Une équipe de chercheurs en sécurité, Noma Labs, a identifié une vulnérabilité critique nommée GitLost au sein des workflows agents de GitHub. Cette faille permet à un attaquant non authentifié d'extraire silencieusement des données provenant de dépôts privés au sein d'une même organisation. La découverte met en lumière les risques inhérents à l'intégration d'agents IA dans les environnements de développement collaboratifs. Les workflows agents de GitHub combinent l'automatisation classique avec un modèle d'IA capable de lire des demandes, d'appeler des outils et d'exécuter des tâches en langage naturel. Les équipes configurent ces automatisations via des fichiers que l'IA compile et exécute. Cependant, ce mécanisme crée une surface d'attaque étendue puisque l'IA traite directement le contenu soumis par les utilisateurs, y compris les tickets GitHub, comme des instructions légitimes. C'est sur cette faille de délimitation de la confiance que se base GitLost. Pour exploiter la vulnérabilité, un attaquant doit simplement publier une demande dans un dépôt public appartenant à une organisation utilisant ces workflows. Le contenu de cette demande peut contenir des directives cachées rédigées en langage courant. Une fois traitée par le système, l'IA exécute les commandes masquées sans nécessiter de compétences en programmation ni de jetons d'accès. Dans un cas testé, l'agent a récupéré et publié publiquement le contenu de fichiers provenant de dépôts privés, les rendant accessibles à quiconque consultait la demande originale. Les garde-fous natifs de GitHub ont également été contournés. En insérant simplement le mot Additionnellement dans sa requête, l'attaquant a pu manipuler le modèle pour qu'il réorganise ses sorties au lieu de refuser la demande. Cette faille illustre un défi de sécurité fondamental pour les systèmes IA autonomes : la fenêtre de contexte devient un vecteur d'attaque direct. Contrairement aux architectures traditionnelles où les limites de confiance sont imposées par le code, les systèmes basés sur l'IA dépendent partiellement du comportement du modèle, lequel est par nature conçu pour suivre des instructions. Les chercheurs comparent d'ailleurs ce type de faille à l'injection SQL pour les applications web, soulignant la nécessité de stratégies de défense systématiques. Noma Labs recommande aux équipes de développement et aux responsables de la sécurité IA d'adopter une approche de confiance zéro, de segmenter strictement les permissions des agents et de valider systématiquement les entrées avant leur traitement. La vulnérabilité a été signalée de manière responsable à GitHub. L'ensemble des preuves de concept a été rendu public pour favoriser la transparence et accélérer l'apport de correctifs. Cette affaire rappelle que l'automatisation par IA exige une vigilance accrue, car toute donnée lue par un agent peut être retournée contre son propre contexte de sécurité.