Un email arrive dans la boîte de votre comptable. Il semble venir d’un fournisseur habituel, mentionne une facture en cours, demande de mettre à jour les coordonnées bancaires avant le prochain virement. Le français est parfait, le ton est familier, la signature est correcte. C’est un faux. Et votre filtre antispam l’a laissé passer sans broncher.
Ce scénario n’est plus une hypothèse. Selon les travaux publiés par AWS sur leur blog Machine Learning, les attaques de phishing générées par IA contournent systématiquement les filtres traditionnels parce qu’elles ne ressemblent plus aux phishings d’hier.
Le phishing a changé de visage : pourquoi vos filtres actuels ne suffisent plus
Pendant longtemps, repérer un email frauduleux était relativement simple : fautes d’orthographe, adresse d’expéditeur bizarre, mise en page approximative, lien suspect. Ces signaux visuels ont conditionné les réflexes des utilisateurs et les règles des filtres automatiques.
Ce temps est révolu. Les outils d’IA générative permettent aujourd’hui de produire des emails grammaticalement irréprochables, dans n’importe quelle langue, avec un ton adapté au destinataire. Un attaquant peut générer des milliers de messages personnalisés en quelques heures, chacun adapté à sa cible.
Pour une PME de 30 à 150 employés, cela signifie concrètement que la formation classique — « méfiez-vous des fautes de frappe » — ne protège plus grand-chose.
Ce que l’IA générative permet aux cybercriminels aujourd’hui
Les attaquants combinent deux ressources accessibles à tous : les outils d’IA générative et l’OSINT (Open Source Intelligence), c’est-à-dire les informations publiquement disponibles sur votre entreprise.
LinkedIn indique qui est responsable des finances. Votre site web mentionne vos partenaires et fournisseurs. Les signatures email de vos collaborateurs révèlent leur titre, leur numéro direct, parfois leur hiérarchie. En quelques minutes, un attaquant peut construire un profil précis d’une cible et rédiger un message qui imite parfaitement le contexte de travail réel.
Exemple concret : un faux email prétendant venir de votre cabinet fiduciaire habituel, adressé nommément à votre directrice administrative, mentionnant le nom exact de votre expert-comptable, et demandant un virement urgent vers un nouveau compte « suite à un changement bancaire ». Aucune faute. Aucun lien suspect. Juste une demande qui semble légitime.
Pourquoi les filtres traditionnels ne détectent pas ces attaques
SPF, DKIM, DMARC : ces protocoles vérifient que l’email a bien été envoyé depuis le serveur autorisé pour ce domaine. Ils ne disent rien sur l’intention du message. Un email parfaitement authentifié techniquement peut être une attaque de type BEC (Business Email Compromise).
Les filtres antispam classiques fonctionnent sur des signatures connues, des listes noires, des patterns répétitifs. Un message généré par IA, unique, sans lien malveillant, envoyé depuis un domaine proche du vrai (ex. fournisseur-sa.ch au lieu de fournisseur.ch) passe souvent sans alerte.
Ce que ces filtres ne font pas : analyser si ce type de demande est cohérent avec le comportement habituel de l’expéditeur, si c’est la première fois qu’il demande un changement de coordonnées bancaires, si le ton correspond à ses échanges précédents.
Amazon Bedrock : une couche d’analyse comportementale par-dessus votre infrastructure email
Amazon Bedrock est un service managé d’AWS qui donne accès à des modèles de fondation pré-entraînés (Claude, Titan, Llama, etc.) via une API. Il n’est pas nécessaire d’entraîner son propre modèle ni de gérer une infrastructure d’IA. On l’appelle, on lui soumet du texte, il répond.
Selon la source AWS Machine Learning, le pipeline de détection phishing repose sur cinq étapes :
- Guardrails d’entrée : avant même l’analyse, des règles filtrent et anonymisent les données sensibles pour éviter qu’elles ne transitent inutilement.
- Construction du prompt avec contexte : l’email est soumis au modèle avec le contexte de l’expéditeur (historique des échanges, comportements habituels).
- Analyse IA : le modèle évalue la cohérence du message par rapport au profil connu de l’expéditeur.
- Scoring multi-facteurs : un score de 0 à 100 est attribué, combinant plusieurs signaux (anomalie de domaine, nature de la demande, écart de ton).
- Routage automatique : selon le score, l’email est transmis normalement, mis en quarantaine ou signalé pour révision humaine.
Ce système s’intègre à l’infrastructure email existante. Il ne remplace pas votre messagerie, il s’y ajoute comme une couche d’analyse supplémentaire.
Comment fonctionne l’analyse comportementale : l’exemple concret
Dans l’exemple détaillé par AWS, un email semble provenir de « Michael Chen », fournisseur habituel. Le message demande de mettre à jour ses coordonnées bancaires. Techniquement, l’email est valide.
Bedrock détecte plusieurs anomalies comportementales :
- C’est la première fois que cet expéditeur fait une telle demande dans l’historique des échanges.
- Le domaine expéditeur présente un écart d’un caractère par rapport au domaine habituel.
- Le ton du message est légèrement plus formel que les échanges précédents du même contact.
Ces signaux isolés seraient ignorés par un filtre classique. Combinés, ils génèrent un score élevé et déclenchent une alerte. Un humain est notifié pour vérifier avant tout traitement.
Trois cas d’usage concrets pour des PME romandes
Cabinet fiduciaire
Un faux email d’un client demande un virement urgent avec de nouvelles coordonnées bancaires, prétextant un changement de banque. Bedrock détecte que c’est la première demande de ce type de cet expéditeur et que le domaine diffère d’un caractère. L’email est mis en attente, le collaborateur est alerté, il rappelle le client pour confirmer. Le virement ne part pas.
Cabinet médical
Un email prétendument envoyé par un prestataire informatique demande des accès à distance pour une « mise à jour urgente ». Le système détecte une incohérence : ce prestataire n’a jamais fait ce type de demande par email dans l’historique. L’alerte est remontée au responsable avant toute action.
PME industrielle avec sous-traitants
Un email imitant un sous-traitant habituel demande de valider une commande modifiée avec un nouveau RIB. Bedrock croise la demande avec l’historique des échanges et signale que le format de la demande est inhabituel pour cet expéditeur. La demande est bloquée en attente de vérification téléphonique.
Ce que cela change concrètement pour une PME : moins de bruit, plus de pertinence
L’un des problèmes des systèmes de sécurité classiques est le volume de faux positifs : des emails légitimes bloqués, des alertes qui s’accumulent sans priorité claire. Le scoring comportemental de Bedrock permet de concentrer l’attention humaine sur les vraies anomalies.
Le système s’améliore en continu grâce aux retours de l’équipe : quand un responsable confirme ou infirme une alerte, cette information alimente le modèle. Les premières semaines demandent un investissement de calibration plus important — c’est une réalité à anticiper.
Faut-il être développeur pour implémenter cela ?
Soyons directs : oui, il faut des compétences techniques. Implémenter ce pipeline nécessite un accès AWS configuré, des notions d’API, la mise en place des Guardrails Bedrock, et une intégration avec votre infrastructure email (Microsoft 365, Google Workspace ou autre).
Pour une PME sans équipe IT interne, cela passe par un prestataire ou intégrateur AWS. Le niveau d’effort initial est réel : comptez plusieurs jours de configuration et quelques semaines de calibration. Ce n’est pas un outil qu’on active en un clic.
Pour les PME soumises à des obligations de conformité — LPD en Suisse, secteur médical, financier — l’investissement se justifie d’autant plus que les conséquences d’une fuite de données ou d’un virement frauduleux sont lourdes.
Ce que cette approche ne remplace pas
L’IA détecte mieux, mais elle ne remplace pas la vigilance humaine. Quelques points fermes :
- Un changement de coordonnées bancaires doit toujours être confirmé par téléphone, quel que soit le système en place.
- La formation des collaborateurs reste indispensable : un système d’alerte n’est utile que si quelqu’un le lit et agit.
- Aucun système automatique n’a un taux de détection de 100 %. Des attaques passeront. La résilience organisationnelle compte autant que la technologie.
Bedrock est un outil supplémentaire dans une stratégie de sécurité, pas une solution miracle.
