Le scanner d’Anthropic trouve 29 000 vulnérabilités candidates dans l’open source, 516 seulement corrigées
Le 11 octobre 2026, le tableau de bord du programme de divulgation d’Anthropic révèle que ses modèles ont signalé plus de 29 000 vulnérabilités candidates dans l’open source en six mois, mais que 516 seulement ont été corrigées en amont. Si vous maintenez un projet critique, le nouveau « fast-track » du scanner vous envoie désormais les résultats bruts, sans validation humaine : à vous de trier.
11 octobre 2026. The New Stack détaille le bilan du scanner open source gratuit d’Anthropic. 29 000 vulnérabilités candidates signalées en six mois de balayage. 516 corrigées en amont. 2 octobre 2026. Le tableau de bord du programme arrête les compteurs : 5 674 constats confirmés sur 6 123 examinés. Pourquoi c’est important : les modèles trouvent des failles plus vite que les humains ne peuvent les vérifier, et le goulet d’étranglement s’est déplacé — ce n’est plus la détection qui manque, c’est la capacité des mainteneurs à corriger.
Des modèles qui trouvent, des humains qui n’arrivent pas à suivre
Le programme de divulgation d’Anthropic s’appuie sur ses modèles pour balayer les projets open source les plus utilisés au monde. En six mois, ils ont fait remonter plus de 29 000 vulnérabilités candidates. Le pipeline de revue humaine, qui repose sur six cabinets de recherche en sécurité chargés de reproduire et de trier les constats, n’a traité qu’environ 6 000 d’entre eux.
Le tableau de bord rend le problème chiffré. Au 2 octobre 2026, les cabinets externes avaient confirmé 5 674 des 6 123 constats examinés comme valides, mais seulement 516 vulnérabilités avaient été corrigées en amont par les mainteneurs. 6 157 constats ont été envoyés aux mainteneurs, et 584 identifiants CVE ou GitHub Security Advisory ont été émis — certains constats ayant reçu les deux. Il reste environ 23 000 candidats sans aucun examen humain.
Le constat est brutal et ne relève pas de la paresse : la détection automatisée a dépassé la capacité de traitement. Un scanner qui signale 29 000 problèmes ne sert à rien si personne ne peut dire lesquels sont réels, encore moins les corriger.
Le « fast-track » : les résultats bruts vont directement aux mainteneurs
Plutôt que de laisser les mainteneurs attendre que ses chercheurs épuisent l’arriéré, Anthropic a changé de logique. Les projets éligibles reçoivent désormais des balayages périodiques gratuits propulsés par ses meilleurs modèles, dont Claude Mythos. Les constats partent directement aux mainteneurs, sans qu’aucun humain chez Anthropic ne les valide au préalable.
L’entreprise l’appelle un « optional fast-track ». Elle affirme que les projets ayant reçu ses premiers rapports réclamaient tout ce qu’elle avait encore en stock, et qu’elle a déjà envoyé près de 5 000 rapports non validés aux mainteneurs qui les ont demandés. Le modèle économique de la confiance est inversé : ce n’est plus le chercheur qui filtre, c’est le mainteneur qui trie.
Ce que vaut le signal, chiffres à l’appui
La question évidente est celle du taux de faux positifs. Anthropic a fait examiner par des testeurs d’intrusion, ceux-là mêmes qui valident ses divulgations coordonnées, 97 constats critiques ou élevés produits par une première version du scanner sur 48 projets. 85 ont franchi la barre de divulgation ; 11 des 12 restants étaient de vrais bogues, qui doublonnaient des problèmes déjà connus ou d’autres constats du même balayage. Un seul était un faux positif.
Le chiffre flatte, mais il faut le lire avec prudence. Il décrit la sortie précoce du scanner, pas les 29 000 candidats du programme de divulgation séparé. Il ne dit rien des constats de sévérité faible ou moyenne, ni de la manière dont le scanner se comportera à l’échelle. Dans son annonce technique, Anthropic reconnaît d’ailleurs que des mainteneurs ont signalé des sévérités gonflées et des cas où le scanner n’a pas compris le modèle de menace d’un projet.
Ce qui sépare ces rapports d’une file d’alertes SAST classique, c’est leur conditionnement. Anthropic dit inclure un reproducteur autonome, une explication qui identifie, quand c’est possible, où le bogue a été introduit par bisection, et un patch candidat quand le modèle sait en produire un.
Les mainteneurs tranchent : des bugs réels, parfois prêts à l’emploi
Les témoignages donnent la mesure du signal. Todd Ouska, fondateur de wolfSSL, rapporte que 72 des 74 rapports reçus par son équipe étaient valides et que cinq sont devenus des CVE. Noah Misch, committer PostgreSQL, dit que plusieurs rapports arrivaient avec des correctifs utilisables « presque tels quels », et crédite le fast-track d’avoir permis à PostgreSQL de traiter les problèmes les plus récents avant leur sortie en GA.
Le soutien le plus parlant vient de Daniel Stenberg, le fondateur du projet cURL. Il a passé l’année dernière à dénoncer publiquement le flot de déchets générés par l’IA qui inondait son bug bounty, que curl a fermé en janvier. Il reconnaît désormais que le scanner OSS Scanner a trouvé plusieurs problèmes dans curl, dont l’une des pires vulnérabilités signalées au projet ces dernières années.
Anton Arapov, directeur d’OpenSSL Corporation, confirme de son côté que les rapports envoyés — sortie brute du modèle incluse — correspondent au niveau attendu d’une divulgation sérieuse.
Le cadre : isolation, éligibilité et pas d’horloge à 90 jours
Le dispositif est encadré. Anthropic construit chaque projet dans une machine virtuelle isolée et coupe l’accès réseau avant de lancer le balayage. Les rapports partent aux mainteneurs par e-mail, et ils peuvent mettre le service en pause ou s’en retirer à tout moment. Le dépôt GitHub contient les outils d’inscription et de configuration, mais pas le scanner lui-même.
L’accès est réservé aux projets établis, capables d’absorber le volume. L’éligibilité suit des critères de type OSS-Fuzz — logiciels open source largement utilisés et critiques pour la sécurité. Anthropic vérifie que le demandeur est bien un mainteneur principal, et son FAQ précise que les projets participants doivent déjà suivre le rythme des constats de haute et critique sévérité qui leur ont été signalés.
Les conditions de divulgation laissent les mainteneurs travailler à leur rythme. Les constats non validés du scanner n’ont pas d’horloge de 90 jours. En revanche, un rapport que l’entreprise valide ensuite via son programme standard peut être divulgué 90 jours après que le mainteneur a appris qu’un humain l’a confirmé.
Pourquoi les mainteneurs ont d’abord brûlé sur le « slop » de l’IA
L’accueil du scanner ne se comprend que par rapport à ce qui l’a précédé. Début 2026, Daniel Stenberg a fermé le bug bounty de curl, enseveli sous un flot de rapports de vulnérabilités de mauvaise qualité générés par l’IA. Il n’était pas seul : partout, les mainteneurs se plaignaient que les modèles produisaient des rapports plausibles sans reproducteur, sans correctif et sans comprendre le modèle de menace du projet.
Le scanner d’Anthropic est en partie une réponse à ce rejet. Son conditionnement — reproducteur autonome, bisection quand c’est possible, patch candidat — est conçu comme l’opposé du bruit qui a épuisé les mainteneurs. Les soutiens de Stenberg, Ouska et Misch ne sont pas anecdotiques : ce sont les premiers concernés qui attestent que le signal a changé.
Cette histoire explique aussi la tension du fast-track. Envoyer des constats non validés directement aux mainteneurs risque de recréer le flot qui les a épuisés. La réponse d’Anthropic est l’éligibilité : seuls les projets critiques largement utilisés, avec des mainteneurs capables d’absorber le volume, y ont accès, et chacun peut suspendre ou se retirer. Le scanner doit sans cesse prouver qu’il n’est pas le bruit qu’il a été construit pour remplacer.
Verdict
Si vous maintenez un projet open source critique et largement utilisé, inscrivez-vous au fast-track — mais en sachant ce que vous acceptez : un flux de rapports bruts sans validation humaine, dont la grande majorité seront réels, à trier vous-même avec vos propres priorités. Si vous êtes un RSSI consommateur de ces bibliothèques, ne lisez pas « 516 corrigées sur 29 000 » comme un échec du scanner : c’est la preuve que la capacité de correction, pas la détection, est devenue votre goulet d’étranglement, et que vos correctifs de dépendances doivent être automatisés pour suivre. Si vous construisez un scanner IA maison, retenez le conditionnement qui fait la différence : un reproducteur, une bisection et un patch candidat valent plus que mille alertes sans contexte.