OWASP LLM Top 10 : les 10 risques de sécurité des IA, expliqués pour décider

L'OWASP LLM Top 10 est la liste de référence des dix risques de sécurité propres aux intelligences artificielles génératives, et la lire par niveau de criticité vous donne, en une lecture, l'ordre dans lequel sécuriser vos IA sans vous noyer dans la technique. Vous n'avez pas besoin d'être ingénieur en sécurité pour vous en servir. Dans cet article, je vous traduis les dix risques en langage de décideur, avec un niveau de gravité pour chacun, puis la méthode pour passer de cette liste à un plan d'action concret.

Le problème : vos IA introduisent des risques que vos réflexes cyber ne couvrent pas

Vos équipes branchent des modèles de langage sur vos données, vos outils et parfois vos systèmes de décision. Le souci, c'est qu'une IA générative ne se sécurise pas comme une application classique. Un pare-feu, un antivirus et une gestion des correctifs ne disent rien d'une instruction cachée dans un document, d'un modèle qui recrache une donnée confidentielle, ou d'un assistant à qui vous avez donné trop de pouvoir d'action.

Le scénario que je vois revenir : une entreprise lance un assistant interne prometteur, puis se rend compte qu'elle ne sait ni nommer, ni hiérarchiser, ni tester les risques qu'elle vient d'introduire. Chacun dans l'organisation a une intuition différente du danger, et personne ne parle le même langage. Sans vocabulaire commun, on discute sans jamais décider.

L'OWASP LLM Top 10, c'est quoi ?

L'OWASP est une fondation reconnue qui publie des référentiels de sécurité utilisés dans le monde entier. Son LLM Top 10est le classement des dix risques de sécurité les plus critiques pour les applications qui reposent sur un grand modèle de langage. C'est devenu le langage commun entre RSSI, DSI et métiers pour parler des risques d'une IA générative sans confusion.

Chaque risque porte un code, de LLM01 à LLM10. Vous n'avez pas à les retenir par cœur : ce qui compte, c'est de savoir lesquels vous exposent le plus, pour agir dans le bon ordre. Le schéma ci-dessous les regroupe par criticité.

La méthode : lire les dix risques par criticité

Plutôt que de traiter les dix risques en bloc, classez-les en trois niveaux de gravité selon deux critères simples : la probabilité qu'un attaquant ou un usage détourné les déclenche, et l'ampleur des dégâts s'ils surviennent. Vous obtenez un ordre de priorité clair, du plus urgent à sécuriser au plus surveillé.

Criticité critique : à traiter en premier

Ces trois risques sont à la fois faciles à déclencher et lourds de conséquences. Ce sont eux qui transforment un incident en fuite de données ou en action non voulue.

• LLM01, injection de prompt.Un utilisateur, ou un document que l'IA lit, glisse une instruction cachée qui détourne le modèle de sa consigne. C'est l'attaque la plus courante sur les IA génératives.
• LLM02, fuite d'information sensible.Le modèle restitue à l'écran des données confidentielles, personnelles ou issues d'un autre utilisateur, parce qu'elles étaient dans son contexte ou son entraînement.
• LLM06, agentivité excessive.Vous avez donné à l'IA le droit d'agir (envoyer un courriel, modifier une base, déclencher un paiement) avec des permissions trop larges. Une consigne détournée devient alors une action réelle.

Criticité élevée : le socle technique à cadrer

Ces risques demandent une vraie compétence technique pour être maîtrisés. Ils touchent la chaîne qui alimente et entoure le modèle, souvent invisible pour le métier.

• LLM03, chaîne d'approvisionnement. Un modèle ou un composant récupéré sur une place de marché peut embarquer une faiblesse, voire une porte dérobée, que vos outils habituels ne détectent pas.
• LLM04, empoisonnement des données. Une donnée corrompue en entraînement, en ajustement ou en indexation fausse durablement le comportement du modèle.
• LLM05, sorties non filtrées.Brancher directement la réponse d'une IA sur du code, une requête ou un navigateur ouvre la porte à des attaques en aval si la sortie n'est pas neutralisée.
• LLM08, faiblesses des embeddings.Les représentations vectorielles de vos documents ne sont pas anonymes : mal protégées, elles se reconstruisent et laissent fuir de l'information.

À surveiller : réel, mais moins prioritaire

Ces risques méritent des garde-fous, sans mobiliser vos premières ressources. Ne les ignorez pas pour autant : leur impact grimpe vite selon le contexte.

• LLM07, fuite du system prompt.Les instructions internes du modèle peuvent être extraites. La règle est de n'y placer ni secret ni garde-fou de sécurité unique.
• LLM09, désinformation. Le modèle invente une réponse fausse mais crédible. Sans contrôle des sources et traçabilité, cette hallucination est présentée comme un fait.
• LLM10, consommation incontrôlée. Sans quotas ni limites, une IA peut voir ses coûts exploser ou être saturée par un attaquant.

Le tableau de bord des dix risques

Voici la synthèse à garder sous la main, avec pour chaque risque la parade de premier niveau :

De la liste au plan d'action en quatre étapes

La liste ne vous protège pas toute seule. Voici la boucle que je déroule pour la transformer en sécurité vérifiable, du repérage jusqu'à la preuve.

La première étape suppose de savoir ce qui tourne vraiment chez vous, y compris les outils adoptés par vos équipes sans passer par la DSI. C'est le sujet du Shadow AI, à cartographier avant toute chose. Les étapes de test et de correction, elles, sont le cœur d'un audit de sécurité d'une application IA, qui inspecte chaque surface d'attaque au lieu de se fier au seul modèle.

Ce que vous en retirez

À la sortie, vous ne subissez plus la sécurité de vos IA : vous savez lesquelles vous exposent, à quel risque, et dans quel ordre agir. Ce langage commun aligne vos équipes techniques et vos décideurs sur les mêmes priorités, et transforme une inquiétude diffuse en feuille de route chiffrable. C'est aussi la matière première d'un audit IA qui débouche sur des actions, pas sur un rapport de plus.

Questions fréquentes

Faut-il être un spécialiste de la sécurité pour utiliser l'OWASP LLM Top 10 ?

Non pour le lire et décider, oui pour le mettre en œuvre. Le classement par criticité est fait pour un décideur : il vous dit où regarder et dans quel ordre. La correction technique, elle, demande des compétences pointues, que vous portiez en interne ou que vous fassiez appel à un tiers.

Nous n'utilisons que des IA du marché, sommes-nous concernés ?

Oui. Même en tant que simple utilisateur, vous restez exposé à l'injection de prompt, à la fuite d'information ou à l'agentivité excessive dès que vous branchez l'IA sur vos données ou vos outils. La responsabilité de l'usage vous revient, pas seulement au fournisseur du modèle.

Quel lien avec l'AI Act et le RGPD ?

L'OWASP LLM Top 10 est un référentiel de sécurité, pas une loi. Mais sécuriser ces risques nourrit directement vos obligations réglementaires : une fuite d'information est aussi une violation RGPD, et la gestion des risques exigée par l'AI Act s'appuie sur exactement ce type de contrôles. Sécurité et conformité avancent ensemble.

Par où commencer si nous n'avons rien fait ?

Par la cartographie de vos usages d'IA, puis par les trois risques critiques. En une à deux semaines, vous savez où vous êtes exposé et par quoi commencer. C'est précisément l'objet d'un audit.

C'est exactement ce que couvre mon audit Sécurité & Conformité IA: cartographie de vos usages, test de sécurité aligné sur l'OWASP LLM Top 10 et feuille de route priorisée. Pour situer votre exposition, le plus simple reste un premier échange de trente minutes.

Cet article a une visée pédagogique et ne constitue pas un conseil juridique. Chaque situation mérite une analyse au cas par cas.