Les outils de pentest IA ARTEX et SCARLET LOOP alimentent de nouvelles attaques financières

Fin septembre et début octobre 2026, des acteurs malveillants ont déployé des agents d'intelligence artificielle pour infiltrer des institutions financières en Corée du Sud et au Brésil. CrowdStrike Intelligence a identifié une campagne utilisant l'outil de test d'intrusion ARTEX contre des entreprises coréennes, tandis que ZenoX a découvert la plateforme SCARLET LOOP ciblant des comptes brésiliens. Ces deux opérations ont entraîné d'importantes exfiltrations de données et vols d'identifiants, marquant un tournant vers la cybercriminalité autonome pilotée par l'IA.

Ce qui s'est passé

CrowdStrike a découvert la campagne en Corée du Sud après avoir identifié des répertoires ouverts sur une adresse IP basée à Hong Kong. Ces répertoires exposaient les historiques de session Claude Code, les fichiers mémoire et les données de configuration d'ARTEX, un outil open source de test d'intrusion agentique développé par Autumn-27 en Chine. L'attaquant opérait depuis l'adresse IP 38.244.50[.]120, qui hébergeait l'instance ARTEX utilisée lors des intrusions. Bien qu'aucun groupe spécifique n'ait été attribué aux attaques, les preuves suggèrent un opérateur sinophone motivé par le gain financier.

Parallèlement, ZenoX a détaillé les activités de SCARLET LOOP, une plateforme orchestrée par un acteur lusophone. Cette opération ciblait les programmes de fidélité, les incitations d'entreprise et les plateformes de cartes-cadeaux au Brésil. Les attaquants utilisaient des identifiants volés provenant de journaux d'infostealers et de fuites de données pour détourner des comptes à grande échelle. L'analyse d'un serveur exposé sur Internet a révélé que le groupe avait testé plus de 12 millions d'identifiants, validant avec succès près de 12 000 d'entre eux sur des milliers de domaines.

Suite à l'utilisation abusive de leur logiciel, Autumn-27 a annoncé qu'ARTEX passerait à un modèle propriétaire (closed-source). Les développeurs ont déclaré que l'outil était destiné à la recherche de sécurité autorisée et à l'apprentissage, et non à des activités malveillantes. Ils ont confirmé qu'aucune autre version ni support de maintenance ne serait publié afin de prévenir tout abus supplémentaire.

Comment cela fonctionne

Le système ARTEX fonctionne comme un cadre de test d'intrusion autonome multi-agents piloté par de grands modèles de langage (LLM). Dans la campagne observée, l'attaquant a configuré ARTEX pour utiliser DeepSeek v4.1-flash comme backend principal, complété par GLM-5.3 de Z.ai et Grok 4.6 de SpaceXAI. L'opérateur a probablement accédé à ces modèles via un revendeur d'API. L'agent naviguait de manière autonome dans les systèmes, identifiait les vulnérabilités et exfiltrait les données, tout en interrogeant Claude pour obtenir des informations sur la vente de données compromises via des groupes Telegram.

SCARLET LOOP utilise un pipeline d'automatisation multi-étapes plus complexe. Il commence par la découverte de cibles en utilisant GPT-5.6 d'OpenAI pour générer des requêtes de recherche et GPT-5.5 pour classer les cibles à haute valeur. Pour l'exécution des connexions, un agent IA pilote un navigateur Firefox instrumenté qui usurpe les empreintes numériques telles que canvas, WebGL et la géolocalisation pour contourner les défenses anti-bot. L'agent utilise DeepSeek-V4-Pro, Claude Opus 4.6 et d'autres modèles pour cartographier les surfaces de connexion et remplir les formulaires sans supervision humaine.

Pour optimiser les coûts, SCARLET LOOP propose un « Mode AUTO » qui retire le LLM de la boucle après des connexions réussies sur un domaine familier. Comme l'a noté ZenoX, le raisonnement des modèles est coûteux et lent, donc la plateforme ne paie pour l'intelligence qu'une seule fois par cible. Cela permet au système de dimensionner efficacement le credential stuffing, en testant des millions de combinaisons tout en minimisant l'utilisation de tokens.

Détails clés

• La campagne ARTEX a ciblé des organisations financières sud-coréennes de fin septembre à début octobre 2026.
• ARTEX utilisait DeepSeek v4.1-flash comme LLM principal, avec GLM-5.3 et Grok 4.6 comme compléments.
• SCARLET LOOP a testé 12 277 358 identifiants, validant 11 832 d'entre eux sur 3 968 domaines.
• L'agent SCARLET LOOP utilise 46 outils d'automatisation et externalise la résolution de captchas pour contourner la détection.
• Autumn-27 a fermé le code source d'ARTEX suite à son utilisation dans des attaques non autorisées.
• Les attaquants ont utilisé des canaux Telegram, dont un lié au pseudo « @YY520CN », pour coordonner la vente de données.

Pourquoi c'est important

Ces incidents démontrent que les outils de sécurité IA open source sont armés avec des modifications minimes. Les développeurs et responsables de la sécurité ne peuvent plus supposer que les cadres de test d'intrusion sont sûrs par défaut. La facilité avec laquelle un opérateur a configuré ARTEX en utilisant des API publiques et des répertoires ouverts souligne le risque lié aux environnements de développement exposés. Si les fichiers de configuration et les historiques de session restent accessibles, les attaquants peuvent répliquer et étendre rapidement ces opérations.

Pour les équipes d'ingénierie développant des agents IA, l'architecture SCARLET LOOP offre un plan troublant pour l'efficacité. En combinant le raisonnement LLM pour les tâches nouvelles avec une automatisation simple pour les tâches répétitives, les attaquants réduisent les coûts tout en maintenant des taux de réussite élevés. Cette approche hybride leur permet de s'adapter dynamiquement aux nouveaux formulaires de connexion et mesures de sécurité, rendant les défenses statiques traditionnelles moins efficaces. Les organisations doivent anticiper des adversaires capables de raisonner de manière autonome à travers des interfaces inconnues.

Ce que vous pouvez faire

• Auditez tous les répertoires et serveurs publics pour garantir qu'aucun fichier de configuration, historique de session ou clé API n'est exposé.
• Mettez en œuvre des contrôles d'accès stricts pour tout agent IA ou outil de test d'intrusion utilisé dans votre infrastructure.
• Surveillez les modèles d'utilisation inhabituels des API, en particulier ceux provenant de revendeurs ou de localisations géographiques inattendues.
• Renforcez les mécanismes de détection de bots pour identifier les empreintes de navigateur usurpées telles que canvas, WebGL et les données de viewport.
• Passez en revue et faites tourner régulièrement vos identifiants, en partant du principe que les journaux volés issus de violations tierces circulent peut-être déjà.
• Limitez les capacités des agents IA à des actifs spécifiques et autorisés pour prévenir les mouvements latéraux involontaires ou l'exfiltration de données.