Le problème de la dérive du code des « agents dormants »
À ces risques s’ajoute ce que ClawSecure décrit comme le problème des « agents dormants ».
Dans les 24 heures suivant l’activation de la surveillance continue de l’intégrité, l’entreprise a détecté 35 skills dont le code avait été modifié.
Au total, 22,9 % des skills suivis ont enregistré au moins une modification de leur empreinte après l’analyse initiale.
Concrètement, un skill qui semble sûr au moment de son installation peut ensuite recevoir des mises à jour qui modifient son comportement — et introduire potentiellement de nouvelles vulnérabilités ou fonctionnalités malveillantes — à l’insu des utilisateurs.
Cela souligne les limites des contrôles de sécurité ponctuels dans des écosystèmes d’agents dynamiques où les modifications de code sont courantes.
Réduire la surface d’attaque des agents IA
À mesure que les agents IA s’intègrent aux workflows des entreprises, les contrôles de sécurité doivent évoluer pour s’adapter au fonctionnement de ces systèmes.
Les protections applicatives traditionnelles sont souvent insuffisantes pour les architectures qui combinent automatisation, accès aux données et exécution d’outils.
Pour gérer efficacement les risques, les organisations ont besoin d’une gouvernance proactive, d’une surveillance continue et d’une validation rigoureuse adaptées aux environnements fondés sur des agents.
- Analysez les skills avant leur installation à l’aide d’outils de sécurité conçus spécifiquement pour les architectures d’agents IA, et pas seulement de scanners de logiciels malveillants génériques.
- Imposez le principe du moindre privilège et l’accès juste à temps en limitant les autorisations des agents aux seules données, aux seuls outils et aux seules capacités système nécessaires aux workflows définis.
- Exigez la signature du code, la vérification de l’éditeur et une gestion formelle des changements afin de contrôler les mises à jour et de réduire le risque de modifications malveillantes ou non autorisées.
- Mettez en œuvre une surveillance continue de l’intégrité pour détecter la dérive du code et revérifier automatiquement les skills après toute modification.
- Isolez les agents dans des environnements conteneurisés ou en bac à sable et limitez l’accès réseau sortant afin de réduire les callbacks de commande et contrôle ainsi que l’exfiltration de données.
- Activez une journalisation complète et une surveillance comportementale pour détecter les accès anormaux aux fichiers, la collecte en mémoire, les activités inhabituelles liées aux prompts ou les connexions sortantes inattendues.
- Intégrez les workflows des agents IA dans des programmes de gestion des vulnérabilités et testez régulièrement vos plans de réponse aux incidents afin de garantir que les équipes peuvent détecter, analyser et contenir les événements de sécurité liés aux agents.
Ensemble, ces mesures contribuent à limiter le rayon d’impact des skills compromis tout en renforçant durablement la résilience des déploiements d’agents IA.
Le risque de chaîne d’approvisionnement lié aux agents IA
Les conclusions concernant OpenClaw mettent en évidence un point important pour l’écosystème de l’IA : à mesure que les agents bénéficient d’un accès plus large aux systèmes d’entreprise, les contrôles de sécurité doivent évoluer avec eux.
Les vulnérabilités au niveau des skills peuvent se propager à plusieurs workflows en aval, en particulier lorsque des composants largement adoptés sont réutilisés à grande échelle.
À mesure que l’adoption progresse, une supervision cohérente et des contrôles résilients seront essentiels pour concilier les bénéfices de l’automatisation et des pratiques de sécurité responsables.
Appliquez les principes de la chaîne d’approvisionnement logicielle — tels que la validation, la surveillance et la gouvernance — aux skills des agents afin d’être mieux armés pour gérer ces risques.