Ce que Lola Carbonell a réellement écrit, et ce que ça change
La formulation qui circule depuis le 17 septembre 2026 — « les modèles d’IA devraient dépasser les experts en cybersécurité et les meilleurs hackers d’ici 2030 » — est une paraphrase, pas une citation directe. La publication originale de Lola Carbonell sur LinkedIn, consultée le 18 septembre, formule la projection différemment, avec des réserves méthodologiques que la version condensée efface.
Lola Carbonell est co-fondatrice, avec Tom David, du General-Purpose AI Policy Lab lancé à Sciences Po en 2024. Elle y occupe les fonctions de secrétaire générale et responsable des affaires internationales. Le Lab a été conçu précisément pour croiser expertise technique sur la sécurité de l’IA et capacité d’analyse géopolitique — un positionnement qui lui donne une légitimité réelle sur ce terrain, mais qui est distinct d’un laboratoire de recherche technique en sécurité offensive.
Cette distinction compte : Carbonell s’exprime depuis un cadre de politique publique, pas depuis un red team. Ses projections sont des analyses de tendances, non des benchmarks expérimentaux. Les reprendre sans cette précision change le registre de la déclaration.
Ce que les IA font déjà en matière de hacking en 2026
Les capacités offensives des grands modèles de langage ne relèvent plus de la spéculation. Sur les benchmarks CTF (Capture The Flag), format standard d’évaluation des compétences en sécurité offensive, plusieurs modèles atteignent des scores qui auraient été hors de portée il y a dix-huit mois. Des travaux publiés en 2024 et 2025 par des équipes de l’université de l’Illinois ont montré que GPT-4 pouvait exploiter des vulnérabilités one-day sans assistance humaine dans un cadre contrôlé, avec un taux de succès de l’ordre de 87 % sur un ensemble de CVE récents.
Claude, le modèle d’Anthropic, a été évalué dans des contextes similaires. L’événement dit « Claude Mythos », dont les résultats partiels ont circulé en 2026, documente des performances sur des scénarios de hacking multi-étapes qui mobilisent reconnaissance, escalade de privilèges et exfiltration. Les chiffres exacts restent partiellement confidentiels, mais les observateurs du secteur notent que la progression entre les générations de modèles est plus rapide sur les tâches offensives que sur d’autres domaines.
La nuance à maintenir : les démonstrations en conditions contrôlées ne se traduisent pas mécaniquement en capacités opérationnelles. Un modèle qui réussit un CTF face à des scénarios préparés n’a pas les mêmes performances face à une infrastructure réelle, avec ses imprévus, ses configurations non documentées et ses délais de réponse.
L’asymétrie qui rend la projection crédible : attaquer coûte moins cher que défendre
Le déséquilibre structurel entre attaque et défense en cybersécurité est antérieur à l’IA. Un attaquant cherche un seul point d’entrée ; un défenseur doit couvrir l’ensemble de la surface exposée. Ce rapport asymétrique est documenté depuis les années 1990 et reste la réalité opérationnelle de tous les SOC en 2026.
L’IA amplifie ce déséquilibre plutôt qu’elle ne le corrige. Automatiser la reconnaissance passive, générer des variantes de payloads, adapter un exploit connu à une configuration légèrement différente — ces tâches, qui mobilisaient des heures de travail manuel, descendent à quelques minutes avec un LLM capable. Du côté défensif, la charge reste humaine sur les décisions critiques : triage des alertes, attribution, qualification des incidents.
C’est sur cette dynamique, plus que sur une rupture technologique soudaine, que les projections à horizon 2030 s’appuient. La progression n’a pas besoin d’être exponentielle pour produire un écart significatif : une réduction du coût marginal de l’attaque de 80 % sur cinq ans suffit à recomposer le paysage de menace.
La position des institutions : entre prudence et reconnaissance du risque
L’ANSSI n’a pas publié de projection chiffrée comparable à celle de Carbonell. Ses rapports sur les menaces cyber liées à l’IA — dont le panorama de la menace informatique publié annuellement — décrivent une montée en puissance des capacités offensives assistées par IA, notamment dans la génération de phishing ciblé et l’automatisation des campagnes de reconnaissance. Mais l’agence évite les dates.
Cette prudence méthodologique est cohérente avec le mandat d’une autorité nationale : annoncer qu’une IA dépassera les meilleurs experts en 2030 crée des effets de perception que les institutions publiques préfèrent éviter. La direction du risque n’est pourtant pas contestée. Le consensus opérationnel dans les équipes de sécurité, y compris au sein des agences, est que les outils IA réduisent déjà la barrière d’entrée pour les attaquants de niveau intermédiaire.
Pourquoi 2030 est une date qui engage, pas une prédiction
Donner une échéance précise dans un débat de capacités technologiques oblige à définir des critères de vérification. Que signifie « dépasser les experts » ? Sur quels benchmarks, dans quelles conditions, face à quelles cibles ? Sans ces paramètres, une date reste rhétorique. C’est précisément pourquoi les institutions s’en abstiennent et pourquoi les chercheurs qui la posent s’exposent à la critique.
La trajectoire des LLM sur les tâches offensives est documentée sur dix-huit mois, pas sur dix ans. Les inconnues qui pèsent sur la projection sont nombreuses : l’accès aux modèles les plus capables pourrait être restreint par la régulation, les contre-mesures défensives pourraient bénéficier des mêmes outils, et la définition même des « meilleurs hackers » évolue avec les outils disponibles. Un hacker expert en 2030 sera probablement lui-même augmenté par l’IA — ce qui rend le point de comparaison mobile.
Ce que la projection de Carbonell fait avec efficacité, c’est forcer le débat public à se positionner sur une échelle de temps concrète. Dans un domaine où les institutions communiquent volontiers en termes de « risque croissant » sans horizon précis, une date crée une pression d’analyse que les formulations vagues ne produisent pas.