Détecter le phishing et le spam avec l'IA dans n8n : au-delà du filtre classique

Un filtre anti-spam classique bloque très bien les campagnes de masse mal écrites, pleines de fautes et de liens grossièrement malveillants. Il est beaucoup plus démuni face à un email de phishing ciblé, rédigé sans erreur, qui imite le ton d'un fournisseur habituel et ne contient aucun lien vers un domaine déjà blacklisté. C'est précisément la catégorie de menace qui progresse depuis l'arrivée des grands modèles de langage — capables de générer, à la demande, un email de spear-phishing indétectable par les règles statiques. La bonne nouvelle : le même type de modèle sait aussi repérer ces emails, à condition d'être branché correctement dans un pipeline n8n.

Pourquoi les règles statiques ne suffisent plus

Un filtre bayésien ou une liste noire de domaines fonctionne par reconnaissance de motifs déjà vus : mots-clés suspects, réputation d'expéditeur, structure HTML typique d'une campagne connue. Ce mécanisme a deux angles morts structurels :

• Le contenu inédit et bien écrit : un email généré par un LLM n'a ni faute d'orthographe ni tournure maladroite, les deux signaux les plus fiables des filtres traditionnels.
• L'incohérence contextuelle : un domaine d'expéditeur qui ressemble à s'y méprendre au vrai (support@paypa1.com), une demande de virement qui contredit les habitudes connues d'un fournisseur, une urgence artificielle — autant de signaux qu'un LLM sait analyser en lisant l'email comme le ferait un humain attentif, mais qu'une règle statique ne capture pas.

Une étude de Koide, Fukushi, Nakano et Chiba, ChatSpamDetector: Leveraging Large Language Models for Effective Phishing Email Detection (2024, voir sur Google Scholar), a testé un pipeline construit autour de GPT-4 sur un large jeu d'emails réels : le taux de détection atteint 99,70 %, nettement supérieur aux filtres commerciaux comparés dans l'étude, avec un avantage supplémentaire décisif — le modèle fournit une explication en langage naturel de son verdict, exploitable directement dans une alerte Slack ou un digest, plutôt qu'un simple score opaque.

L'architecture : l'IA en complément des vérifications techniques, pas à leur place

Le pipeline le plus robuste ne remplace pas les vérifications techniques existantes, il les combine avec une analyse sémantique. Trois étapes dans n8n.

1. Déclencheur IMAP et récupération des signaux techniques

Le point d'entrée est le même que pour n'importe quel tri d'emails par IA : un node IMAP Email ou un webhook fourni par votre plateforme (Gmail, Outlook). Avant même d'appeler un modèle, un node Code extrait les signaux techniques bon marché à vérifier en premier :

• Résultats SPF, DKIM et DMARC, présents dans les en-têtes bruts de l'email (Authentication-Results) ;
• Domaine réel de l'expéditeur comparé au nom affiché ;
• Présence de pièces jointes exécutables ou de liens raccourcis.

Un échec SPF/DKIM/DMARC ne suffit pas à conclure automatiquement au phishing (certains expéditeurs légitimes sont mal configurés), mais c'est un signal d'entrée précieux à transmettre au modèle plutôt qu'à ignorer.

2. Le prompt de classification

Le node AI Agent ou Message a Model reçoit le corps de l'email, l'expéditeur, l'objet et les signaux techniques extraits à l'étape précédente, avec une consigne de sortie structurée plutôt qu'un texte libre :

Tu es un analyste en sécurité email. Analyse cet email et détermine s'il s'agit
d'une tentative de phishing.

Expéditeur : {{ $json.from }}
Résultat SPF/DKIM/DMARC : {{ $json.authResults }}
Objet : {{ $json.subject }}
Corps : {{ $json.bodyText }}

Recherche spécifiquement :
- une urgence artificielle ou une menace (compte suspendu, facture impayée)
- une demande d'action inhabituelle (virement, identifiants, pièce jointe à ouvrir)
- une incohérence entre le domaine affiché et le domaine réel de l'expéditeur
- un ton qui imite un fournisseur connu sans en avoir le style habituel

Réponds uniquement au format JSON :
{
  "risk_score": <0-100>,
  "category": "phishing" | "spam" | "legitime" | "incertain",
  "reasoning": "<explication en une phrase>",
  "signals": ["<liste des signaux détectés>"]
}

Le champ reasoning est celui qui transforme un simple score en outil utilisable : c'est lui qui apparaît dans l'alerte envoyée à l'équipe, pour qu'un humain comprenne en cinq secondes pourquoi l'email a été signalé, sans devoir le relire en entier.

3. Routage par score : quarantaine, alerte ou passage normal

Un node Switch route ensuite l'email selon risk_score :

• Score élevé (> 80) : l'email est déplacé vers un dossier de quarantaine (action IMAP Move) et une alerte part immédiatement sur Slack ou Teams, avec le reasoning du modèle en corps de message.
• Score intermédiaire (40-80) : l'email reste dans la boîte mais reçoit une étiquette « à vérifier », visible par l'utilisateur sans lui être caché.
• Score bas (< 40) : l'email suit le tri normal, par exemple celui décrit dans notre guide sur le tri automatique des emails entrants.

La boucle d'approbation humaine sur les cas ambigus

Un LLM qui se trompe dans un sens (laisser passer un phishing) est dangereux ; qui se trompe dans l'autre (bloquer un email légitime d'un client) coûte de la confiance et parfois une vraie perte commerciale. Pour les scores intermédiaires ou les actions à fort impact (blocage définitif, notification à toute l'équipe), la bonne pratique reste l'approbation humaine via un node Wait et un bouton Slack plutôt qu'une action automatique irréversible. Le modèle propose, un humain valide en un clic — le pipeline garde toute sa vitesse sur les 95 % de cas non ambigus, et réserve l'attention humaine aux 5 % qui la méritent.

Maîtriser le coût et la latence

Faire relire chaque email entrant par un modèle capable coûte cher à grande échelle. Deux leviers, déjà documentés ailleurs sur ce blog, s'appliquent directement ici :

• Une cascade de modèles : un modèle économique (gpt-4o-mini) fait un premier passage sur 100 % du flux ; seuls les emails qu'il juge ambigus ou suspects sont réanalysés par un modèle plus capable. Le volume traité par le modèle cher devient marginal.
• Le suivi du coût réel : brancher ce workflow sur le même mécanisme de suivi des coûts d'appels IA que le reste de vos automatisations évite les mauvaises surprises de facturation en fin de mois, en particulier sur une boîte à fort volume.

Sur un flux de quelques centaines d'emails par jour, un modèle économique en première passe garde le coût de ce pipeline à quelques euros par mois — cohérent avec l'ordre de grandeur du reste des workflows IA de tri d'emails.

Aller plus loin

Ce pipeline de détection de phishing s'ajoute naturellement à un tri d'emails déjà en place : il partage le même déclencheur IMAP, la même logique de scoring structuré et le même canal d'alerte que les autres workflows du Pack Inbox IA (79 €), qui inclut déjà le tri par IA, la priorisation d'urgence, le digest quotidien et les brouillons de réponse Gmail. Si votre besoin dépasse la seule boîte mail et couvre aussi un assistant documentaire RAG ou une piste d'audit de conformité, le Bundle FlowKit Complet (269 € au lieu de 347 €) réunit les trois packs sur une base commune, avec la même logique d'Error Workflow et de sécurisation des credentials à travers tous les workflows.