Un outil conçu par IA pour détecter les bots de réponse sur Bluesky
Simon Willison a développé un script d'analyse pour repérer les bots de réponse automatisés qui perturbent le réseau Bluesky. Conçu par vibe coding avec le modèle Claude Opus 5.5, cet outil tire parti de l'API ouverte de la plateforme pour isoler les comportements suspects. Une illustration pratique de la création rapide d'outils d'analyse grâce aux assistants de code.
Fil « Développement d'un outil de détection des bots de réponse sur Bluesky »
La prolifération des bots de réponse automatisés — des comptes informatiques configurés pour publier des messages automatiques sous les publications d'autres personnes — gagne désormais le réseau social Bluesky. Pour contrer ce phénomène sans passer des heures à inspecter chaque profil, le développeur Simon Willison a mis au point un outil dédié. Contrairement à des réseaux concurrents, Bluesky propose une API (interface de programmation permettant à un programme de communiquer avec une application) accessible et gratuite, ce qui rend l'inspection des données possible.
Le vibe coding au service de la création d'outils
Pour concevoir ce détecteur, Simon Willison a fait appel au vibe coding (méthode de développement où l'on guide un assistant IA en langage naturel pour produire le code sans l'écrire manuellement). Il a utilisé Claude Opus 5.5, un LLM (grand modèle de langage, une IA entraînée à comprendre et générer du texte ou du code). Cette approche permet d'assembler en quelques minutes un utilitaire fonctionnel capable de requêter les profils Bluesky et de calculer un niveau de suspicion.
Les signaux d'alerte analysés par l'outil
Le script passe au crible l'historique d'un profil et recherche des comportements typiques des scripts de spam :
- Fréquence anormale : des réponses publiées à quelques secondes d'intervalle depuis un même compte.
- Absence de contenu original : des comptes qui ne publient jamais leurs propres textes, images ou liens, mais passent leur temps à répondre aux autres.
- Ciblage sélectif : des interactions orientées uniquement vers des comptes disposant d'un grand nombre d'abonnés.
- Hameçonnage à l'engagement : l'utilisation récurrente de points d'interrogation, une tactique visant à inciter les humains à perdre du temps à répondre à des questions automatisées.
Exemple de structure des données analysées
L'outil interroge les endpoints de la plateforme pour évaluer les métriques d'un utilisateur. La structure de détection produite par le script s'apparente à ce format de données :
{
"compte_analyse": "@bot_suspect.bsky.social",
"indicateurs": {
"reponses_ultra_rapides": 12,
"messages_originaux": 0,
"cibles_influenceurs_uniquement": true,
"taux_questions": 0.90
},
"verdict_bot": true
}
Cet outil démontre l'intérêt du développement assisté par IA pour créer sur mesure des filtres de protection adaptés aux plateformes ouvertes. Un cas d'usage concret où l'IA générative aide à corriger les incivilités causées par d'autres agents automatisés.