Les groupes d’espionnage cherchent désormais à dépasser les limites des outils grand public. Selon des recherches de Genians, l’acteur nord-coréen associé à Kimsuky ne se contente plus de saisir des prompts dans des chatbots en ligne. Il aurait installé une IA hors ligne sur ses propres infrastructures, afin d’exploiter des documents et de renforcer une chaîne d’attaque déjà bien huilée.
Ce qui rend la découverte particulièrement préoccupante, ce n’est pas seulement la présence d’outils d’IA. C’est leur intégration dans un flux opérationnel : recherche documentaire, préparation d’éléments utilisés dans l’hameçonnage, et appui à des étapes ultérieures liées au développement ou à la génération d’artefacts malveillants.
Une IA hors ligne pour relier des documents internes aux modèles
La cellule suivie par les chercheurs serait entrée dans une phase de recherche et d’acquisition de connaissances. L’analyse ne montre pas qu’elle ait entraîné un modèle maison. Au contraire, l’acteur semble assembler, configurer et tester des composants existants.
Dans cette logique, les outils de recherche documentaire auraient été reliés à des fichiers déjà détenus par l’opération. Les preuves citées portent notamment sur l’utilisation d’une base de données locale associée à une fonctionnalité de génération augmentée par la recherche (RAG), permettant à un modèle de répondre en s’appuyant sur un corpus privé.
Autrement dit, l’IA hors ligne n’est pas présentée comme une simple démonstration technique. Elle sert d’interface entre des documents et des capacités de génération, ce qui peut accélérer la préparation d’un contenu d’hameçonnage ou l’exploitation d’informations récupérées.
Des outils locaux identifiés : Ollama, GPT4All et autres
Les enquêteurs indiquent avoir trouvé des composants destinés à exécuter des modèles linguistiques sans dépendre d’un service externe. Parmi les éléments mentionnés : Ollama, GPT4All et Msty.
Un point important, selon le rapport, est que ces outils auraient été exécutés ou configurés, et pas seulement téléchargés. Par exemple :
- Ollama aurait produit des clés lors du premier lancement, signal typique d’une configuration réelle.
- GPT4All aurait utilisé une base locale, localdocs_v3.db, associée à la fonction RAG et à la récupération d’informations à partir d’un ensemble de documents.
Les chercheurs précisent toutefois que la présence de cette base de données constitue un indice d’intégration entre documents et IA. Cela ne suffit pas, à lui seul, à démontrer que les documents contenus dans cette base auraient été volés lors de la campagne.
Transcription et extraction : Whisper et guides d’outillage
La IA hors ligne observée ne se limite pas au langage écrit. L’infrastructure aurait aussi hébergé des fichiers liés à Whisper, un outil de reconnaissance vocale. Le rapport fait état de contenus expliquant comment extraire du texte à partir d’audio.
Dans une logique d’opérations d’infiltration, la transcription peut servir à transformer des éléments sonores en texte exploitable : analyse de communications, synthèse de documents, ou préparation d’éléments à intégrer dans une attaque.
En complément, les chercheurs citent la présence de traces associées à Cursor, un éditeur de code alimenté par l’IA. Cela suggère une volonté d’outiller la phase de développement, au moins pour certaines étapes.
Automatiser le travail d’ingénierie : bibliothèques et composants .NET
Le rapport ne parle pas seulement d’applications prêtes à l’emploi. Il mentionne aussi des bibliothèques et composants pour construire des fonctions d’IA dans des logiciels sur mesure, notamment en C#/.NET.
Parmi les éléments cités : LLaMaSharp, Semantic Kernel et Microsoft.Agents.AI. L’objectif plausible serait d’intégrer des capacités d’IA directement dans un code utilisé par l’opération, plutôt que de dépendre d’une interface externe.
Ce type d’approche peut réduire les frictions et améliorer la cohérence entre les étapes : préparation, génération, traitement de données, puis passage à des actions plus dangereuses.
RAG et preuves opérationnelles : ce qu’on sait, ce qu’on ne sait pas
La fonction RAG (retrieval-augmented generation) est présentée comme un pivot. Elle permet à un modèle de produire des réponses en s’appuyant sur des documents d’un corpus local, plutôt que de se reposer uniquement sur des connaissances internes du modèle.
Les chercheurs indiquent avoir récupéré séparément une demande d’opérateur visant à vérifier un jeu de données contenant des éléments sensibles (liés à des détails de portefeuille, des identifiants Gmail et l’historique d’inscription de sites). Le texte de la demande insiste sur la nécessité d’un examen minutieux.
Cependant, le rapport ne confirme pas que cette requête ait été réellement soumise à un service d’IA distant. Elle sert surtout à illustrer le niveau de détail visé par les analystes internes, et l’idée que l’IA hors ligne pouvait être exploitée pour accélérer ou affiner certaines validations.
Pourquoi c’est plus difficile à détecter : des indices changent
Historiquement, de nombreux contenus d’hameçonnage reposaient sur des signaux faibles : traductions maladroites, mise en forme bancale, fautes d’orthographe ou tournures peu naturelles. La généralisation de la génération automatisée rend souvent ces éléments moins visibles.
Mais si l’attaquant passe par une IA hors ligne, l’environnement d’exécution et les chaînes techniques deviennent plus révélateurs. Le rapport souligne que, plutôt que de juger une amorce uniquement sur son apparence, il faut regarder les traces d’exécution.
Genians recommande notamment de corréler des événements tels que :
- l’exécution de fichiers LNK ;
- l’usage de PowerShell ;
- la présence de tâches planifiées cachées ;
- le trafic observé vers GitHub ;
- et l’activité ultérieure des charges utiles (payloads).
En d’autres termes : l’indice utile pourrait devenir la séquence d’actions, pas le message final.
Inscription dans une campagne plus large : GitPower et GitHub comme canal
Les éléments observés s’inscrivent dans une campagne que Genians appelle Operation GitPower. Le mécanisme mentionné abuse de dépôts GitHub comme canaux de commande dans une chaîne d’infection partant d’un fichier LNK vers l’exécution via PowerShell.
Le rapport cite aussi la diffusion de charges malveillantes AsyncRAT déguisées en fichiers image. Cette articulation renforce l’idée que la IA hors ligne s’ajoute à un arsenal existant : elle peut servir à améliorer ou accélérer certaines tâches, tandis que la chaîne d’intrusion conserve ses techniques.
En parallèle, Fortinet aurait documenté plus largement, en avril, un schéma où GitHub sert de canal de commande dans des attaques visant des utilisateurs en Corée du Sud. Ce point renforce le contexte technique observé autour des mêmes familles d’approche, même si cela ne confirme pas les nouveaux artefacts IA découverts localement.
Une bascule mesurée : pas d’ampleur chiffrée, ni preuve d’exécution contre des victimes
À ce stade, les chercheurs indiquent que la pile d’IA hors ligne décrite n’a pas encore été démontrée en train d’être exécutée contre des victimes dans les éléments fournis. De même, aucun nombre de victimes associé à GitPower n’est mentionné.
Cela signifie que l’optimisation observée ressemble davantage à une préparation qu’à un changement immédiatement visible à grande échelle. Mais la fondation est posée : la logique d’intégration et l’outillage constituent une étape qui peut rendre les prochaines opérations plus rapides et mieux orchestrées.
Contexte : lien attribué à Kimsuky et finalité d’espionnage
Les chercheurs rattachent l’opération à Kimsuky via des recoupements : chevauchements avec des campagnes antérieures, indices d’infrastructure, et vocabulaire nord-coréen retrouvé dans des journaux opérateurs.
Les autorités américaines, via le U.S. Treasury, auraient sanctionné Kimsuky en 2023. Leur description présente le groupe comme subordonné au Bureau général de la reconnaissance, avec un focus orienté vers la collecte de renseignements.
Enfin, cette évolution s’inscrit dans un schéma plus large relevé précédemment : des attaques par spear-phishing ayant utilisé des images générées par ChatGPT pour des cartes d’identification liées à des employés militaires sud-coréens.
Conclusion : les défenses doivent passer de l’esthétique à la corrélation technique
La découverte d’une IA hors ligne chez un groupe d’espionnage souligne un changement de méthode : l’attaquant vise moins à “jolifier” l’hameçonnage qu’à industrialiser des étapes internes, en combinant outils locaux, recherche documentaire et outillage logiciel.
Pour les équipes de défense, le message est clair : sans possibilité de “corriger” une IA comme on corrige une vulnérabilité logicielle, l’attention doit se déplacer vers les signaux d’exécution. En corrélant LNK, PowerShell, tâches planifiées, traces réseau vers GitHub et comportements de payload, on augmente les chances de repérer l’opération avant qu’elle n’atteigne son objectif.
Source: https://thehackernews.com/2026/08/kimsuky-builds-offline-ai-stack-that.html
