Piratage de l'IA
Ressources de sécurité IA

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

73%
Les déploiements d'IA présentent des vulnérabilités critiques
(OWASP State of AI Security, 2025)
41%
Enterprise AI a des API non authentifiées
(CodeWall Research, 2025)
Virtually 100%
Injection de prompt exploitable dans les déploiements LLM
(OWASP LLM Top 10, 2025)
⚠

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

Lire le Top 10 OWASP LLM →

LLM01

Injection de prompt

Critical

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 invisibles
  • Injection de prompt via XSS stocké dans le contenu Web
  • DAN (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
LLM02

Divulgation d'informations sensibles

Critical

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 spécifiques
  • Révélation des informations d'identification SQL dans les messages d'erreur
  • Divulgation des informations personnelles du client à partir des données de formation
  • Exposer 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
LLM03

Vulnérabilités de la chaîne d'approvisionnement

High

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 fiable
  • Exploitation de la bibliothèque de transformateurs vulnérables
  • Données d'entraînement empoisonnées avec des déclencheurs cachés
  • Magasin 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
LLM04

Empoisonnement des données et des modèles

High

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 modèle
  • Création de déclencheurs de porte dérobée dans les données de formation
  • Empoisonnement des ensembles de données publics utilisés pour la formation
  • Injection 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
LLM05

Gestion incorrecte des résultats

High

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 navigateur
  • Modèle produisant des requêtes SQL malveillantes
  • Génération de code, y compris les appels système dangereux
  • Divulgation 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
LLM06

Agence excessive

High

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 autorisées
  • Exécution automatique des transactions financières
  • Suppression de ressources sans confirmation
  • Manipulation 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
LLM07

Fuite d'invite du système

Medium

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 système
  • Utilisation du débordement de fenêtre contextuelle pour contourner l'analyse des instructions
  • Injection d'invite pour remplacer le rôle du système
  • Recherche 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
LLM08

Faiblesses vectorielles et d'intégration

Medium

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 résultats
  • Accès non autorisé à la base de données vectorielles
  • Extraire des données de formation à partir d'intégrations
  • Manipulation 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
LLM09

Désinformation

Medium

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 inexistants
  • Fournir des conseils médicaux incorrects
  • Génération recommandations d'embauche biaisées
  • Création 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
LLM10

Consommation illimitée

Medium

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'API
  • Spam d'invite de longueur maximale provoquant un épuisement du calcul
  • Extraction du modèle via des millions de requêtes
  • Boucles 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

Sources et statistiques

AH
AI Hacking Team

The AI Hacking team researches and documents AI/LLM security vulnerabilities, red teaming techniques, and defensive strategies. Our guides are based on real-world pentesting experience and continuous monitoring of the AI security landscape.

Frequently Asked Questions

Qu’est-ce que le Top 10 OWASP LLM ?
L'OWASP LLM Top 10 est une liste consensuelle des vulnérabilités de sécurité les plus critiques dans les applications Large Language Model, maintenue par la communauté OWASP. Il couvre des risques tels que l'injection de prompt, la gestion non sécurisée des sorties, l'empoisonnement des données de formation, les vulnérabilités de la chaîne d'approvisionnement, etc.
Qu’est-ce que l’injection de prompt (LLM01) ?
L'injection de prompt est le risque de sécurité LLM n°1 dans lequel les attaquants manipulent des modèles d'IA via des entrées malveillantes pour ignorer les instructions du système, extraire des données sensibles ou contourner les contrôles de sécurité. Il comprend l'injection directe (via les invites de l'utilisateur) et l'injection indirecte (via des sources de données externes).
Qu'est-ce qui a changé dans le Top 10 OWASP LLM 2026 ?
La version 2026 élargit la liste pour couvrir les systèmes d'agent et de récupération. La divulgation d'informations sensibles passe au LLM02, les vulnérabilités de la chaîne d'approvisionnement au LLM03 et l'empoisonnement des données et des modèles au LLM04. Une gestion inappropriée des sorties remplace la gestion des sorties non sécurisées à LLM05, et trois catégories d'ère d'agent apparaissent : fuite d'invite système (LLM07), faiblesses vectorielles et d'intégration (LLM08) et désinformation (LLM09).
Comment puis-je me protéger contre les vulnérabilités de la chaîne d’approvisionnement LLM ?
Protégez-vous contre les risques de la chaîne d'approvisionnement LLM en : vérifiant les modèles et ensembles de données tiers avant utilisation, en utilisant des versions épinglées et la vérification du hachage, en surveillant les packages malveillants dans PyPI/npm/Hugging Face, en mettant en œuvre une analyse de la composition logicielle pour les dépendances de l'IA et en maintenant un inventaire de tous les composants IA/ML dans votre pipeline.
Quel pourcentage de déploiements d’IA présentent des vulnérabilités critiques ?
Selon le rapport State of AI Security de l'OWASP, 73 % des déploiements d'IA présentent des vulnérabilités critiques. De plus, 41 % des systèmes d'IA d'entreprise disposent d'API non authentifiées, et pratiquement 100 % des déploiements LLM sont exploitables via une injection de prompt.
Qu'est-ce que la divulgation d'informations sensibles dans les LLM ?
La divulgation d'informations sensibles se produit lorsque les LLM révèlent par inadvertance des données confidentielles de leurs données de formation, des invites système ou du contexte récupéré. Cela peut exposer les clés API, la logique métier interne, les informations personnelles identifiables (PII) et les algorithmes propriétaires via des invites soigneusement conçues.
Comment sécuriser les API LLM ?
Sécurisez les API LLM en mettant en œuvre l'authentification et la limitation du débit, en validant et en nettoyant toutes les entrées, en filtrant les sorties pour les données sensibles, en utilisant des points de terminaison distincts pour différents niveaux de confiance, en enregistrant toutes les interactions API et en évitant l'inclusion de données sensibles dans les invites du système.

Stay Ahead of AI Security

Get the latest AI/LLM security research, OWASP updates, and new vulnerabilities delivered straight to your inbox.