Écart d'adoption de l'IA entre attaquants et institutions : indicateurs, seuils et biais de lecture

Deux publications parues à quelques jours d'intervalle en août 2026 étayent la même affirmation : les attaquants adopteraient l'intelligence artificielle plus vite que les organisations chargées de s'en protéger. La première documente une cyberattaque conduite par des agents automatisés contre des systèmes gouvernementaux taïwanais. La seconde chiffre la cybercriminalité assistée par IA sur un continent et la compétence des services qui l'instruisent.

Cette note ne conteste aucun de ces constats, mais l'opération qui consiste à les soustraire l'un de l'autre. Un écart d'adoption est une différence entre deux mesures, et une différence n'a de sens que si les deux mesures partagent une unité de compte, un périmètre et une fenêtre d'observation. Ce n'est pas le cas ici.

Nous exposons ce que chaque indicateur mesure, ce qu'il ne mesure pas, les biais qui gonflent l'écart apparent et les conditions à remplir pour qu'une comparaison soit rejouable. La méthode vaut pour toute confrontation entre statistique d'incidents et statistique de capacités.

Ce que rapportent exactement les deux faits de départ

Selon Enderi, une cyberattaque menée en juillet 2026 a visé 21 systèmes gouvernementaux taïwanais en quatre jours, compromettant 85 comptes et permettant le vol de plus de 2 564 dossiers de personnel. L'opération, confirmée le 13 août 2026 par le ministère taïwanais des Affaires numériques, a reposé sur huit agents spécialisés : trois en cartographie des systèmes, deux en exploitation de vulnérabilités, un en reconnaissance de chaîne d'approvisionnement, deux en recherche de mots de passe. Kenny Huang, président du Taiwan Network Information Center, y voit la première utilisation de plusieurs agents d'intelligence artificielle pour une cyberattaque.

Deux détails comptent plus que le décompte de comptes compromis. Les garde-fous des modèles ont été contournés en formulant les instructions comme des tests de pénétration autorisés : la barrière franchie est déclarative, pas technique. Et l'agent de reconnaissance de chaîne d'approvisionnement a étendu l'attaque à plus de sept entreprises du secteur énergétique taïwanais, déplaçant l'unité d'observation de la cible vers son voisinage économique.

Le second fait est statistique. Selon CoinGeek, qui rapporte des travaux d'INTERPOL, 55 % des cybercrimes signalés en Afrique ont été menés à l'aide de l'intelligence artificielle, les deepfakes en étant la manifestation la plus visible. La même source indique que 8 % seulement des analystes de renseignement des pays enquêtés possèdent une expertise en IA, que 92 % des agences de sécurité régionales manquent de l'expertise technique nécessaire, et que les pertes du continent sont passées de 192 millions de dollars en 2024 à 484 millions en 2025, pour un cumul d'environ 3 milliards entre 2019 et 2025.

Pourquoi une part d'incidents et un taux d'expertise ne se soustraient pas

Le rapprochement spontané oppose les 55 % aux 8 % et conclut à un écart de quarante-sept points. L'opération est invalide : les deux pourcentages n'ont ni le même numérateur, ni la même population de référence, ni le même objet. Le premier est une part d'événements signalés, le second une part d'individus interrogés. Aucune arithmétique ne relie légitimement les deux séries.

S'y ajoute une asymétrie de seuil. Qualifier un cybercrime d'assisté par IA suppose une convention : un courriel rédigé par un modèle et une chaîne d'attaque entièrement orchestrée par des agents tombent dans la même case. Qualifier un analyste d'expert en IA suppose une autre convention, le plus souvent déclarative. Un seuil bas d'un côté et un seuil haut de l'autre suffisent à produire des dizaines de points d'écart, sans qu'aucun terrain n'ait bougé.

Les deux mesures ne partagent enfin ni périmètre géographique ni unité temporelle. Le cas taïwanais est un incident unique, daté, reconstitué après coup ; les chiffres continentaux sont des agrégats déclaratifs annuels, dépendants d'une propension à signaler variable d'un pays à l'autre. Les aligner revient à comparer une photographie et une moyenne.

Quatre indicateurs pour instrumenter l'écart plutôt que le proclamer

Le premier indicateur est le seul qui déplace une décision. Le cas rapporté par Enderi fait passer un calendrier compté en semaines à quatre jours. C'est un changement de régime pour la défense, dont les procédures d'escalade et d'astreinte restent calées sur un rythme hebdomadaire. L'automatisation effondre le coût de l'attaque, pas celui de la défense : cette dissymétrie décrit l'enjeu mieux qu'un pourcentage d'adoption.

Les trois autres décrivent l'adoption côté institutions, construits en capacités mobilisables plutôt qu'en outils acquis. Un logiciel installé ne mesure rien. Ce qui se mesure, c'est le nombre d'étapes indépendantes traversées avant de qualifier un fait, et la part des conclusions rattachables à une pièce.

Le contre-exemple sud-coréen : une adoption institutionnelle mesurable

L'hypothèse d'une institution structurellement en retard ne résiste pas à un cas documenté. Le Seoul Economic Daily rapporte que la police sud-coréenne a interpellé 419 suspects dans des affaires de deepfake entre janvier et juillet 2026, dont 17 placés en détention, avec un dispositif de réponse à trois niveaux : détection logicielle, analyse par des experts en vidéo médico-légale, criminalistique appliquée à l'IA.

Le détail est instructif pour qui construit un indicateur de capacité. Le logiciel examine les signes d'échange de visages, des caractéristiques biologiques comme le clignement des yeux et les variations du flux sanguin, ainsi que la structure des métadonnées. Le Seoul Economic Daily indique qu'il a été mobilisé dans 1 636 enquêtes depuis son développement et appliqué cette année à 72 cas relevant d'autres domaines, dont des crimes électoraux. La criminalistique a identifié le programme d'IA générative employé et retrouvé les photographies antérieures au montage.

Ce cas ne contredit pas les constats d'INTERPOL rapportés par CoinGeek : il les localise. L'écart d'adoption n'est pas un fait mondial homogène, c'est une variable dont la dispersion entre juridictions dépasse vraisemblablement l'écart moyen. Un indicateur honnête restitue une distribution et ses extrêmes, pas une valeur centrale.

Côté institutions, l'adoption qui compte est architecturale

La seconde erreur de lecture traite l'adoption comme un problème d'accès aux modèles. Northern Light rappelle que l'hallucination est une propriété du mécanisme des grands modèles de langage, qui produisent les mots statistiquement probables et non des énoncés vérifiés, et qu'aucune consigne de prompt ne corrige ce comportement. Le phénomène s'aggrave sur les questions propres au renseignement économique : acteurs de niche, mouvements récents, sources payantes jamais vues par le modèle.

Les ordres de grandeur rapportés par Northern Light situent l'enjeu : de 18 % à 55 % des citations produites par différentes générations de modèles se sont révélées entièrement inventées selon les études citées, et un audit de la littérature scientifique a signalé environ 147 000 fausses citations générées par IA pour la seule année 2025. Un modèle déployé sans ancrage augmente le volume produit, pas la connaissance.

La réponse est architecturale : ancrer le modèle dans un corpus de sources identifiées, exiger des citations remontant au document, tenir ce référentiel à jour et gouverné. Sur ce point, NewsCore (www.newscore.fr) couvre en continu des millions de sources dans de nombreuses langues, trie les signaux par pertinence et relie chaque synthèse au document qui la fonde.

Les biais qui gonflent mécaniquement l'écart apparent

Trois biais opèrent dans le même sens. Le premier tient à la visibilité : une attaque assistée par IA est racontée, datée, attribuée, tandis qu'une détection réussie ne produit aucun récit public. Toute série bâtie sur ce qui a été publié surestime la performance de l'attaque et sous-estime celle de la défense.

Le deuxième est un biais de nouveauté. La première occurrence d'un procédé est signalée comme telle, statut donné à l'incident taïwanais ; les suivantes se fondent dans les catégories existantes. Une série qui enregistre des premières fois produit une courbe de découverte, pas une courbe d'adoption.

Le troisième tient à la mesure déclarative des compétences, dépendante de la formulation du questionnaire et de l'incitation à répondre. CoinGeek rapporte que 31 % des autorités enquêtées demandent des réformes sur la préservation des preuves numériques et l'accès transfrontalier aux données : une demande de cadre juridique, ni compétence ni absence de compétence, qu'un indicateur de compétence absorbe silencieusement.

Conditions de reproductibilité d'une comparaison d'adoption

Quatre éléments doivent être publiés avec toute mesure d'écart. Le périmètre : quelles juridictions, quels secteurs, quelles tailles d'organisation. La fenêtre : dates de début et de fin, et datation à la survenance ou à la déclaration. Le seuil de qualification : à partir de quel degré d'usage un fait devient assisté par IA. L'unité de compte enfin : événements, comptes, organisations ou personnes.

Sans ces déclarations, deux équipes travaillant sur les mêmes faits produiront deux écarts différents, et la divergence sera imputée au terrain alors qu'elle vient de la convention. Cela se traite en publiant la définition avant le chiffre, jamais en affinant le chiffre.

Notre grille appelle une limite explicite. Ces quatre indicateurs se renseignent correctement sur des incidents publiquement documentés, mal sur ce qui demeure confidentiel, c'est-à-dire la majorité des détections réussies. Ils décrivent la partie visible des deux adoptions : suffisant pour comparer des tendances entre deux périodes traitées à l'identique, insuffisant pour publier un niveau absolu.

Questions fréquentes

Les attaquants adoptent ils vraiment l'IA plus vite que les institutions ?

Les faits documentés en 2026 montrent une compression réelle du calendrier offensif, mais n'établissent aucun écart chiffré global. Les mesures côté attaque comptent des événements, celles côté institutions des compétences ou des dispositifs. La conclusion défendable porte sur la vitesse de transformation d'un processus, pas sur un différentiel en points.

Quel indicateur suivre en priorité dans une organisation ?

La compression du calendrier, soit le temps écoulé entre le premier signal exploitable et la décision. C'est l'indicateur qui bouge quand l'automatisation change de camp, et le seul directement comparable à la durée de vos procédures d'escalade. Une part d'incidents assistés varie surtout avec la convention de qualification retenue.

Un détecteur automatisé suffit il à combler l'écart côté défense ?

Non : les dispositifs documentés associent plusieurs niveaux, dont une expertise humaine et une capacité de criminalistique remontant au contenu d'origine. Le nombre de niveaux indépendants mobilisables prédit mieux la qualification correcte d'un cas que la performance affichée d'un détecteur isolé.

Comment éviter qu'un modèle de langage dégrade la qualité d'une note de veille ?

En imposant l'ancrage documentaire : chaque affirmation reliée à une pièce consultable, un référentiel de sources tenu à jour et gouverné, un refus explicite quand la pièce manque. Les taux de citations inventées rapportés dans la littérature rendent cette contrainte non négociable dès qu'une note fonde une décision engageante.