OWASP Top 10 pour les applications LLM 2026 : les 10 risques expliqués
Mis à jour le November 19, 2026Temps de lecture : 9 min
L'OWASP Top 10 pour les applications LLM est la liste, établie par l'OWASP GenAI Security Project, des risques de sécurité les plus critiques pour les applications fondées sur de grands modèles de langage (LLM). L'édition 2026 a été publiée en août 2026 (sa page de ressource est datée du 3 août) et annoncée le 1er septembre 2026. Ce guide présente les dix entrées avec leurs identifiants officiels, explique brièvement chacune d'elles, propose un contrôle concret par entrée et résume ce qui a changé depuis 2025.
La lettre d'ouverture des responsables du projet donne le ton : « Cessez de vouloir construire un modèle qu'on ne peut pas tromper. Construisez le système autour de lui, pour que, lorsque le modèle sera trompé, et il le sera, rien d'important ne casse. »
Comment la liste 2026 a été établie
Les éditions précédentes reposaient sur le jugement des praticiens. Pour 2026, l'OWASP a aussi confronté le vote de la communauté à un corpus de 7714 incidents réels issus de bases de données publiques de vulnérabilités et d'une base de données de préjudices liés à l'IA, dont 6639 étaient assez détaillés pour être classés. Le vote compte pour les trois quarts du poids, les données d'incidents pour un quart. Les deux ne concordaient pas toujours : si l'on classe les catégories selon le nombre brut d'incidents, l'injection de prompt sort du top 10, ce que l'OWASP attribue à un « effet de défense », car les équipes la combattent activement, si bien que moins d'exploits avérés parviennent jusqu'aux bases publiques. L'entrée Misinformation a suivi le chemin inverse : les votants l'avaient placée près du bas du classement, l'historique des incidents près du haut, et les données l'ont fait remonter à la septième place.
La liste 2026 en un coup d'œil
| Entrée 2026 | Position en 2025 |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| LLM02:2026 Sensitive Information Disclosure | 2 |
| LLM03:2026 Excessive Agency | 6 |
| LLM04:2026 Supply Chain | 3 |
| LLM05:2026 Data and Model Poisoning | 4 |
| LLM06:2026 Unbounded Consumption | 10 |
| LLM07:2026 Misinformation | 9 |
| LLM08:2026 Hidden Context Exposure | 7 (sous le nom System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
Les positions de 2025 proviennent de la liste 2025 de l'OWASP.
LLM01:2026 Prompt Injection (injection de prompt)
Tout contenu qui modifie le comportement du modèle d'une manière que le développeur n'avait pas prévue, qu'il provienne d'un utilisateur, d'un document, du résultat d'un outil, d'une image ou de la mémoire. L'entrée couvre désormais les attaques intermodales, qui cachent des instructions dans des images ou de l'audio. Contrôle : gardez les identifiants et les actions qui modifient l'état dans le code de l'application, et n'accordez au modèle que le moindre privilège pour chaque opération. Notre guide sur l'injection de prompt traite cette entrée en détail.
LLM02:2026 Sensitive Information Disclosure (divulgation d'informations sensibles)
Des données confidentielles ou réglementées qui fuient par n'importe quel canal : la réponse, les arguments des appels d'outils, les traces de raisonnement, les fragments récupérés, les journaux ou les embeddings. L'OWASP désigne le partage excessif en amont, par exemple des espaces de stockage sans restriction d'accès qui alimentent un index de génération augmentée par récupération (RAG), comme l'une des deux défaillances à l'origine de la plupart des incidents. Contrôle : vérifiez les autorisations avant la récupération, en appliquant le contrôle d'accès au niveau des documents et des fragments directement dans la requête adressée à l'index.
LLM03:2026 Excessive Agency (autonomie excessive)
Des actions dommageables déclenchées par une sortie du modèle inattendue, ambiguë ou manipulée. Les causes profondes sont un excès de fonctionnalités, de permissions ou d'autonomie. Dans les systèmes agentiques, selon l'OWASP, ce risque peut prendre la forme d'un usage abusif des outils, d'un abus d'identité et de privilèges ou de défaillances en cascade. Contrôle : réduisez au minimum les outils et leurs permissions (un outil qui résume les e-mails n'a besoin que de lire le courrier) et exigez une validation humaine pour les actions à fort impact.
LLM04:2026 Supply Chain (chaîne d'approvisionnement)
Les risques liés aux modèles, jeux de données et adaptateurs tiers comme LoRA, aux pipelines de conversion et aux paquets, y compris le « slopsquatting », où des attaquants enregistrent des noms de paquets que les assistants de code inventent par hallucination. Contrôle : épinglez les artefacts de modèle par une empreinte (digest) immuable plutôt que par un tag modifiable, vérifiez les signatures et assurez-vous que les dépendances suggérées par l'IA existent avant de les installer.
LLM05:2026 Data and Model Poisoning (empoisonnement des données et des modèles)
Des données ou des artefacts de modèle manipulés qui introduisent des portes dérobées ou des biais lors du pré-entraînement, du fine-tuning, de la création d'embeddings ou de la distribution. L'empoisonnement peut coûter peu : Souly et al. (2025) ont montré que 250 documents empoisonnés compromettaient des modèles de 600 millions à 13 milliards de paramètres, quelle que soit la taille du jeu de données. Contrôle : suivez la provenance des données et des modèles, versionnez vos jeux de données et traitez les templates de chat, les configurations de tokenizer et les adaptateurs comme du code qui doit être signé et vérifié.
LLM06:2026 Unbounded Consumption (consommation illimitée)
Une inférence incontrôlée qui provoque des pannes, des coûts qui s'emballent (« denial of wallet ») ou le vol du modèle par extraction. Les modèles de raisonnement, les entrées multimodales et les boucles d'outils des agents aggravent le problème. Contrôle : des plafonds de dépenses stricts qui interrompent l'inférence, ainsi que des disjoncteurs (circuit breakers) pour les agents, avec des limites d'étapes, de récursion, de temps et de coût par exécution.
LLM07:2026 Misinformation (informations erronées)
Une sortie incorrecte ou non étayée, mais assez crédible pour que l'on agisse en conséquence. Dans les systèmes agentiques, une mauvaise réponse devient une mauvaise action, par exemple un agent qui signale qu'une sauvegarde a été effectuée alors qu'elle n'a jamais eu lieu. Contrôle : un schéma « claim-check-act » (affirmer, vérifier, agir), qui sépare la génération de l'exécution et vérifie les affirmations et les conditions préalables avant d'agir.
LLM08:2026 Hidden Context Exposure (exposition du contexte caché)
L'extraction ou la reconstitution du contexte caché : prompts système, instructions du développeur, textes de politique récupérés et schémas d'outils. L'OWASP conseille de partir du principe que ce contexte caché peut être découvert. Contrôle : n'y placez ni identifiants ni secrets, et appliquez les autorisations dans du code déterministe, en dehors du modèle.
LLM09:2026 Vector and Embedding Weaknesses (faiblesses des vecteurs et des embeddings)
Les attaques contre la couche d'embeddings sur laquelle reposent le RAG, la mémoire des agents et les caches sémantiques. Selon les termes de l'OWASP, « l'empoisonnement rend le système erroné, l'inversion provoque des fuites, le brouillage le réduit au silence, et une défaillance du contrôle d'accès lui fait perdre tout discernement ». Contrôle : appliquez le cloisonnement par locataire (tenant) dans la requête adressée à l'index elle-même, et non comme un filtre après la récupération, et placez les contenus de niveaux de confiance différents dans des index séparés.
LLM10:2026 Improper Output Handling (gestion inappropriée des sorties)
Le fait de transmettre la sortie du modèle aux systèmes en aval sans validation, ce qui peut mener à du XSS, à une injection SQL, à une SSRF ou à une exécution de code à distance. L'entrée couvre désormais aussi le code non sécurisé que les assistants génèrent à grande échelle. Contrôle : traitez la sortie du modèle comme une saisie utilisateur : encodez-la selon son contexte, utilisez des requêtes paramétrées et désactivez l'affichage automatique des images Markdown et des aperçus de liens.
Ce qui a changé depuis l'édition 2025
L'OWASP indique que l'ordre « a davantage bougé que les années précédentes ». Les principaux changements :
- Excessive Agency est passée de la sixième à la troisième place, ce que l'OWASP qualifie de « mouvement le plus lourd de conséquences de la liste ».
- Unbounded Consumption a gagné quatre places, et Improper Output Handling est l'entrée qui a le plus reculé, de la cinquième à la dixième place.
- Prompt Injection et Sensitive Information Disclosure ont conservé les deux premières places.
- System Prompt Leakage est devenue Hidden Context Exposure, une entrée plus large.
- Des risques plus récents ont été intégrés aux entrées existantes au lieu de donner lieu à de nouvelles catégories : l'injection intermodale, les artefacts de modèle qui ne sont pas ce qu'ils prétendent être, le détournement du fine-tuning et le code généré non sécurisé.
- Les correspondances avec les référentiels (NIST, MITRE ATLAS, CWE et d'autres) ont été regroupées dans une seule annexe.
L'OWASP trace aussi une frontière plus nette. Cette liste couvre le modèle en tant que composant de votre application. Dès que le modèle devient un acteur doté d'outils, d'une mémoire et de conséquences en aval, l'OWASP recommande de l'associer à l'OWASP Top 10 pour les applications agentiques, que notre guide sur la sécurisation des agents IA passe en revue.
Comment utiliser la liste dans votre équipe
Le conseil de l'OWASP : « traiter les dix, en commençant par le haut ». En pratique :
- Passez en revue les dix entrées lorsque vous concevez ou examinez une fonctionnalité LLM, et notez où elle est exposée.
- Transformez chaque contrôle en ticket avec un responsable, et retestez après les correctifs.
- Étiquetez les constats avec les identifiants des entrées, pour que développeurs, ingénieurs sécurité et product owners partagent le même vocabulaire.
- Ne testez que des systèmes qui vous appartiennent ou que vous avez l'autorisation écrite de tester, et vérifiez que les conditions de votre fournisseur de modèle autorisent les tests de sécurité.
Le projet final du cours à votre rythme Sécurité de l'IA : protéger les applications LLM et les agents IA, « Attaquer, corriger et retester un agent IA », se termine par un rapport de sécurité qui rattache chaque constat aux listes OWASP.
Pour aller plus loin
Commencez par l'entrée en tête de liste : notre guide sur ce qu'est l'injection de prompt explique les attaques directes et indirectes ainsi que les défenses en couches. Si votre application récupère des documents, examinez de près LLM02 et LLM09, qui traitent des autorisations de récupération et de la couche d'embeddings ; AI Engineer : introduction au RAG et à la recherche est un cours connexe, lui aussi à votre rythme.
Le cours Sécurité de l'IA : protéger les applications LLM et les agents IA offre une façon structurée d'acquérir ces compétences : à votre rythme, de niveau intermédiaire et d'une durée de 40 heures, il s'adresse aux développeurs, aux ingénieurs IA et aux professionnels de la sécurité qui créent ou testent des fonctionnalités d'IA.

Développez vos compétences tech en ligne avec Code Labs Academy
Rejoignez notre communauté bienveillante, libérez votre potentiel et lancez une carrière épanouissante.
Postulez maintenant