Anthropic a publié le 2 juillet 2026 de nouveaux détails sur les garde-fous de Fable 5 en matière de cybersécurité, quelques jours après le retour du modèle sur Claude. L’entreprise en profite pour proposer, avec des partenaires du secteur, un barème commun pour noter la gravité des jailbreaks visant les IA. L’objectif affiché : équilibrer la détection des usages malveillants avec le maintien d’un usage légitime pour les professionnels de la sécurité.
Quatre catégories pour trier les usages cyber
Les classificateurs de sécurité de Fable 5 rangent désormais les requêtes en quatre niveaux. Les usages interdits (ransomware, sabotage d’infrastructures critiques, contournement d’antivirus, développement de malware) sont bloqués systématiquement. Les usages à double tranchant à haut risque — tests d’intrusion, développement d’exploits, escalade de privilèges, évasion de conteneurs — sont bloqués tant que les outils de contrôle ne sont pas jugés suffisants. Une troisième catégorie, à risque plus faible (renseignement en source ouverte, tests de protocoles cryptographiques), fait l’objet d’une simple surveillance. Enfin, les usages bénins comme la correction de vulnérabilités, le débogage ou la réponse à incident restent autorisés, avec suivi.
Anthropic reconnaît avoir élargi la marge de sécurité de Fable 5 par rapport aux modèles précédents : certaines requêtes légitimes sont bloquées par excès de prudence, quitte à générer davantage de faux positifs.
Un barème sectoriel pour noter la sévérité des jailbreaks
Développé avec des partenaires industriels regroupés sous le nom Glasswing, ce nouveau Cyber Jailbreak Severity (CJS) note chaque contournement selon quatre axes : le gain de capacité offert par rapport aux outils déjà disponibles, l’étendue des cibles concernées, la facilité à transformer la technique en outil utilisable, et enfin la facilité avec laquelle des attaquants pourraient la découvrir seuls. Le score final va de CJS-0 (aucun gain réel) à CJS-4 (critique), sur une échelle qui progresse de façon exponentielle plutôt que linéaire.
Un exemple cité dans le document d’Anthropic illustre bien la logique : la faille Log4Shell, avant sa divulgation publique en 2021, aurait été notée CJS-4 si un modèle avait permis de la découvrir seul. Aujourd’hui, la même question posée à une IA n’obtient plus aucun score, la faille étant déjà connue et corrigée — la sévérité se mesure toujours par rapport aux outils disponibles au moment de l’évaluation, pas dans l’absolu.
Pourquoi cette publication maintenant
Fable 5 avait été retiré temporairement après qu’Amazon a signalé au gouvernement américain une méthode permettant de contourner ses protections pour faire identifier des vulnérabilités logicielles. Anthropic précise que cette faille n’était pas propre à Fable 5 : Claude Opus 4.8, GPT-5.5 et Kimi K2.7 pouvaient repérer les mêmes vulnérabilités. Le modèle est revenu le 1er juillet avec des protections renforcées, validées par le CAISI (Center for AI Standards and Innovation) américain.
Anthropic ouvre par ailleurs un programme de bug bounty sur HackerOne dédié aux signalements de jailbreaks cyber, et une adresse email directe (cyber-safeguards@anthropic.com) pour les chercheurs en sécurité. L’entreprise défend l’idée que bloquer toute recherche de vulnérabilité nuirait au travail défensif légitime : seule l’identification de failles à fort potentiel offensif, dépassant ce que les modèles déjà répandus permettent de trouver, reste ciblée par les restrictions.
Détails complets dans l’annonce officielle d’Anthropic.
Qu’est-ce que le Cyber Jailbreak Severity (CJS) ?
C’est un barème proposé par Anthropic et des partenaires du secteur pour noter la gravité d’un contournement de sécurité IA, sur une échelle de CJS-0 à CJS-4 selon quatre critères : gain de capacité, étendue, facilité de weaponisation et découvrabilité.
Pourquoi Fable 5 avait-il été retiré ?
Amazon avait signalé au gouvernement américain une méthode de contournement permettant de faire identifier des vulnérabilités logicielles par le modèle, ce qui a conduit à sa suspension temporaire avant son retour le 1er juillet 2026 avec des protections renforcées.
Les nouveaux garde-fous bloquent-ils tous les usages liés à la cybersécurité ?
Non. Les usages bénins comme la correction de vulnérabilités, le débogage ou la réponse à incident restent autorisés avec suivi ; seuls les usages jugés interdits ou à haut risque sont bloqués.
