Microsoft confie 90 % de sa chasse aux failles à un mini-modèle

Microsoft a dévoilé MAI-Cyber-1-Flash, un modèle d'IA spécialisé et compact construit sur son architecture de raisonnement MAI-Thinking-1, destiné à identifier les vulnérabilités logicielles. Cette approche ciblée contraste avec la stratégie plus large de concurrents comme Google et Anthropic, qui utilisent des modèles généralistes de grande taille pour des tâches similaires. La décision d'employer un modèle plus petit et spécifique à une tâche est motivée par l'avantage économique de coûts opérationnels réduits, MAI-Cyber-1-Flash gérant jusqu'à 90 % des tâches de sécurité courantes, laissant les problèmes plus complexes au plus coûteux GPT-5.4.

L'avantage technique de MAI-Cyber-1-Flash réside dans ses données d'entraînement, qui consistent en des années d'informations propriétaires sur les attaques et les correctifs accumulées par les équipes de sécurité de Microsoft. Cet ensemble de données spécialisé permet au modèle d'exceller dans sa fonction désignée. Il opère dans le cadre multi-agents MDASH, qui orchestre divers agents spécialisés à travers différentes étapes, y compris le scan, le débat contradictoire, la déduplication et la preuve d'exploitabilité. Ce pipeline a démontré une amélioration significative sur le benchmark CyberGym, atteignant 95,95 % de précision de détection par rapport aux 88,45 % précédents.

Les implications de cette approche d'IA spécialisée s'étendent au-delà de Microsoft, suggérant une tendance industrielle plus large vers des modèles spécifiques à des tâches, rentables, pour les tâches répétitives. La cybersécurité est identifiée comme un domaine de premier plan pour cette stratégie en raison de la disponibilité des données propriétaires, de la nature répétitive de la détection des vulnérabilités et de la nature objective et vérifiable du succès d'une exploitation. La plateforme Project Perception de Microsoft, qui utilise ces agents, entre en préversion publique, offrant un modèle de tarification basé sur la consommation, indiquant un passage vers un déploiement d'IA plus granulaire et efficace dans les opérations de sécurité.