Claude a participé à un programme de missile : le vrai danger est ailleurs
Au Yémen, une cellule a utilisé Claude Code comme une petite équipe d’ingénieurs logiciels pour travailler sur des systèmes de guidage, tester une fusée puis analyser son échec. Le cas est spectaculaire, mais il révèle surtout un phénomène plus profond : l’IA commence à rendre une expertise militaire rare beaucoup moins rare.
La fusée avait été tirée.
L’essai semble avoir échoué.
Quelques heures plus tard, ses développeurs sont revenus demander de l’aide à Claude pour comprendre pourquoi.
Cette scène n’est pas tirée d’un scénario de science-fiction.
Elle apparaît dans un rapport publié par Anthropic le 10 septembre 2026.
D’après l’enquête interne de l’entreprise, une cellule basée dans le nord du Yémen utilisait Claude Code dans plusieurs programmes d’armement. Le modèle intervenait notamment sur des logiciels de guidage, de navigation, de contrôle, de simulation et d’analyse.
Les utilisateurs ne se contentaient même plus de discuter avec une seule instance.
Ils faisaient travailler plusieurs Claude en parallèle.
L’un écrivait.
Un autre recherchait.
Un troisième relisait le travail produit par le premier.
Anthropic résume la situation avec une formule beaucoup plus importante qu’elle n’en a l’air :
Claude Code était utilisé à la place d’ingénieurs logiciels humains pour une partie du travail.
C’est là que se trouve le vrai sujet.
Pas dans l’idée simpliste qu’« une IA sait fabriquer un missile ».
Mais dans une question beaucoup plus profonde :
que se passe-t-il lorsque certaines compétences que seuls quelques spécialistes possédaient deviennent disponibles sous forme de logiciel ?
Commençons par ce que nous savons réellement
Le document d’Anthropic couvre des opérations détectées entre décembre 2025 et août 2026.
L’entreprise dit avoir identifié et interrompu des abus de Claude dans sept grandes catégories : cyberopérations, influence, surveillance, fraude, biologie, développement d’armes conventionnelles et distillation illicite de modèles.
La partie consacrée aux armes conventionnelles décrit six cas.
Trois sont attribués à des acteurs situés en Chine.
Deux à des acteurs situés en Russie.
Un au Yémen.
Certains utilisaient Claude directement pour développer du logiciel destiné à des systèmes d’armes.
D’autres s’en servaient pour de la recherche, du renseignement ou de l’approvisionnement.
Le cas yéménite est le plus spectaculaire parce qu’il dépasse la simulation.
Anthropic affirme avoir observé suffisamment d’éléments pour conclure qu’une fusée guidée avait réellement été testée.
Elle semble avoir échoué.
L’entreprise précise surtout quelque chose que beaucoup de titres oublieront :
elle ne possède pas de preuve montrant que la cellule ait réussi à déployer un système opérationnel.
C’est essentiel.
Claude n’a pas produit une arme miraculeusement fonctionnelle.
Il a participé à un processus d’ingénierie réel qui semblait encore rencontrer des difficultés sérieuses.
Et c’est précisément pour cela que ce cas est intéressant.
L’ingénierie n’est presque jamais un moment magique
On imagine souvent l’utilisation dangereuse d’une IA sous une forme spectaculaire.
Quelqu’un écrit :
Conçois-moi une arme.
L’IA répond.
L’arme existe.
La réalité de l’ingénierie est beaucoup plus ennuyeuse.
Et beaucoup plus inquiétante.
Il faut écrire du code.
Faire fonctionner une chaîne de compilation.
Construire une simulation.
Comparer des résultats.
Chercher un bug.
Modifier des paramètres.
Relancer.
Tester.
Observer un échec.
Revenir aux données.
Corriger.
Recommencer.
Une grande partie de la valeur économique d’une IA ne vient pas du fait qu’elle puisse trouver immédiatement la réponse parfaite.
Elle vient du fait qu’elle réduit le coût de chacune de ces petites itérations.
Le programme yéménite décrit par Anthropic illustre exactement cela.
Claude n’a pas remplacé l’ensemble du système militaire.
Il a raccourci certains morceaux de la boucle.
Et une boucle plus rapide finit par compter énormément.
Le détail le plus important est presque invisible : plusieurs Claude travaillaient ensemble
La cellule aurait utilisé différentes instances avec des fonctions séparées.
Code.
Recherche.
Relecture.
Cette organisation est intéressante parce qu’elle transforme l’IA d’un outil individuel en structure de travail.
Un ingénieur expérimenté peut normalement déléguer une tâche à plusieurs collègues.
Le problème est qu’il faut posséder ces collègues.
Les recruter.
Les payer.
Les coordonner.
Trouver des gens disposant des compétences nécessaires.
Les garder suffisamment longtemps.
Une organisation disposant d’un seul responsable technique et de plusieurs agents peut théoriquement reproduire une partie de cette division du travail à un coût totalement différent.
Cela ne transforme pas cinq agents Claude en cinq ingénieurs humains complets.
Ils peuvent commettre les mêmes erreurs.
Ils peuvent partager les mêmes angles morts.
Leur relecture mutuelle peut donner une illusion de consensus.
Et certaines tâches restent hors de portée sans expertise pratique.
Mais économiquement, le changement est déjà immense.
Parce qu’un manque de spécialistes n’est plus nécessairement un mur.
Il peut devenir simplement un ralentissement.
C’est ce que j’appellerais la compression de l’expertise
Pendant longtemps, certaines capacités étaient difficiles d’accès non parce que l’information était secrète, mais parce que savoir l’utiliser correctement exigeait des années de formation.
Les équations peuvent être publiques.
Les bibliothèques logicielles peuvent être publiques.
La documentation peut être publique.
Le code open source peut être disponible.
Pourtant, très peu de personnes sont capables d’assembler tout cela en système fonctionnel.
La connaissance existe.
L’expertise manque.
Les modèles de frontière commencent précisément à réduire cette distance.
Anthropic a développé en parallèle de son rapport plusieurs évaluations consacrées au renseignement tactique et aux systèmes d’armes conventionnels.
Sa conclusion est importante :
sur certaines tâches, les modèles actuels sont capables d’accomplir des travaux qui exigeaient historiquement des experts humains rares et fortement formés.
Cela ne veut pas dire qu’ils maîtrisent toute l’ingénierie militaire.
Les évaluations comportent des simulations.
Les résultats se dégradent dans les environnements les plus difficiles.
Et surtout, une simulation n’est pas un champ de bataille.
Mais la direction est claire.
Une compétence rare peut progressivement devenir un service calculable.
Et lorsque cela arrive, le nombre de personnes pouvant tenter certaines opérations augmente.
Les contraintes matérielles n’ont évidemment pas disparu
Une IA ne fabrique pas un moteur avec des tokens.
Elle ne produit pas les composants.
Elle ne construit pas une usine.
Elle ne remplace pas un banc d’essai.
Elle ne transforme pas automatiquement une simulation qui fonctionne en système robuste dans le monde réel.
Anthropic le reconnaît elle-même.
Pour beaucoup d’acteurs, l’accès au matériel, aux composants, à la fabrication, aux essais et à la logistique restera un goulot d’étranglement majeur.
C’est une distinction fondamentale.
L’IA peut démocratiser une partie de l’expertise sans démocratiser instantanément toute la capacité industrielle nécessaire pour exploiter cette expertise.
Mais réduire un seul goulot d’étranglement peut suffire à modifier l’équilibre.
Si une organisation possède déjà le matériel mais manque de spécialistes logiciels, l’IA lui apporte exactement la ressource dont elle manque.
Si elle possède les spécialistes mais pas assez nombreux pour analyser toutes ses données, même chose.
Si elle possède un programme existant mais avance lentement faute de capacité de simulation ou de débogage, même chose.
L’IA ne doit pas résoudre toutes les contraintes.
Elle doit simplement en supprimer une suffisamment importante.
Les protections ont fonctionné — partiellement
Le rapport d’Anthropic ne raconte pas l’histoire d’un système de sécurité totalement absent.
De nombreuses demandes auraient été bloquées.
Les utilisateurs ont donc employé plusieurs tactiques pour contourner les protections.
Ils auraient notamment dissimulé l’objectif final de certaines tâches et réparti leur travail entre plusieurs conversations afin qu’aucune session isolée ne révèle nécessairement l’ensemble du programme.
Ce comportement révèle un problème très difficile pour les fournisseurs de modèles.
Une immense partie des technologies nécessaires à un système militaire possède également des utilisations civiles parfaitement légitimes.
Un algorithme de contrôle.
Une simulation.
Un système embarqué.
Un logiciel de vision.
Une optimisation de trajectoire.
Un outil de traitement de signal.
Un modèle ne peut pas simplement refuser tout ce qui touche à ces sujets.
Ce serait équivalent à refuser une partie considérable de l’ingénierie moderne.
Le défi consiste à détecter l’intention globale derrière une succession de demandes qui, prises individuellement, peuvent être banales.
Et un adversaire intelligent sait précisément que cette intention est ce qu’il doit cacher.
Le modèle voit une tâche. L’adversaire voit un programme.
C’est probablement l’un des problèmes les plus importants que révèle le rapport.
Un système de sécurité traditionnel peut examiner une requête :
« Est-ce dangereux ? »
Mais une opération complexe peut être composée de cent requêtes parfaitement raisonnables.
La demande A porte sur un morceau de code.
La B sur une erreur de compilation.
La C sur un capteur.
La D sur une simulation.
La E sur l’analyse de télémétrie.
Aucune ne dit :
« voici mon programme militaire complet ».
L’utilisateur possède le contexte global.
Le modèle, lui, peut ne voir qu’un fragment.
La sécurité des agents avancés devra donc progressivement raisonner non seulement sur ce qui est demandé maintenant, mais sur la trajectoire entière d’un projet.
C’est beaucoup plus difficile.
Cela suppose de relier les sessions.
Comprendre les dépendances.
Détecter des objectifs cachés.
Et le faire sans transformer chaque ingénieur, chercheur ou étudiant légitime en suspect.
Claude n’est d’ailleurs pas le seul problème
Une autre conclusion d’Anthropic mérite d’être soulignée.
Les modèles ouverts ou semi-ouverts testés par l’entreprise restent globalement derrière les meilleurs systèmes propriétaires sur certaines évaluations militaires.
Mais plusieurs montrent déjà des capacités préoccupantes.
Autrement dit, même si Anthropic construisait demain un filtre parfait autour de Claude, le problème ne disparaîtrait pas.
Un acteur peut changer de fournisseur.
Utiliser plusieurs modèles.
Passer par des revendeurs.
Utiliser un modèle ouvert localement.
Mélanger les outils selon la tâche.
Le rapport de septembre décrit d’ailleurs plusieurs opérations dans lesquelles les acteurs combinaient déjà plusieurs fournisseurs d’IA pour des rôles différents.
Cela limite fortement l’idée selon laquelle le problème pourrait être réglé uniquement par une meilleure modération d’un chatbot américain.
Les modèles fermés offrent cependant quelque chose que les modèles locaux n’offrent généralement pas à leur créateur :
de la visibilité.
Les laboratoires deviennent des services de renseignement involontaires
C’est une conséquence extrêmement étrange de cette nouvelle époque.
Historiquement, découvrir qu’un groupe développe un système d’armes nécessitait du renseignement humain, des interceptions, des images satellites, du matériel récupéré, des enquêtes ou des sources ouvertes.
Anthropic se retrouve aujourd’hui dans une position différente.
Si un acteur utilise directement Claude pour travailler, l’entreprise peut parfois observer des traces de cette activité sur sa propre plateforme.
Elle peut repérer des schémas.
Relier des comptes.
Voir les types de problèmes traités.
Identifier des tentatives de contournement.
Fermer l’accès.
Puis transmettre certains renseignements à des autorités ou à d’autres entreprises.
Un fournisseur de modèle devient ainsi, presque accidentellement, un point d’observation sur des opérations qui autrefois auraient été invisibles pour lui.
C’est puissant.
Mais cela crée également une dépendance nouvelle.
Parce qu’une grande partie des faits que nous connaissons aujourd’hui sur ces opérations vient précisément de l’entreprise qui a fourni le modèle.
Il faut donc lire le rapport pour ce qu’il est
Anthropic a accès à des données internes que les journalistes et chercheurs indépendants n’ont pas.
C’est sa force.
Mais le rapport reste un rapport d’Anthropic sur Anthropic.
Nous ne disposons pas publiquement de l’ensemble des données brutes permettant de reproduire chaque attribution.
Les noms internes donnés aux groupes sont ceux d’Anthropic.
Certaines évaluations d’intention et d’origine reposent sur son analyse.
Il serait donc excessif de traiter chaque conclusion comme si elle avait été indépendamment établie devant un tribunal.
Reuters et d’autres médias ont vérifié l’existence du rapport et interrogé son contenu, mais ils ne disposent évidemment pas de la télémétrie complète de l’entreprise.
La bonne position n’est ni de croire aveuglément Anthropic ni de rejeter le document.
C’est de distinguer :
ce qu’Anthropic affirme avoir directement observé ;
ce qu’elle en déduit ;
et ce que ces observations suffisent déjà à démontrer sans accepter toutes les déductions.
Or même avec cette prudence, une chose reste difficile à ignorer.
Des acteurs réels considèrent déjà les modèles suffisamment utiles pour les intégrer à des opérations réelles.
Une IA n’a pas besoin d’être meilleure que le meilleur expert du monde
C’est peut-être l’erreur la plus fréquente dans les discussions sur le risque.
On demande :
« Claude est-il meilleur qu’un ingénieur militaire extrêmement expérimenté ? »
Ce n’est pas nécessairement la bonne question.
La vraie comparaison peut être :
Claude est-il meilleur que l’ingénieur que cet acteur aurait pu recruter autrement ?
Pour une grande puissance disposant de milliers de spécialistes, le gain peut être une accélération.
Pour une petite organisation isolée disposant de peu d’expertise, le même modèle peut remplir un vide beaucoup plus important.
Le niveau absolu de l’IA importe donc moins que l’écart entre ses capacités et les ressources initiales de son utilisateur.
Un outil moyen peut produire un énorme avantage lorsqu’il remplace quelque chose qui n’existait pas.
C’est cela, l’« uplift » que les équipes de sécurité essaient désormais de mesurer.
Le test raté au Yémen est presque plus instructif qu’un succès
À première vue, l’échec de la fusée pourrait rassurer.
Claude n’a pas produit un système parfait.
Très bien.
Mais ce n’est pas forcément le bon enseignement.
Les programmes d’ingénierie échouent.
Les prototypes échouent.
Les fusées humaines explosent.
Les logiciels humains contiennent des bugs.
Un échec devient dangereux lorsqu’il peut être analysé rapidement et transformé en nouvelle itération.
Et c’est exactement ce qu’Anthropic affirme avoir observé.
Quelques heures après l’essai, les utilisateurs revenaient vers Claude pour comprendre ce qui s’était passé.
La machine n’avait pas supprimé l’échec.
Elle avait commencé à réduire le coût de l’apprentissage après l’échec.
Dans beaucoup de domaines technologiques, c’est presque aussi important.
Nous avons longtemps protégé certaines capacités en protégeant l’information
Classifié.
Secret-défense.
Accès restreint.
Contrôle des exportations.
Mais une grande partie de l’expertise moderne repose sur autre chose.
Des informations sont déjà publiques.
Ce qui les protège est leur complexité.
Le fait qu’il faille un spécialiste pour les comprendre.
Des années pour apprendre à les combiner.
De l’expérience pour distinguer une idée théorique d’une solution utilisable.
C’est une barrière invisible.
Et c’est exactement cette barrière que les modèles commencent à éroder.
La question de sécurité n’est donc plus seulement :
quelles informations une IA peut-elle révéler ?
Elle devient :
quelles compétences peut-elle rendre disponibles à quelqu’un qui ne les possédait pas ?
Ce déplacement est considérable.
Parce qu’une information interdite peut être filtrée.
Une expertise générale est beaucoup plus difficile à enfermer.
Le vrai danger n’est probablement pas le missile
Le missile attire naturellement l’attention.
Il est concret.
Spectaculaire.
Facile à comprendre.
Mais il risque de masquer le changement plus profond.
Le même mécanisme peut s’appliquer au cyberespionnage.
À la surveillance.
À l’analyse de données.
À la propagande.
À la fraude.
À la recherche biologique.
À l’ingénierie.
À toutes les activités où le facteur limitant était jusqu’ici la quantité de personnes suffisamment compétentes pour faire le travail.
Les modèles de frontière commencent à attaquer directement cette rareté.
Et lorsqu’une technologie réduit la rareté de l’expertise, elle ne donne pas seulement de nouveaux outils aux acteurs les plus puissants.
Elle peut faire entrer de nouveaux acteurs dans des domaines auxquels ils n’avaient auparavant pas accès.
C’est peut-être cela que le rapport d’Anthropic documente pour la première fois avec autant de netteté.
Nous avons passé des années à nous demander ce qu’il se passerait si une intelligence artificielle devenait capable d’inventer une arme entièrement nouvelle.
Pendant ce temps, une transformation plus discrète commence déjà.
Elle n’a pas besoin d’inventer le savoir humain.
Elle doit seulement le rendre beaucoup moins rare.