Code généré par IA : la sécurité ne viendra pas des modèles, mais du harnais (« harness ») qu'on leur impose

Depuis 2025, Veracode mesure la sécurité du code généré par les grands modèles de langage sur un banc d'essai constant de 80 tâches. Sa mise à jour de mars 2026, sur plus de 150 modèles évalués, est sans appel : 55 % seulement des générations produisent un code sécurisé. 

Dans 45 % des cas, le modèle introduit de lui-même une vulnérabilité du Top 10 OWASP. Et pendant que la justesse syntaxique dépasse 95 %, la courbe de sécurité reste plate depuis deux ans : GPT-5.1 et 5.2, Gemini 3, Claude 4.5 et 4.6, tous testés au printemps, stagnent dans la bande des 55 à 60 %. 

Seuls les modèles de raisonnement d'OpenAI émergent à 70-72 %, un record qui laisse tout de même un extrait de code sur trois vulnérable.

Un problème architectural, pas conjoncturel

Le détail éclaire la moyenne : sur l'injection SQL et la cryptographie, les modèles réussissent à 82% et 86%, car l'option sécurisée y est toujours la bonne ; sur le cross-site scripting et l'injection de logs, ils s'effondrent à 15% et 13% : il faut savoir quelles variables transportent des données utilisateur, une analyse de flux que le modèle, privé du contexte applicatif, ne peut pas conduire. Par langage, Python atteint 62%, JavaScript 57%, Java plafonne à 29%, plombé par son corpus legacy. PHP est absent du benchmark, mais la mécanique y vaut à fortiori. Les frameworks modernes forment un premier garde-fou, requêtes préparées de Doctrine sous Symfony, auto-échappement de Twig, sanitisation des templates Angular, contournable dès que le modèle génère du SQL brut, un filtre raw ou un bypassSecurityTrust.

La cause est structurelle : ces modèles ont appris sur du code public truffé de failles jamais corrigées, et retenu que l'implémentation vulnérable est une réponse aussi légitime que la sûre. Attendre le prochain modèle de connaissance relève de la pensée magique. Les éditeurs eux-mêmes en conviennent : Anthropic n'expose au public que la version harnachée de classifieurs de son dernier modèle, Fable 5, et réserve sa déclinaison débridée, Mythos 5, à quelques organisations approuvées. Quand l'éditeur harnache son propre moteur, l'utilisateur ne peut pas faire moins. Les premières évaluations  indépendantes de Fable 5 le confirment : milieu de tableau sur la correction sécurisée de code chez Endor Labs, et chez Sonar une vulnérabilité de sévérité haute dans un module Java généré en treize minutes, interceptée par une quality gate.

La réponse est dans le harnais (harness), pas dans le modèle

C'est là que se joue la valeur. Un harnais de delivery agentique repose d'abord sur des règles humaines non négociables : 100% du code est généré par l'IA et 100% du code est compris et validé par un humain. Pas de merge sans compréhension. Le développeur assume chaque incrément, un expert technique sénior conduit une revue technique systématique, la validation contractuelle d'un livrable n'est jamais déléguée à un agent, et le doute déclenche une escalade immédiate plutôt qu'un dialogue silencieux avec le LLM. Ce cadre amplifie les seniors au lieu de les remplacer : repérer la concaténation dans une requête ou l'échappement manquant est exactement la compétence que le benchmark rend indispensable.

Le harnais repose ensuite sur une cartographie du risque : les zones rouges et vertes. Sécurité, droits d'accès, logique métier sensible, schémas de données, architecture structurante relèvent du rouge, où la génération est exclue ou soumise à validation renforcée en amont ; le reste du périmètre file à vitesse agentique. Cette asymétrie assumée est ce qui rend la vitesse soutenable. Des quality gates jalonnent enfin le cycle, intégrées au flux et non ajoutées en fin de parcours : spécifications et critères d'acceptation revus avant toute génération, données sensibles filtrées avant tout prompt, couverture de tests d'au moins 80%, et traçabilité complète, chaque production portant la mention du modèle qui l'a générée.

Les artefacts agentiques : là où la méthode devient outillage

La vigilance humaine ne tient pas seule dans la durée ; elle doit être équipée. C'est le rôle d'une configuration agentique dédiée, livrée dès la calibration du projet. Des agents spécialisés d'abord : génération de code, génération de tests unitaires et end-to-end, et un merge reviewer qui passe chaque pull request au crible des bonnes pratiques, de la sécurité, de la performance et de la maintenabilité avant qu'un humain ne tranche. Des skills et rules ensuite, qui injectent les règles de sécurité, d'accessibilité et de performance directement dans le contexte de génération : le modèle produit la requête préparée par construction, pas par chance. Des hooks enfin, déclenchés en pré-prompt et en post-genAI, qui bloquent mécaniquement ce qui ne passe pas les contrôles.

Ces briques s'assemblent pour atteindre une boucle déterministe : génération, tests, analyse statique et linters, corrections jusqu'à conformité. Le verdict ne dépend pas de l'humeur d'un LLM. Et le harnais ultime reste la chaîne CI/CD : les hooks de poste se contournent, la pipeline non. En y ancrant SAST (Static Application Security Testing), analyse de dépendances, tests et seuils de couverture comme conditions bloquantes de merge et de déploiement, rien n'atteint la production sans avoir franchi ces contrôles, quel que soit l'agent ou le modèle qui a produit le code. C'est la recommandation de Veracode elle-même, pour qui les contrôles en couches restent irremplaçables. L'humain, lui, arbitre en dernier ressort.

L'IA accélère tout, y compris les dysfonctionnements : à vélocité triplée, une faille non contrôlée se propage trois fois plus vite. Le message aux décideurs IT tient en une phrase : ne pas acheter un modèle, mais exiger un harnais. Des humains responsables, des zones de risque explicites, des passages (“gates") éterministes, une CI/CD verrouillée, une traçabilité auditable. C'est cette discipline qui transforme la vitesse en valeur.