Quand j'interviens sur un environnement cloud, AWS en particulier, une des premières questions que je pose est simple : qui a le droit d'appeler les modèles d'IA, et qui surveille ce que ça coûte ? Le rapport publié le 2 novembre par Google Threat Intelligence Group (GTIG) et Mandiant montre pourquoi cette question n'a rien d'anecdotique.
Ils y décrivent le LLMjacking : des attaquants détournent l'accès d'une entreprise à des modèles de langage (LLM) hébergés dans le cloud, les utilisent ou revendent cet accès, et c'est la victime qui paie la facture. Les chiffres observés lors des interventions de Mandiant en 2026 parlent d'eux-mêmes : plus de 100 000 $ de consommation frauduleuse en une seule journée, et jusqu'à 1 million de dollars cumulés chez certaines organisations avant que l'accès ne soit coupé.
Comment ça marche, simplement
Contrairement au cryptojacking, qui grignote des ressources discrètement pendant des semaines, le LLMjacking produit des pics de coûts en quelques heures. Le scénario décrit par Google se déroule en quatre temps :
- L'accès initial : le plus souvent, une identité cloud exposée ou volée (clé IAM, clé de compte de service, jeton GitHub, session active), ou une clé d'API IA oubliée dans un dépôt de code public. Des serveurs de modèles exposés sans authentification, comme des instances Ollama, sont aussi visés.
- La validation discrète : les clés sont testées avec des requêtes minuscules, limitées à un seul token de réponse. Trop petites pour déclencher les alertes de volume des outils de détection.
- L'escalade : les attaquants créent de nouvelles clés, des comptes de service, et activent eux-mêmes des services IA comme Bedrock ou l'API Gemini. Dans plusieurs incidents, ces services n'étaient même pas utilisés par l'entreprise au moment de la compromission. Une faille dans une passerelle LiteLLM (CVE-2026-40217) a aussi servi à transformer de simples clés virtuelles en droits d'administration.
- La monétisation : l'accès est revendu via des « LLM mixers », des passerelles clandestines qui mutualisent les clés volées et proposent des abonnements à prix cassés à des modèles de pointe.
Ce que je constate sur le terrain
Ce rapport met des chiffres sur un angle mort que je rencontre régulièrement :
- Le budget IA n'est pas traité comme un risque de sécurité. On surveille les serveurs, rarement la consommation de tokens.
- Les clés de prototype survivent à la phase de test. Créées pour un POC, avec des droits larges, elles restent actives des mois, parfois dans un fichier de configuration ou un dépôt.
- Les droits cloud sont trop généreux. Un compte de service qui peut activer n'importe quel service géré ouvre la porte aux modèles les plus chers.
- Les journaux d'appels aux modèles sont souvent désactivés, par souci de coût ou de volume. Sans eux, l'enquête est aveugle.
L'enjeu dépasse la facture : une identité cloud compromise sert aussi à explorer les dépôts de code, les gestionnaires de secrets et les bases de données. La fraude à la consommation n'est souvent que la partie visible.
Ce que je recommande
Les bonnes pratiques sont connues. Ce qui fait la différence, c'est de les appliquer avec méthode. Voici mes réflexes :
- Moindre privilège par défaut : refuser l'accès aux services IA (Bedrock, Gemini, Azure OpenAI) à toute identité qui n'en a pas explicitement besoin.
- Des clés segmentées par modèle, par environnement (dev, prod) et par usage, pour qu'une clé de test ne puisse pas appeler un modèle haut de gamme.
- Des quotas et des plafonds de dépense, avec des alertes budgétaires qui arrivent chez quelqu'un capable d'agir.
- Un gestionnaire de secrets centralisé avec rotation automatique, et un scan des dépôts de code pour détecter les clés commitées.
- Une surveillance ciblée : toute activation d'un service IA doit être traitée comme un événement de sécurité. Sur AWS, CloudTrail permet de suivre les appels Bedrock (InvokeModel, Converse) et les tentatives de désactivation des journaux.
- Le correctif des passerelles IA (LiteLLM et consorts) au même rythme que le reste du SI.
Conclusion
Le LLMjacking illustre une réalité simple : l'IA générative est devenue une ressource cloud à forte valeur, donc une cible. La question n'est plus seulement « quel modèle choisir ? », mais « qui a le droit de l'appeler, combien, et qui est prévenu en cas d'abus ? ». C'est précisément le type de gouvernance que j'aide à mettre en place, de l'architecture des accès à la supervision des coûts.
Vous déployez des usages IA dans le cloud et souhaitez faire le point sur vos accès et vos garde-fous ? Échangeons-en.
Sources
- Google Threat Intelligence Group, The Rise of LLMJacking: How Threat Actors Monetize Compromised Cloud and Model Resources (2 novembre 2026) : https://cloud.google.com/blog/topics/threat-intelligence/llmjacking-monetizing-compromised-cloud-models/
- BleepingComputer, Google: LLMjacking attacks rack up $1 million in cloud AI charges (3 novembre 2026) : https://www.bleepingcomputer.com/news/security/google-llmjacking-attacks-rack-up-1-million-in-cloud-ai-charges/
- SiliconANGLE (2 novembre 2026) : https://siliconangle.com/2026/11/02/google-finds-llmjacking-attackers-running-up-100k-a-day-in-fraudulent-cloud-charges/
