OWASP Top 10 pour les candidatures LLM 2026
La liste définitive des risques de sécurité critiques dans les applications LLM - reflétant la version OWASP 2026 et révisée en octobre 2026
Conscience des risques critiques
Prompt Injection reste la vulnérabilité n°1. Consultez notre guide complet d'injection d'invite →
OWASP LLM Top 10 2026 : ce qui a changé
La version 2026 est la norme active. Par rapport à la liste 2025, elle réorganise les cinq premiers et ajoute une couverture pour les agents et les systèmes de récupération :
- Avancé : Divulgation d'informations sensibles — Désormais LLM02, reflétant les fuites d'informations d'identification et d'invite en tant que chemin de perte de premier niveau
- Avancé : vulnérabilités de la chaîne d'approvisionnement — Désormais LLM03, couvrant les plugins, les hubs de modèles et les marchés d'outils d'agent
- Renommé : Empoisonnement des données et des modèles — Absorbe l'ancien empoisonnement des données de formation au LLM04, incluant désormais les corpus RAG et la mémoire des agents
- Renommé : Gestion incorrecte des sorties — Anciennement Gestion des sorties non sécurisées, désormais LLM05 avec des conseils plus clairs sur les récepteurs en aval
- NOUVEAU : Fuite d'invite du système — LLM07, l'extraction rapide constitue un risque distinct une fois que les agents exposent leur contexte
- NOUVEAU : Faiblesses des vecteurs et des intégrations — LLM08, empoisonnement de récupération et contrôle d'accès au magasin intégré
- NOUVEAU : Désinformation — LLM09, sortie de modèle fabriquée ou invérifiable atteignant les utilisateurs et les systèmes
- Élargi : agence excessive — LLM06, étendu pour couvrir les abus de l'outil MCP et les portées OAuth déléguées
Injection de prompt
Manipulation du comportement LLM via des entrées spécialement conçues qui remplacent les instructions originales. Comprend à la fois l’injection directe (saisie de l’utilisateur) et indirecte (données externes).
Types d'attaques
- Injection directe : invites d'utilisateurs malveillants qui remplacent les instructions du système
- Injection indirecte : instructions masquées dans des documents externes, du contenu Web ou des réponses API
- Manipulation du contexte : exploitation du contexte de conversation pour modifier le comportement
- Attaques de jailbreak : contournement des filtres de sécurité via des invites créatives
Exemples d'attaques
Ignore previous instructions and...Texte intégré dans des caractères Unicode invisiblesInjection de prompt via XSS stocké dans le contenu WebDAN (Do Anything Now) style jailbreaks
Stratégies d'atténuation
- Mettre en œuvre une validation et une désinfection strictes des entrées
- Utiliser la séparation des privilèges entre les entrées utilisateur et les invites système
- Appliquer un filtrage de sortie avant d'afficher les résultats
- Surveillez les modèles d'injection dans les journaux
- Mettre en œuvre une défense en profondeur avec plusieurs couches de sécurité
Divulgation d'informations sensibles
Les LLM révèlent par inadvertance des informations privées, confidentielles ou exclusives via les sorties du modèle.
Types d'attaques
- Extraction de données de formation : récupération de données sensibles à partir de la mémoire du modèle
- Fuite de PII : exposition d'informations personnellement identifiables
- Exposition des clés/informations d'identification API : révéler des secrets dans les réponses
- Divulgation de la logique métier : exposition d'algorithmes ou de processus propriétaires
Exemples d'attaques
Extraction d'adresses e-mail via des invites spécifiquesRévélation des informations d'identification SQL dans les messages d'erreurDivulgation des informations personnelles du client à partir des données de formationExposer les invites du système interne
Stratégies d'atténuation
- Mettre en œuvre un filtrage d'entrée/sortie robuste
- Appliquer les pipelines de nettoyage des données
- Appliquer des politiques de désinscription des utilisateurs pour l'utilisation des données
- Utiliser des techniques de confidentialité différentielles
- Restreindre l'accès et la visibilité aux invites du système
Vulnérabilités de la chaîne d'approvisionnement
Composants compromis ou vulnérables dans la chaîne d'approvisionnement LLM, notamment les modèles, les API, les plugins et les services tiers.
Types d'attaques
- falsification de modèle : modèles pré-entraînés compromis
- Vulnérabilités de dépendance PyPI/npm : bibliothèques non sécurisées
- Données de réglage fin malveillantes : ensembles de données de formation empoisonnés
- Fournisseurs d'API compromis : services LLM non fiables
Exemples d'attaques
Poids de modèle de porte dérobée provenant d'une source non fiableExploitation de la bibliothèque de transformateurs vulnérablesDonnées d'entraînement empoisonnées avec des déclencheurs cachésMagasin de documents RAG compromis
Stratégies d'atténuation
- Vérifier l'intégrité du modèle via des sommes de contrôle et des signatures
- Maintenir SBOM (nomenclature logicielle)
- Utilisez des hubs de modèles fiables et vérifiez la provenance
- Analyser les dépendances à la recherche de vulnérabilités connues
- Implémenter la gestion du cycle de vie des modèles
Empoisonnement des données et des modèles
Introduire des données malveillantes ou biaisées dans les pipelines de formation, affiner les données ou les bases de connaissances RAG pour compromettre l'intégrité du modèle.
Types d'attaques
- Empoisonnement des données de formation : corruption des données de formation du modèle
- Réglage précis de l'empoisonnement : injection de portes dérobées via un réglage précis
- Empoisonnement RAG : contamination des bases de connaissances de récupération
- Manipulation d'intégration : corruption des bases de données vectorielles
Exemples d'attaques
Insérer des exemples biaisés pour modifier le comportement du modèleCréation de déclencheurs de porte dérobée dans les données de formationEmpoisonnement des ensembles de données publics utilisés pour la formationInjection de fausses informations dans les documents RAG
Stratégies d'atténuation
- Vérifier la provenance des données et l'intégrité de la chaîne d'approvisionnement
- Mettre en œuvre la validation des données et la détection des anomalies
- Utiliser des pipelines de nettoyage des données
- Appliquer des mesures de protection robustes pour le réglage précis
- Surveiller la dérive du comportement du modèle
Gestion incorrecte des résultats
Ne pas valider, nettoyer ou gérer correctement les sorties LLM avant de les transmettre aux systèmes ou aux utilisateurs en aval.
Types d'attaques
- XSS via LLM Sortie : scripts intersites à partir de réponses de modèle
- Injection SQL : requêtes malveillantes générées par LLM
- Injection de commandes : LLM générant des commandes système dangereuses
- Path Traversal : LLM révélant ou accéder à des chemins non autorisés
Exemples d'attaques
LLM générant du JavaScript qui s'exécute dans le navigateurModèle produisant des requêtes SQL malveillantesGénération de code, y compris les appels système dangereuxDivulgation du chemin de fichier dans les réponses
Stratégies d'atténuation
- Mettre en œuvre la validation et la désinfection des sorties
- Utiliser un filtrage de contenu contextuel
- Appliquer les mêmes contrôles de sécurité que les entrées de l'utilisateur
- Sorties LLM du bac à sable avant utilisation en aval
- Activer les modes de codage sécurisés dans la génération de code
Agence excessive
Accorder aux systèmes LLM trop de fonctionnalités, d'autonomie, d'autorisations ou autoriser des actions non autorisées ou nuisibles.
Types d'attaques
- Accès illimité aux fonctions : autorisations API excessives
- Action autonome : effectuer des actions sans approbation humaine
- Abus d'outils : exploitation d'outils externes intégrés
- Manipulation de la chaîne de pensée : modification des processus de raisonnement
Exemples d'attaques
LLM avec accès à l'API d'administrateur effectuant des modifications non autoriséesExécution automatique des transactions financièresSuppression de ressources sans confirmationManipulation des données utilisateur sans consentement
Stratégies d'atténuation
- Mettre en œuvre des contrôles d'accès au moindre privilège
- Exiger un humain dans la boucle pour les actions critiques
- Appliquer une limitation de débit aux opérations sensibles
- Enregistrer et surveiller toutes les actions autonomes
- Utiliser les limitations de portée d'accès aux outils
Fuite d'invite du système
Exposer les invites, instructions ou logiques internes confidentielles du système par le biais de manipulations ou de protections inadéquates.
Types d'attaques
- Extraction directe d'invite : ingénierie sociale pour révéler les invites
- Débordement de contexte : techniques de débordement pour exposer les messages système
- Exploitation du jeu de rôle : tromper LLM pour qu'il révèle les instructions
- Fuite de journaux : exposition d'invites dans des journaux ou des erreurs
Exemples d'attaques
Demander à LLM de répéter le « texte précédent » pour extraire l'invite du systèmeUtilisation du débordement de fenêtre contextuelle pour contourner l'analyse des instructionsInjection d'invite pour remplacer le rôle du systèmeRecherche d'invites dans les journaux d'application
Stratégies d'atténuation
- Obscurcir les invites du système lorsque cela est possible
- Mettre en œuvre des techniques d'isolation rapide
- Utiliser un traitement séparé pour les instructions sensibles
- Surveiller les tentatives d'extraction rapides
- Appliquer un filtrage strict des journaux
Faiblesses vectorielles et d'intégration
Failles de sécurité dans les systèmes de génération augmentée de récupération (RAG), les bases de données vectorielles et les pipelines d'intégration.
Types d'attaques
- Injection RAG : contenu malveillant dans les documents récupérés
- Compromission de la base de données vectorielle : attaque du stockage vectoriel
- Extraction d'intégration : vol de représentations d'intégration
- Manipulation du contexte : corruption des résultats de récupération
Exemples d'attaques
Documents empoisonnés récupérés comme meilleurs résultatsAccès non autorisé à la base de données vectoriellesExtraire des données de formation à partir d'intégrationsManipulation de récupération via des attaques d'intégration
Stratégies d'atténuation
- Valider et nettoyer tous les documents d'entrée RAG
- Mettre en œuvre des contrôles d'accès aux bases de données vectorielles
- Utiliser le cryptage intégré si disponible
- Appliquer le reclassement avec des filtres de sécurité
- Surveiller la récupération des anomalies
Désinformation
Les LLM génèrent un contenu faux, trompeur ou biaisé qui semble crédible, conduisant à des décisions éclairées basées sur des informations incorrectes.
Types d'attaques
- Hallucinations : confiantes mais fausses sorties
- Erreurs factuelles : informations incorrectes présentées comme des faits
- Amplification des biais : renforcer les biais existants
- Manipulation : sorties délibérées trompeuses
Exemples d'attaques
Citant des documents de recherche inexistantsFournir des conseils médicaux incorrectsGénération recommandations d'embauche biaiséesCréation de fausses nouvelles ou d'avis
Stratégies d'atténuation
- Mettre en œuvre des pipelines de vérification des faits
- Utiliser le score de confiance et l'estimation de l'incertitude
- Appliquer la vérification de la source pour les sorties critiques
- Ajouter la provenance et l'attribution du contenu
- Étiquetez clairement le contenu généré par l'IA
Consommation illimitée
Autoriser une utilisation excessive ou incontrôlée des ressources par les applications LLM, entraînant un déni de service, une exploitation financière ou une dégradation du service.
Types d'attaques
- Abus de taux d'API : appels d'API excessifs épuisant les quotas
- Épuisement des ressources : maximiser les ressources de calcul
- Exploitation des coûts : abus de paiement par jeton entraînant des frais
- Attaques par inférence : extraction du modèle via des requêtes excessives
Exemples d'attaques
Attaques automatisées consommant l'intégralité du quota d'APISpam d'invite de longueur maximale provoquant un épuisement du calculExtraction du modèle via des millions de requêtesBoucles d'invites récursives consommant des ressources
Stratégies d'atténuation
- Mise en œuvre d'une limitation de débit et de quotas stricts
- Ajouter des limites de jetons d'entrée/sortie
- Surveiller les modèles d'utilisation pour détecter les anomalies
- Utilisez des contrôles de coûts et des alertes budgétaires
- Appliquer des contrôles de délai d'attente sur les opérations de longue durée
Cadre de test OWASP
Suivez cette approche structurée pour tester chaque vulnérabilité :
1. Reconnaissance
- Cartographe de l'architecture du système et du flux de données
- Identifier les points d'entrée et les interfaces API
- Outils et plugins intégrés aux documents
- Examiner les invites et la configuration du système
2. Cartographie des vulnérabilités
- Testez systématiquement chaque catégorie OWASP
- Surface d'attaque des documents et points d'entrée
- Identifier les mécanismes de défense en place
- Mappage des dépendances et des services tiers
3. Exploitation
- Mener des attaques de validation de concept
- Exploitabilité et impact des documents
- Test enchaînant plusieurs vulnérabilités
- Évaluer la faisabilité d'une attaque dans le monde réel
4. Rapports
- Prioriser les résultats par niveau de risque
- Fournir des recommandations de remédiation
- Inclure un code de preuve de concept
- Suggérer des améliorations défensives
Ressources officielles
- Page officielle OWASP LLM Top 10 2025
- Télécharger OWASP LLM Top 10 2025 PDF
- Projet de sécurité OWASP LLM
- OWASP Agentic AI Security
Sources et statistiques
- Rapport OWASP sur l'état de la sécurité de l'IA 2025 - 73 % des organisations présentent des vulnérabilités critiques en matière d'IA
- Cybersécurité Suisse - Statistiques de sécurité de l'IA 2026 - Plus de 40 statistiques organisées
- Rapport CrowdStrike sur les menaces mondiales 2026 - Attaques basées sur l'IA en hausse de 89 %
- Darktrace State of AI Cybersecurity 2026 - Enquête auprès de plus de 1 500 responsables de la sécurité
- Indice IBM X-Force Threat Intelligence 2026 - Attaques accélérées par l'IA
Articles connexes
- La faille Vercel : comment un outil d'IA compromis a conduit à une vente de données pour 2 millions de dollars
- Google met en garde : les attaques par injection de prompt se multiplient sur le Web public
- OWASP LLM Top 10 2026
- Les marionnettes sur chaussettes expliquées
- Top 10 des outils d’IA Red Teaming 2026