Faille Near AI : données exposées et limites des TEE
La faille SGLang chez Near AI a exposé des comptes et des agents IA. Ce que l’incident révèle sur les TEE, les clés API et la sécurité des services.

La faille de Near AI rappelle les limites de la confidentialité dans l'IA
Une infrastructure pensée pour protéger les requêtes d'intelligence artificielle ne garantit pas, à elle seule, l'immunité face à une intrusion. Near AI l'a appris après l'exploitation d'une faille dans SGLang, un moteur open source utilisé pour faire fonctionner des modèles d'IA. L'attaquant a pu accéder à des systèmes internes et télécharger des informations liées à environ cent comptes, ainsi que des données provenant de 18 agents IA.
Cela ne veut pas dire que toutes les conversations privées ont été dérobées. Near AI indique n'avoir trouvé aucun élément montrant que les conversations et fichiers stockés dans sa fonctionnalité Private Chat auraient été consultés. En revanche, l'enquête ne ferme pas la porte à l'hypothèse que des requêtes confidentielles, en cours de traitement, aient pu être visibles. Cette différence entre ce qui est confirmé comme exposé et ce qui reste une possibilité aide à mieux comprendre ce qui s'est réellement passé.
Dans cet incident, on retrouve trois questions clés : ce qui a été touché, pourquoi les environnements d'exécution de confiance n'ont pas suffi, et ce que cela implique pour les entreprises qui confient des données sensibles à des services d'IA. Pour les acteurs du Web3, le sujet ne s'arrête pas à Near : la confidentialité dépend aussi des logiciels, des accès et des pratiques opérationnelles autour de la blockchain.
Quelles données l'attaque contre Near AI a-t-elle exposées ?
Selon le rapport publié par Near AI le 9 novembre, l'attaquant a exploité une vulnérabilité d'exécution de code à distance dans SGLang. Ce logiciel open source sert à exécuter des modèles et à produire des réponses aux requêtes. Après avoir pris le contrôle d'un serveur d'inférence, l'intrus a exécuté des commandes, puis accédé à d'autres éléments de l'infrastructure de l'entreprise.
L'enquête relie l'intrusion à un système interne associé à Private Chat, une fonctionnalité que Near AI avait déjà arrêtée. Les données téléchargées comprennent des noms et des adresses électroniques d'environ 100 utilisateurs. Pour certains comptes, des informations sur l'offre souscrite et le solde figuraient aussi dans les éléments concernés. L'entreprise affirme n'avoir trouvé aucun signe de consultation des conversations ou des fichiers stockés dans Private Chat.
Un second lot de données concernait 18 agents issus d'une ancienne version de Near AI Agents. L'attaquant a récupéré leurs historiques de conversation, leurs paramètres et leurs journaux. Ces agents n'étaient pas exécutés dans l'environnement de calcul confidentiel de NEAR AI : autrement dit, la protection annoncée pour les traitements confidentiels ne couvrait pas ces données héritées.
Les journaux ont aussi mis en évidence des clés API NEAR AI Cloud appartenant à deux clients. Near AI indique avoir révoqué ces deux clés, mais sans préciser si elles avaient été utilisées par l'attaquant. Il faut donc distinguer l'exposition des identifiants, confirmée, d'une utilisation malveillante, qui n'est pas démontrée dans le rapport.
Enfin, Near AI estime que des requêtes confidentielles traitées le 8 novembre auraient pu être visibles pendant leur traitement. C'est un risque identifié par l'enquête, et pas une preuve que des conversations précises ont été récupérées. L'entreprise dit aussi avoir averti les utilisateurs concernés, ainsi que les propriétaires des 18 agents touchés.
À retenir : les données confirmées comme téléchargées incluent des informations de compte, des données de 18 agents et deux clés API. L'accès aux requêtes confidentielles en cours reste une possibilité, tandis que la consultation des conversations stockées dans Private Chat n'est pas établie.
Pourquoi les environnements confidentiels n'ont-ils pas suffi ?
NEAR AI s'appuie sur des environnements d'exécution de confiance, ou TEE, pour isoler les traitements et limiter l'accès des personnes qui administrent le serveur. L'idée générale est simple : des protections matérielles maintiennent les données séparées pendant leur traitement. En théorie, cela réduit le risque qu'un administrateur ou un fournisseur d'infrastructure lise directement les requêtes.
Mais un TEE ne rend pas le logiciel invulnérable. C'est justement là que l'incident se situe : Near AI a reconnu que cette technologie ne protège pas contre une faille dans le programme exécuté à l'intérieur de l'environnement sécurisé. Si un attaquant exploite une vulnérabilité pour faire exécuter du code, l'isolation matérielle ne suffit plus à garantir l'intégrité des traitements.
On peut comparer cela à une salle sécurisée, avec des contrôles d'accès physiques. La porte empêche les intrusions non autorisées. Pourtant, si quelqu'un exploite une faiblesse du système installé dans la salle, le contrôle d'entrée ne corrige pas le problème. La sécurité dépend alors aussi des correctifs, de la configuration des services, de la séparation des systèmes et des droits accordés aux composants.
Ce point compte pour les entreprises qui choisissent un service d'IA en se basant sur une promesse de confidentialité. Le matériel sécurisé reste une couche de protection, pas une garantie globale. Il faut aussi regarder les logiciels d'inférence, la gestion des secrets, les journaux, les accès administratifs, et le sort des anciennes fonctionnalités. Un système peut être robuste sur un aspect et vulnérable sur un autre.
L'incident est d'autant plus sensible pour Near AI, qui met la confidentialité au centre de son offre. En octobre, l'entreprise a annoncé que l'assistant de navigateur Leo de Brave utilisait son infrastructure d'inférence confidentielle pour un modèle pris en charge. Le rapport ne dit pas que des utilisateurs de Brave ont été affectés : on ne peut donc pas déduire une exposition de leurs données à partir de ces seuls éléments.
La vulnérabilité exploitée n'est pas identifiée publiquement par Near AI dans son rapport. Des chercheurs du CERT Coordination Center de Carnegie Mellon avaient documenté six vulnérabilités de SGLang en juillet, dont certaines pouvaient, selon la configuration, permettre l'exécution de commandes ou l'exposition d'identifiants. Cela ne prouve pas pour autant que la faille à l'origine de l'incident soit l'une de celles-là. Near AI dit avoir signalé la vulnérabilité aux développeurs de SGLang.
Quelles leçons de sécurité tirer de cet incident ?
La première leçon, c'est de raisonner en chaîne de confiance, pas seulement en « boîte » isolée. Un service peut protéger des données avec un TEE, tout en restant exposé par son serveur d'inférence, par une dépendance logicielle, par un système interne, ou par un ancien déploiement. La question n'est donc pas uniquement « les données sont-elles chiffrées ? », mais aussi « quels composants les traitent, avec quels privilèges, et que se passe-t-il si l'un d'eux est compromis ? ».
La deuxième leçon concerne le cycle de vie des produits. Les données touchées incluaient celles d'agents issus d'une ancienne version et provenaient d'un système rattaché à une fonctionnalité arrêtée. Couper une interface ne supprime pas forcément tout le reste : systèmes, journaux, comptes de service et données historiques peuvent continuer d'exister quelque part. Une « désactivation » doit inclure l'inventaire des composants, la révocation des accès, la suppression (ou la conservation justifiée) des données, et la vérification des dépendances restantes.
La troisième leçon porte sur les identifiants. Des clés API exposées peuvent permettre à une application d'accéder à un service avec les droits associés à cette clé. Révoquer immédiatement est indispensable, mais la prévention passe aussi par la durée de vie des secrets, leur périmètre et leur stockage. Une clé limitée à un environnement et à quelques opérations est moins risquée qu'un secret permanent qui ouvre plusieurs ressources. La rotation des clés doit être planifiée avant l'incident, pas lancée dans l'urgence.
Near AI affirme avoir révoqué les sessions actives et les identifiants administratifs, remplacé les jetons des agents, mis Private Chat hors ligne et déployé un correctif de SGLang sur ses serveurs d'inférence. L'entreprise indique aussi avoir terminé la rotation des autres identifiants et réalisé une revue forensique. Ce sont de bonnes mesures de réponse, mais elles ne dispensent pas de revenir aux causes : comment l'accès initial a-t-il été possible, quels systèmes étaient accessibles ensuite, et quelles protections n'ont pas tenu ?
Pour les projets crypto, l'enjeu est réel, parce que les applications combinent souvent des éléments décentralisés et des briques centralisées. Une blockchain peut rendre certaines opérations vérifiables, mais elle ne protège pas automatiquement un serveur d'IA, une clé API ou une base de données hors chaîne. L'adoption institutionnelle dépend aussi de contrôles opérationnels vérifiables, de procédures de notification, et d'une capacité à circonscrire vite un incident.
Dans l'Union européenne, une organisation qui traite des données personnelles doit examiner ses obligations au titre du RGPD selon les faits de l'incident. Les notifications à l'autorité de contrôle et l'information des personnes concernées dépendent notamment du risque pour leurs droits et libertés. Le rapport de Near AI indique que l'entreprise fera les notifications réglementaires requises, sans préciser quels dispositifs s'appliquent exactement dans ce cas.
Que doivent vérifier les utilisateurs et les entreprises ?
Pour un utilisateur, l'incident doit d'abord pousser à la prudence, pas à la panique. Near AI demande notamment d'être attentif aux messages non sollicités qui font référence à un compte ou à un solde. Un nom, une adresse électronique ou une information de compte peuvent rendre une tentative d'hameçonnage plus crédible, même si aucun mot de passe n'a été signalé comme dérobé dans les éléments communiqués.
Si vous avez utilisé le service, les démarches raisonnables sont les suivantes :
- vérifier les communications reçues et ne pas transmettre vos identifiants en réponse à un message inattendu ;
- passer par les canaux officiels du service pour vérifier l'état de votre compte ;
- si vous avez utilisé une clé API concernée ou réutilisé un secret, révoquer puis remplacer ce secret ;
- regarder les autorisations accordées aux applications qui utilisent vos clés ;
- éviter de réutiliser le même mot de passe entre plusieurs services.
Pour une entreprise, la priorité est d'identifier quelles données et quels traitements dépendaient du service. Il faut recenser les agents déployés, les clés API, les historiques conservés et les traitements susceptibles d'avoir inclus des données personnelles ou des informations confidentielles. Cette cartographie permet de décider s'il faut changer la configuration, faire tourner les secrets, ou informer les équipes.
Avant d'adopter un fournisseur d'IA « confidentiel », mieux vaut demander des réponses précises à des questions concrètes : quels composants exécutent le modèle ? Comment les vulnérabilités sont-elles corrigées ? Les secrets sont-ils séparés par client et par environnement ? Quels journaux sont conservés et qui peut y accéder ? Comment les anciens déploiements sont-ils supprimés ? Enfin, quel est le plan pour révoquer les accès et informer les clients ?
Ces questions ne garantissent pas qu'aucune attaque n'arrivera. Elles servent plutôt à évaluer si le fournisseur sait limiter les dégâts en cas de compromission. Dans un contexte professionnel, il peut aussi être utile de fixer à l'avance quelles données ne doivent jamais être envoyées à un outil d'IA sans validation, et qui peut autoriser une exception. La confidentialité doit devenir une règle d'usage compréhensible, pas une promesse technique difficile à vérifier.
Le critère de décision n'est donc pas l'absence totale de risque - impossible à garantir - mais la capacité à réduire l'exposition, détecter une anomalie, couper rapidement les accès concernés et expliquer ce qui s'est passé. C'est cette discipline qui rend une offre de confidentialité crédible dans la durée.
Conclusion : la confidentialité exige une chaîne de sécurité complète
L'incident de Near AI montre que la sécurité d'un service d'IA ne se limite ni au chiffrement, ni à l'existence d'un environnement d'exécution de confiance. Une faille dans le logiciel d'inférence a permis d'atteindre des systèmes internes et d'exposer des données de comptes, des historiques d'agents et des clés API. Pour les requêtes confidentielles en cours, l'exposition reste possible, mais non confirmée ; les conversations stockées dans Private Chat n'ont pas été identifiées comme consultées.
Pour les utilisateurs comme pour les entreprises, la bonne approche consiste à séparer ce qui est établi de ce qui reste une hypothèse, et à protéger en priorité les identifiants tout en vérifiant exactement quelles données ont été remises au service. Côté fournisseurs, la confiance se construit avec une chaîne complète : logiciels corrigés, accès limités, données anciennes maîtrisées et réponse aux incidents vérifiable. C'est à cette condition que la confidentialité devient une réalité opérationnelle, pas juste une promesse technique.