deepsec : l'agent SAST open-source signé Vercel pour vos repos

Vercel a publié le 4 mai 2026 deepsec, un agent open-source de scan de sécurité statique propulsé par Claude Opus 4.7 et GPT-5.5. La promesse n'est pas anodine : un taux de faux positifs autour de 10-20 % là où les outils SAST traditionnels (Snyk, Semgrep, GitHub Advanced Security) tournent souvent à 60-80 %, et un modèle d'exécution qui parle directement à votre stack — laptop, machine on-prem ou Sandboxes Vercel pour la parallélisation.

C'est un signal fort pour les équipes DevSecOps qui ont fini par désinstaller leur scanner SAST parce que personne ne lisait plus les rapports. Le code est sur GitHub, opérable avec un abonnement Claude ou Codex existant — donc sans clé API supplémentaire à gérer.

Le contexte : pourquoi le SAST s'est plafonné

Le scan statique de sécurité (SAST) est dans l'outillage des équipes engineering depuis 15 ans. Le problème connu de tous : le bruit. Sur un monorepo de taille moyenne, un Snyk ou un Semgrep remonte facilement 5 000 findings, dont 80 % sont des faux positifs faute de contexte (l'outil ne sait pas que tel paramètre est déjà sanitisé en amont du flux). Les devs apprennent à ignorer le rapport ; les findings critiques se noient ; la sécurité devient un théâtre de checkbox.

L'arrivée des modèles agentiques avec raisonnement étendu change l'équation. Un LLM qui peut tracer un flux de données entre 12 fichiers, comprendre que la sanitisation se fait à un endroit qu'un regex ne verra jamais, et juger de la pertinence d'un finding, ça résout précisément le défaut historique du SAST. Le coût d'inférence reste l'enjeu, mais à 1,5 à 7,50 $ par million de tokens (pour Mistral Medium 3.5 par exemple) ou via abonnement Claude, le calcul tient pour un scan hebdomadaire d'un repo de 200 000 lignes.

L'architecture en cinq étapes

deepsec exécute son audit en pipeline séquentiel, chacun avec une responsabilité claire :

Scan

Identification regex des fichiers sensibles à la sécurité : auth handlers, parsing de input utilisateur, requêtes SQL dynamiques, code de cryptographie, points de désérialisation. C'est volontairement grossier — l'objectif est de réduire le périmètre que l'agent va investiguer en profondeur, pas de juger.

Investigate

L'agent (Claude Opus 4.7 ou GPT-5.5) trace les flux de données sur les fichiers retenus. Il vérifie les mitigations existantes, examine les conditions d'auth, comprend les invariants. C'est l'étape qui consomme le plus de tokens — typiquement plusieurs heures de calcul sur un gros repo.

Revalidate

Une seconde passe élimine les faux positifs. L'agent repasse chaque finding et juge s'il tient debout dans le contexte global. Ce double-jugement est exactement ce qui descend le taux de FP de 60-80 % à 10-20 %.

Enrich

Les findings sont enrichis avec les métadonnées Git : qui a écrit la ligne fautive, quand, dans quel commit. Pratique pour router le ticket directement au bon dev plutôt que de déposer un rapport global anonyme.

Export

Formattage en tickets actionnables (Linear / Jira / GitHub Issues) avec sévérité et contexte. C'est le détail qui fait la différence entre un rapport PDF qui prend la poussière et un workflow incident effectivement exécuté.

Les modèles sous le capot

deepsec n'a pas de modèle propriétaire. Il branche Claude Opus 4.7 en max effort ou GPT-5.5 en xhigh reasoning, deux des modèles les plus capables actuellement sur les tâches de raisonnement long. Vous bringez votre clé API ou votre abonnement Claude / Codex existant ; l'agent gère le reste.

Cette portabilité est en réalité un choix architectural fort. Plutôt que de coupler l'outil à un fournisseur de modèle, Vercel parie que la qualité d'analyse est une fonction du modèle sous-jacent — qui s'améliore mois après mois. Dans 6 mois, brancher Claude Opus 4.8 ou Mistral Medium 4 améliore mécaniquement les résultats sans changer le code de deepsec.

Côté run-time, deux modes : single machine sur un laptop puissant ou serveur dédié (compter plusieurs jours pour un gros repo), ou fanout sur Vercel Sandboxes avec 1 000+ exécutions parallèles pour un audit en quelques minutes. La deuxième option fait sens en CI : on déclenche un scan sur chaque PR significative, le coût absorbé par le forfait Sandboxes.

Les performances mesurées

Les chiffres communiqués par Vercel et les premiers utilisateurs publics tiennent la route :

• Taux de faux positifs : 10-20 % (mesuré sur les monorepos Vercel internes)
• Vrais findings critiques identifiés sur des "subtle edge cases in auth conditions" — exactement le type de bug qu'un SAST classique rate
• Scaling confirmé jusqu'à 1 000+ Sandboxes concurrents sur les scans de production Vercel

Deux quotes de premiers utilisateurs publics qui ne sont pas Vercel :

"Les scans deepsec ont été les plus exhaustifs, avec le plus de findings, et un bon taux de vrais positifs." — James Perkins, co-founder Unkey

"deepsec est le premier outil qui a remonté le genre de problèmes qu'on voudrait vraiment qu'un security engineer flag." — Steven Tey, founder dub.co

Ce sont des CTOs de petites équipes, donc à prendre avec mesure, mais le signal qualitatif est cohérent.

Ce que ça change pour les équipes IA

Trois implications concrètes pour qui pilote la sécurité ou la qualité du code en production :

1. Le SAST devient un usage agentique budgetisable. Avec un coût en tokens prévisible (un scan complet pèse quelques millions de tokens, soit 30 à 100 $ par run en agent Claude Opus, moins en self-host Mistral), il devient raisonnable d'inscrire le SAST au CI hebdomadaire. C'est l'inverse de la pratique actuelle où le scan tourne en off et où personne ne regarde — ici, le coût marginal est faible et les findings sont actionnables.

2. La couche "context-aware" remet les findings en circulation. Quand un rapport descend de 5 000 alertes à 100 findings dont 85 sont vrais, les devs recommencent à lire. C'est un changement de comportement, pas seulement un gain technique. Les équipes qui ont laissé tomber le SAST par lassitude peuvent le réintroduire avec un coût d'adoption faible.

3. Open source + tournable on-prem = compatible avec les contextes sensibles. Banque, défense, santé, infra critique — secteurs où l'envoi de code source à un SaaS US est interdit. deepsec tournant sur votre cluster Kubernetes avec votre propre clé API Claude (ou un modèle self-hosté comme Mistral Medium 3.5) résout cette friction. C'est aussi ce qui permet de combiner le scan avec la stack de conformité AI Act que les équipes européennes doivent mettre en place avant le 2 août.

Pour une équipe de 30 dev qui a abandonné Snyk il y a deux ans, le bon réflexe maintenant : cloner le repo, brancher une clé API Claude, et lancer un scan sur la branche main. Le résultat sera plus utile que ce qu'a produit le scanner précédent en deux ans, à ressources comparables. Si les findings sont parlants, on industrialise via Sandboxes ou cluster maison ; sinon, on a perdu deux heures.

En bref

• deepsec publié par Vercel le 4 mai 2026, open source sur GitHub (vercel-labs/deepsec)
• Pipeline 5 étapes : Scan → Investigate → Revalidate → Enrich → Export
• Modèles : Claude Opus 4.7 (max effort) ou GPT-5.5 (xhigh reasoning), via abonnement existant
• Faux positifs ~10-20 %, vs 60-80 % pour les SAST traditionnels
• Scaling : laptop solo (multi-jours) ou Vercel Sandboxes en parallèle (1 000+)
• Compatible on-prem, donc pertinent pour banque, défense, santé, et la stack de conformité AI Act

Vous industrialisez vos agents IA ? SeedVision propose des audits IA en 3-5 jours et des forfaits de mise en production de 15 à 30 jours. Voir les packages ou réserver un appel de 30 min.

Photo de couverture : Photo by Markus Spiske on Unsplash.