ActualitéCréation de sites webAI Scan

GitHub AI Scan : contrôlez jusqu’à 20 dépôts en un seul lancement

GitHub permet de lancer AI Scan sur 20 dépôts à la fois. Voici comment tester son utilité, maîtriser les coûts et vérifier les alertes.

Mehdi B.

Co-fondateur · SEO & stratégie digitale

GitHub AI Scan : contrôlez jusqu’à 20 dépôts en un seul lancement
En bref

GitHub permet de lancer AI Scan sur 20 dépôts à la fois et regroupe les résultats avec les alertes existantes. Testez d’abord des projets non sensibles, mesurez les faux positifs et vérifiez le budget ainsi que les conditions de traitement du code.

Le 16 novembre 2026, GitHub étend AI Scan au lancement groupé sur un maximum de 20 dépôts, les espaces qui stockent le code des projets. Cette nouveauté concerne les entreprises qui entretiennent plusieurs sites ou applications et veulent organiser leurs contrôles de sécurité. Nous y voyons un moyen de multiplier les vérifications, à condition de mesurer leur utilité avant de généraliser leur usage.

AI Scan : que change le lancement sur plusieurs dépôts ?

Le lancement groupé se fait depuis les alertes de sécurité de l’organisation ou lors de l’activation du réglage correspondant. Chaque analyse porte sur la branche par défaut, la version de référence du code. Le service reste en préversion publique : ses fonctions peuvent encore évoluer.

AI Scan complète CodeQL, l’outil d’analyse de code de GitHub. Il recherche des problèmes supplémentaires dans les langages déjà analysés et couvre aussi des langages non pris en charge par CodeQL. Ses résultats rejoignent la même liste d’alertes, dans Code Scanning.

Selon GitHub, aucune licence Copilot n’est nécessaire. Chaque scan consomme toutefois des crédits IA ; pour les dépôts privés d’une organisation, une licence GitHub Code Security ou Advanced Security reste requise. Vérifiez donc l’accès et le budget disponible avant de sélectionner vos projets.

Quel intérêt pour une entreprise qui entretient plusieurs sites ?

GitHub AI Scan : contrôlez jusqu’à 20 dépôts en un seul lancement

Prenons une boutique dont l’équipe maintient un site WordPress, une extension PHP sur mesure et une application Next.js. Pour un premier essai, sélectionnez des projets de démonstration représentatifs de ces technologies. Cela permet d’observer les résultats sans commencer par le code confidentiel de la boutique.

Le regroupement des alertes facilite leur attribution : pour chaque problème retenu, désignez une personne et une échéance. Demandez aussi quel parcours commercial est concerné, par exemple la commande ou l’accès au compte client. Le niveau de gravité affiché ne suffit pas à organiser les corrections.

L’analyse reste partielle : l’agent sélectionne du code dans un temps limité, et ses résultats peuvent être inexacts. Une liste vide ne constitue donc pas une validation de sécurité. Pour la boutique, gardez un contrôle manuel des accès aux commandes et aux données clients.

Cette démarche complète les vérifications sur les outils qui hébergent et font circuler le code. Notre actualité sur la sécurité de Git et GitLab aborde cet autre volet des automatisations de développement.

Comment décider si le scanner mérite une place durable ?

Commencez par un petit ensemble de dépôts non sensibles. Comparez les résultats avec CodeQL, Semgrep, un autre analyseur de code, et une revue manuelle. Gardez la même version du code pour chaque contrôle afin de rendre la comparaison exploitable.

Pour chaque alerte, notez si elle révèle un défaut confirmé, répète un problème connu ou signale un problème inexistant. Ce dernier cas constitue un faux positif. Mesurez leur proportion parmi les alertes examinées, ainsi que le temps consacré à les trier.

Revenez ensuite à la boutique : l’essai apporte-t-il une correction utile sur un accès client ou une fonction de commande ? Comparez le coût du scan et du tri avec les défauts supplémentaires confirmés. Fixez vos critères d’adoption avant le test, pour éviter de confondre un volume élevé d’alertes avec un progrès réel.

Quelles vérifications prévoir avant le premier lancement ?

  1. Le code peut-il être soumis au service ? Vérifiez les conditions applicables au traitement du code, à sa conservation et aux engagements de confidentialité. Faites valider ces points avant tout projet client. Dans la boutique de démonstration, utilisez des données fictives et retirez les identifiants réels.

  2. Quelle version est réellement contrôlée ? Demandez à l’équipe de comparer la branche par défaut avec la version en ligne. Notez la version choisie dans le compte rendu du test. Pour examiner les résultats, ouvrez « Security and quality », puis « Code scanning », et filtrez sur AI Scan.

  3. Qui vérifie la correction ? Après intégration d’un correctif, relancez manuellement le scan : cette intégration ne déclenche pas de nouvelle analyse. Durant la préversion, la fermeture automatique dépend notamment de la modification de la ligne signalée. Faites confirmer la résolution par un test du comportement concerné avant de clore le suivi.

Sources

GitHubSécurité applicativeIntelligence artificielle
Mehdi B.
À propos de l’auteurMehdi B.

Co-fondateur de Smart Impact. Passionné de web depuis les débuts, il lance son premier projet en 2006 : un magazine musical en ligne qui tourne encore aujourd'hui. Avec près de 20 ans d'expérience en SEO, un brevet fédéral en marketing et une solide culture geek, il transforme les idées (parfois floues) des clients en projets digitaux concrets avec son équipe.

LinkedIn
À lire aussi