🤖 AI

Foundations for Agentic AI Investigations from the Forensic Analysis of OpenClaw

Cet article propose une étude empirique des traces forensiques d'OpenClaw, un assistant IA agentique, afin d'établir une taxonomie d'artefacts et de souligner les défis fondamentaux posés par la non-déterminisme et l'abstraction introduits par les modèles de langage dans les enquêtes numériques.

Auteurs originaux : Jan Gruber, Jan-Niclas Hilgert

Publié 2026-04-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jan Gruber, Jan-Niclas Hilgert

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🕵️‍♂️ Le Détective et le Nouvel Assistant : Une Enquête sur l'IA

Imaginez que vous avez un assistant personnel nommé OpenClaw. Ce n'est pas un simple robot qui répond à vos questions comme un perroquet. C'est un agent autonome. C'est un peu comme si vous aviez embauché un assistant virtuel très intelligent, capable de lire vos emails, de gérer votre agenda, d'acheter des choses en ligne et même d'écrire du code, le tout sans que vous ayez à lui dire chaque petit détail.

Mais voici le problème : que se passe-t-il dans la tête de cet assistant quand il agit ? Si cet assistant fait une erreur, achète quelque chose par erreur, ou révèle un secret, comment un enquêteur peut-il savoir ce qui s'est passé ?

C'est exactement ce que deux chercheurs (Jan Gruber et Jan-Niclas Hilgert) ont voulu découvrir. Ils ont pris OpenClaw, l'ont "démonté" et ont cherché les traces qu'il laisse derrière lui, un peu comme un détective qui cherche des empreintes digitales sur un verre.

🧠 1. La Grande Différence : Le Robot vs. L'Agent

Pour comprendre leur découverte, il faut faire une analogie simple :

Les logiciels classiques (les robots) sont comme un train sur des rails. Si vous appuyez sur le bouton "A", le train va toujours au point "B". C'est prévisible. Si vous regardez les rails, vous savez exactement où il est allé.
L'IA Agentic (l'agent) est comme un chauffeur de taxi humain. Si vous lui dites "Rendez-moi au centre-ville", il peut choisir l'autoroute, les petites rues, s'arrêter pour acheter un café, ou prendre un détour à cause d'un embouteillage. Chaque trajet est unique.

Le défi pour les enquêteurs : Avec le train, il suffit de regarder les rails. Avec le chauffeur de taxi, il faut reconstituer tout son voyage : pourquoi a-t-il pris cette route ? Qu'a-t-il vu ? A-t-il pris une décision tout seul ?

🔍 2. La Méthode : Le "Jeu des 7 Différences"

Les chercheurs ont utilisé une méthode très intelligente pour voir ce que l'assistant a fait :

Ils ont pris une copie parfaite de l'ordinateur de l'assistant (une photo de son état).
Ils ont demandé à l'assistant de faire une tâche simple (ex: "Envoie un email").
Ils ont pris une nouvelle photo de l'ordinateur.
Ils ont comparé les deux photos pour voir ce qui a changé.

C'est comme si vous regardiez une pièce de chambre avant et après qu'un enfant y ait joué. Vous ne voyez pas l'enfant, mais vous voyez les jouets déplacés, les feuilles de papier froissées et les traces de pas. Ces "traces" sont les artefacts numériques.

🗂️ 3. La "Taxonomie" : Les 5 Zones de l'Enquête

Pour ne pas se perdre dans le chaos de ces traces, les chercheurs ont créé un nouveau système de classement, qu'ils appellent une Taxonomie. Imaginez que vous enquêtez sur un espion. Vous ne regardez pas tout au hasard, vous divisez votre enquête en 5 zones :

Le Cerveau (La Réflexion) :
- L'analogie : C'est le journal de bord mental de l'assistant.
- Ce qu'on y trouve : Les notes internes où l'assistant réfléchit ("Je devrais peut-être envoyer cet email, mais attendons..."). C'est unique aux IA : on peut voir comment elles ont pensé, pas juste ce qu'elles ont fait.
L'ADN (L'Identité) :
- L'analogie : C'est la carte d'identité et le manuel d'instructions de l'assistant.
- Ce qu'on y trouve : Qui est-il ? Quel est son nom ? Quelles sont ses règles ? ("Ne jamais acheter de produits pour plus de 50€").
La Mémoire (Ce qu'il sait) :
- L'analogie : C'est son cerveau à long terme.
- Ce qu'on y trouve : Les souvenirs qu'il a accumulés. "L'utilisateur aime le café le matin", "Le projet X est urgent". Cela change tout le temps.
Les Oreilles et la Bouche (La Communication) :
- L'analogie : C'est l'historique des appels et des messages.
- Ce qu'on y trouve : Qui a parlé à l'assistant ? Quand ? Par quel moyen (WhatsApp, Telegram) ? Et qu'est-ce que l'assistant a répondu ?
Les Mains (Les Actions) :
- L'analogie : C'est ce que l'assistant a physiquement fait.
- Ce qu'on y trouve : Les emails envoyés, les fichiers modifiés, les achats effectués. C'est la preuve du "crime" ou de l'action.

⚠️ 4. Le Problème Majeur : L'Imprévisibilité

C'est ici que ça devient compliqué. Les chercheurs ont découvert un gros problème pour les enquêteurs : l'IA n'est pas prévisible.

Même si vous donnez exactement la même instruction à l'assistant deux fois de suite, il peut faire deux choses différentes !

Exemple : Si vous dites "Rappelle-moi de prendre mes médicaments", une fois il peut créer un alarme sur votre téléphone, et une autre fois il peut juste écrire une note dans son journal.

Pourquoi ? Parce que l'IA utilise un "cerveau" (un modèle de langage) qui fait des choix au hasard (un peu comme lancer un dé). Cela rend l'enquête très difficile : on ne peut pas dire "Si A, alors toujours B". Il faut reconstituer le contexte exact du moment.

💡 Conclusion : Pourquoi c'est important ?

Cette étude est comme la première carte au trésor pour les enquêteurs du futur.

Aujourd'hui, si un assistant IA fait une bêtise, les enquêteurs sont perdus. Ils ne savent pas où chercher. Grâce à ce travail, ils savent maintenant :

Où regarder (dans les fichiers de conversation, les journaux de réflexion, les bases de données).
Comment classer les preuves (les 5 zones).
Qu'ils doivent faire attention à l'imprévisibilité de la machine.

En résumé, les chercheurs nous disent : "Les assistants IA ne sont pas de simples logiciels. Ce sont des entités autonomes qui laissent des traces complexes. Pour les enquêter, il faut de nouvelles règles, une nouvelle carte, et beaucoup de patience."

C'est le début d'une nouvelle ère pour la police numérique, où l'on devra apprendre à enquêter non pas sur des machines qui obéissent, mais sur des machines qui décident.

1. Problématique et Contexte

L'émergence des systèmes d'IA agentic (agents autonomes capables de raisonner, de planifier et d'exécuter des flux de travail réels) transforme les assistants personnels en entités semi-autonomes. Des projets open-source comme OpenClaw permettent à des utilisateurs non techniques de déployer ces agents, qui interagissent profondément avec le système d'exploitation, les services en ligne et les données sensibles.

Le problème central identifié par les auteurs est l'absence de méthodologies forensiques adaptées à ces systèmes. Contrairement aux logiciels traditionnels basés sur des règles, les agents IA introduisent :

De la non-déterminisme : Un même prompt peut conduire à des actions différentes selon le contexte, la mémoire et le modèle de langage (LLM).
Une couche d'abstraction supplémentaire : L'agent médie l'exécution, rendant difficile la distinction entre ce que l'utilisateur a demandé et ce que l'agent a réellement décidé de faire (problème d'imputation).
Une complexité de reconstruction : La reconstitution de l'état de connaissance de l'agent au moment d'un incident est complexe en raison de l'évolution dynamique de la mémoire et du contexte.

Les approches forensiques numériques actuelles sont inadaptées pour analyser la combinaison de raisonnement cloud, d'exécution locale et d'autonomie continue.

2. Méthodologie

Les auteurs ont mené une étude empirique sur OpenClaw, un assistant personnel open-source largement utilisé. Leur approche combine plusieurs techniques d'analyse :

Analyse de code statique : Examen du code source (principalement en TypeScript/Node.js) pour comprendre l'architecture, les composants et les emplacements de stockage des données avant la génération de données utilisateurs.
Analyse différentielle (Differential Forensic Analysis) :
- Création d'un environnement virtuel contrôlé (Debian Linux).
- Exécution d'une série d'actions de test ( $\sigma_i$ ) couvrant l'installation, la configuration, l'envoi de messages, l'exécution de tâches planifiées, etc.
- Capture d'images disque à chaque étape ( $q_i$ ) et comparaison systématique entre deux états consécutifs pour isoler les artefacts spécifiques ( $\delta_i$ ) générés par chaque action.
Inspection approfondie des fichiers : Analyse manuelle et scriptée des fichiers récupérés (fichiers texte, bases de données SQLite, fichiers JSONL, logs) pour corréler les traces avec les comportements observés.
Outil de prototype : Développement d'un outil open-source pour extraire et corréler automatiquement les artefacts locaux d'une installation OpenClaw.

3. Contributions Principales

Première analyse forensique d'un assistant IA personnel : Cette étude est la première à examiner systématiquement les traces numériques laissées par un agent autonome grand public.
Taxonomie des artefacts d'agent (Agent Artifact Taxonomy) : Les auteurs proposent un cadre structuré en cinq plans pour classer les preuves forensiques :
- Raisonnement et Cognition (« Le Cerveau ») : Traces de réflexion du LLM (chain-of-thought), identités de modèles, paramètres.
- Identité et Configuration (« L'ADN ») : Fichiers de configuration statiques, définitions de persona, permissions, clés API.
- Connaissance et Rappel (« La Mémoire ») : Mémoire épisodique (logs journaliers), mémoire à long terme, index sémantique, profils utilisateurs.
- Communication et E/S (« Les Oreilles et la Bouche ») : Configuration des canaux (Telegram, WhatsApp), messages échangés, médias.
- Actions et Effets (« Les Mains ») : Invocations d'outils, tâches planifiées (cron), délégation à des sous-agents, logs d'exécution.
Outils et Données Ouverts : Publication des données expérimentales et d'un outil d'analyse pour faciliter la reproductibilité et l'adoption par la communauté.

4. Résultats Clés et Observations Techniques

L'analyse d'OpenClaw a permis d'identifier des artefacts spécifiques et de répondre à des questions d'enquête :

Localisation des données : La majorité des données réside dans le répertoire caché ~/.openclaw/. Les journaux d'exécution éphémères sont dans /tmp/openclaw/.
Reconstruction des sessions : Les conversations sont stockées dans des fichiers JSONL (sessions.jsonl). Chaque ligne contient non seulement les messages, mais aussi les traces de raisonnement (thinking), les appels d'outils (toolCall) et les résultats. Ces fichiers sont cruciaux pour reconstituer l'intention et l'action.
Mémoire et Contexte : L'agent utilise des fichiers Markdown pour la mémoire épisodique et une base SQLite avec extensions vectorielles pour la recherche sémantique. La reconstruction du contexte exact au moment d'un incident est difficile car le contexte dynamique (fichiers injectés) n'est pas toujours persisté de manière complète.
Autonomie et Délégation : L'analyse a révélé des mécanismes de délégation vers des sous-agents et des tâches planifiées (cron). Les artefacts permettent de distinguer les actions initiées par l'utilisateur de celles déclenchées autonomement par l'agent.
Attribution : Il est possible de retracer l'origine d'une action (demande utilisateur, déclencheur horaire, mémoire) en corrélant les logs, les transcripts de session et les fichiers de configuration. Cependant, la frontière entre l'intention de l'utilisateur et l'interprétation de l'agent reste floue.

5. Signification et Implications

Ce travail établit les fondations pour l'investigation forensique des systèmes d'IA agentic et met en lumière des défis majeurs pour la pratique numérique :

Défi de la non-déterminisme : Contrairement au logiciel traditionnel, l'exécution d'une même requête peut produire des traces différentes. Cela complique la reproductibilité des analyses et la validation des preuves.
Nouvelle couche d'abstraction : Le LLM agit comme un intermédiaire qui transforme l'intention en actions. Les enquêteurs doivent désormais analyser non seulement les résultats, mais aussi le processus de décision (traces de raisonnement) pour comprendre le comportement de l'agent.
Reconstruction du contexte : La difficulté à reconstituer l'environnement exact (mémoire, fichiers, outils disponibles) au moment de l'incident limite la capacité à expliquer pourquoi un agent a pris une décision spécifique.
Évolution du cadre d'investigation : Les enquêteurs doivent passer d'une approche centrée sur l'exécution de règles à une approche capable de gérer l'autonomie, la planification et l'adaptation dynamique.

En conclusion, l'article démontre que l'investigation des assistants IA nécessite une méthodologie nouvelle, intégrant l'analyse des traces de raisonnement et la compréhension de l'architecture agentic, au-delà des techniques forensiques traditionnelles. La taxonomie proposée offre un cadre structurant pour les recherches futures et la pratique opérationnelle.