Le malware VOLTA, un infostealer mature, vient d’intégrer une couche d’intelligence artificielle capable de transformer le vol de données en une opération de triage ciblé. Après avoir aspiré des identifiants, des sessions et des clés de portefeuilles de cryptomonnaies, ce logiciel malveillant envoie un ensemble d’éléments probants structuré à un grand modèle de langage (LLM) afin de classer les actifs de la victime selon leur valeur de monétisation.

Cette nouvelle approche dans le cybercrime consiste, en substance, à jeter un filet très large, récolter absolument tout, et laisser l’IA s’occuper du tri fin. Le logiciel, baptisé « VOLTA-AUTODOXER », se distingue par cette phase de profilage de la victime alimentée par un LLM. Il ne s’agit pas d’ajouter une fonctionnalité malveillante classique, mais de faire de l’IA un analyste de renseignement pour l’opérateur.

Ce qu’il collecte, c’est une liste exhaustive des traces de vie numérique modernes : mots de passe de navigateurs, cookies, cartes bancaires, phrases secrètes de portefeuilles crypto, sessions Discord ou Telegram, jetons Microsoft OAuth, clés SSH et de fournisseurs cloud. Mais le travail ne s’arrête pas à la simple collecte. VOLTA passe ensuite par une phase d’enrichissement en utilisant les sessions volées. Il peut, par exemple, interroger la messagerie Gmail de la victime pour retrouver des reçus Amazon, DoorDash, Uber Eats, Grubhub, Walmart et PayPal, permettant de corroborer une adresse de domicile. Il peut aussi consulter l’historique des commandes Uber Eats et DoorDash directement via les sessions volées.

Le paquet de données est ensuite sérialisé en JSON et envoyé à OpenRouter. Un prompt système exige du modèle qu’il agisse comme « un analyste de renseignement légaliste rédigeant une évaluation de la cible ». L’objectif est de produire une section intitulée « WHAT THEY’RE WORTH » où les actifs sont classés par niveau (faible/moyen/élevé) en fonction de leur potentiel de gain, et une section sur « THEIR OPSEC » pour juger de la posture de sécurité de la victime.

L’architecture de VOLTA est particulièrement résiliente. En cas de refus de performance par un modèle, le stealer bascule vers une chaîne de secours comprenant jusqu’à trois autres modèles. Ceci suggère que les auteurs anticipent activement les barrières de sécurité des LLM, cherchant à contourner les garde-fous en utilisant une approche en cascade. On observe d’ailleurs que la température du modèle est fixée à 0,2, une valeur basse qui indique une volonté d’obtenir une sortie déterministe et précise, plutôt que créative.

Au-delà du vol de crédentiels classiques

Ce qui distingue VOLTA des outils de vol plus basiques, c’est cette capacité à faire des liens entre des données disparates. Le prompt demande au modèle non pas de trouver des données, mais de les étirer pour en faire des inférences utiles. Par exemple, il peut tenter de faire le lien entre le nom de la victime, son adresse ou son université et les schémas de ses mots de passe. Il ne s’agit pas d’une simple copie de données, mais d’un dossier d’analyse construit.

Le processus d’inférence se déroule entièrement sur le réseau de la victime, sur sa propre machine, avant que le dossier final, regroupant le rapport d’identité et l’analyse IA, ne soit exfiltré dans un zip nommé « volta_dox.zip ». Le stealer est d’ailleurs auto-supprimable et n’utilise aucune infrastructure appartenant à l’attaquant.

Le fait que cette opération s’appuie sur l’envoi de données à des API externes comme OpenRouter montre que la sophistication passe par l’usage de services tiers pour réaliser l’analyse. Il faut surveiller comment les acteurs malveillants vont continuer d’exploiter les capacités de raisonnement des modèles pour transformer des données brutes en renseignements actionnables. D’autres acteurs de la menace tentent d’ailleurs de se faire passer pour des agents d’IA afin de scanner des données exposées, mais ici, l’IA est intégrée dans le processus de l’attaquant.

Sources

• Appraisal by AI: Model-driven victim prioritization in the VOLTA infostealer, Cisco Talos, 31 octobre 2026
• Attacker Relentlessly Scans for Credentials by Impersonating AI Bots, Dark Reading, 28 octobre 2026
• New Framework Puts Ransomware Resilience for AI Systems in Focus, Infosecurity Magazine, 30 octobre 2026

Crédits photo

• Image en une : AMDExtravaLANzaToronto9, par Raysonho @ Open Grid Scheduler / Grid Engine, CC0, via Wikimedia Commons (recadrée)
• Image dans l’article : Server Room (22397102849), par Carl Lender from Sunrise, USA, CC BY 2.0, via Wikimedia Commons (recadrée)