Les assistants de codage IA continuent de suggérer des paquets qui n'existent pas, et les attaquants sont prêts

Demandez à un assistant de codage IA d'ajouter une bibliothèque pour relancer des requêtes HTTP ou analyser un CSV, et il y a une réelle probabilité qu'il suggère un paquet qui n'existe pas. Les chercheurs en sécurité appellent cela le slopsquatting : les attaquants enregistrent exactement les noms que les LLM hallucinent, puis attendent que l'assistant IA d'un développeur recommande de les installer. Le paquet malveillant s'exécute dès qu'une personne tape pip install ou npm install en suivant la suggestion de l'assistant.
Le terme a été inventé en 2025 par Seth Larson, développeur sécurité résident de la Python Software Foundation, après que des chercheurs de l'Université du Texas à San Antonio, de Virginia Tech et de l'Université d'Oklahoma ont testé 16 modèles de génération de code sur des dizaines de milliers de prompts de codage et constaté qu'environ un paquet recommandé sur cinq n'existait ni sur PyPI ni sur npm. Les modèles open source hallucinaient à près du double du taux des modèles commerciaux, mais aucun modèle testé n'était à l'abri, et environ 43 pour cent des noms hallucinés se répétaient sur plusieurs prompts et plusieurs exécutions — ce qui signifie qu'un attaquant n'a besoin d'enregistrer un paquet qu'une seule fois pour capter un flux constant de victimes.
Cette répétabilité rend le slopsquatting plus dangereux que le typosquatting classique. Un typosquat repose sur une faute de frappe humaine — taper reqeusts au lieu de requests — une surface d'attaque étroite et quelque peu aléatoire. Un nom de paquet hallucié, en revanche, est une prédiction qu'un LLM répétera encore et encore pour le même prompt, car le modèle fait correspondre des motifs à des noms de bibliothèques plausibles qu'il se souvient à moitié de ses données d'entraînement. Enregistrez une fois huggingface-cli-utils ou node-fetch-retry-wrapper, et le même nom réapparaîtra pour des développeurs différents, à des jours différents, depuis des modèles différents, avec une constance troublante.
Pourquoi les modèles font cela
Les LLM génèrent des noms de paquets de la même manière qu'ils génèrent toute autre séquence de tokens : en prédisant ce qui est statistiquement probable, pas en vérifiant un registre réel. Un modèle entraîné sur des millions de dépôts GitHub apprend que les instructions import pour les relances HTTP ont tendance à ressembler à quelque chose de précis, et il produira avec assurance un nom à l'apparence plausible même si aucun paquet de ce nom n'a jamais été publié. Les assistants de codage à récupération d'information ou capables d'utiliser des outils pour interroger PyPI ou npm en temps réel y sont moins exposés, mais de nombreux outils d'autocomplétion dans l'IDE et assistants conversationnels génèrent encore leurs suggestions uniquement à partir de poids pré-entraînés, surtout pour les bibliothèques moins courantes où les données d'entraînement sont rares.
Le problème s'aggrave avec la confiance du modèle. Les chercheurs ont constaté que les modèles nuancent rarement leurs noms de paquets inventés — jamais de « je ne suis pas certain que ce paquet existe », juste une ligne import propre et une commande d'installation propre. Les développeurs sous pression de délais copient-collent d'abord, et ne vérifient jamais.
Ce que les attaquants en font réellement
Une fois un nom de paquet hallucié identifié — par test manuel des assistants de codage populaires, ou en exploitant des recherches publiques sur l'hallucination comme l'étude de l'UTSA — l'attaquant enregistre exactement ce nom sur PyPI ou npm avec un paquet fonctionnel qui fait en apparence quelque chose d'anodin mais qui est malveillant en dessous : un voleur d'identifiants, un reverse shell déclenché à l'import, ou un mineur de cryptomonnaie lancé sur un thread en arrière-plan. L'incident de novembre où le paquet agent-framework de Microsoft lui-même a été détourné sur PyPI via deux versions empoisonnées — qui exécutaient un voleur d'identifiants via un hook de démarrage .pth de Python et ont exposé environ 190 000 téléchargements mensuels avant le retrait du paquet — utilisait un vecteur d'entrée différent (un compte de mainteneur compromis), mais il illustre le même schéma de charge malveillante sous-jacent sur lequel repose le slopsquatting : du code qui s'exécute automatiquement à l'installation ou à l'import, avant qu'aucun humain ne le relise.
Cette asymétrie favorise nettement l'attaquant. Publier un paquet sur PyPI ou npm ne coûte rien et prend quelques minutes. Chaque installation réussie est une machine de développeur, un runner CI ou un conteneur de production déjà équipé d'une porte dérobée — souvent avec les mêmes permissions que celles du pipeline ayant exécuté la commande d'installation.
Ce qui réduit vraiment le risque
Interdire les assistants de codage IA n'est ni réaliste ni la bonne solution — le taux d'hallucination est une propriété du modèle, pas un problème lié au choix de l'assistant, et il apparaît aussi dans les outils conversationnels. Ce qui aide réellement :
Figez les dépendances et versionnez les fichiers de verrouillage. Un package-lock.json, poetry.lock ou requirements.txt avec des hachages signifie qu'un nom de paquet nouvellement suggéré doit franchir une étape de revue explicite, plutôt que d'être intégré silencieusement dans la prochaine build.
Traitez toute nouvelle dépendance suggérée par l'IA comme un changement à examiner, pas une commande à exécuter. Avant d'installer, vérifiez la page du registre du paquet : date de publication, nombre de téléchargements, historique du mainteneur. Une bibliothèque censée résoudre un problème courant mais publiée il y a trois semaines sans aucune version antérieure est un signal, pas une coïncidence.
Utilisez un proxy de registre privé avec liste d'autorisation pour les systèmes CI et de build. Des outils comme Artifactory, Nexus ou les registres scopés propres à npm permettent à une équipe de restreindre quels paquets peuvent se résoudre dans les pipelines automatisés, fermant ainsi la cible la plus précieuse — les runners CI aux identifiants étendus — même si la machine locale d'un développeur n'est pas aussi verrouillée.
Exécutez les scripts d'installation dans un bac à sable. Le drapeau --ignore-scripts de npm et les options équivalentes dans l'empaquetage Python empêchent les hooks d'installation d'un paquet malveillant d'exécuter du code arbitraire dès son téléchargement, ce qui neutralise le mécanisme de charge le plus courant du slopsquatting même si le mauvais paquet passe les autres filtres.
La solution de fond est culturelle : les suggestions de code générées par IA, y compris les dépendances qu'elles entraînent, doivent recevoir le même examen qu'une pull request d'un contributeur inconnu — pas la confiance que les développeurs accordent à leurs propres imports tapés à la main. La recherche de 2025 a rendu mesurable l'ampleur des paquets hallucinés ; l'incident agent-framework de Microsoft en a rendu le rayon d'impact concret. Traitez chaque nouveau nom de paquet suggéré par un assistant comme non vérifié jusqu'à ce que le registre prouve le contraire.