Sur GitHub, l'étoile sert à tout : choisir une dépendance, juger la santé d'un projet, départager deux candidats lors d'un recrutement, ou remplir une slide de levée de fonds. Une étude menée sur cinq ans et demi d'activité montre que ce signal s'achète pour quelques centimes - et que l'acheteur en retire moins de deux mois d'illusion, suivis d'un passif.

Une étoile ne mesure pas l'usage, elle mesure l'attention
Le décalage est connu et documenté : le nombre d'étoiles est un signal de popularité, qui n'est corrélé que modérément à l'usage réel ou à l'importance d'un projet dans une chaîne de dépendances. Peu importe : les décisions, elles, se prennent quand même sur ce chiffre. Les développeurs trient les bibliothèques au nombre d'étoiles, les recruteurs regardent le profil GitHub, et une partie du capital-risque early stage lit la progression d'un dépôt comme une preuve d'exécution.
Le phénomène s'est déplacé vers l'IA et la blockchain, deux domaines où l'attention est la ressource rare, et où l'on examine justement les dépôts avant d'investir ou d'embaucher. C'est précisément ce qui rend la manipulation rentable : la valeur de l'étoile ne vient pas de son utilité intrinsèque, mais du fait que d'autres s'en servent comme raccourci.
Six millions d'étoiles suspectes, et trois séries de chiffres
Le travail de référence vient de chercheurs de Carnegie Mellon, de l'université de Caroline du Nord et de Socket, publié sur arXiv sous le titre "Six Million (Suspected) Fake Stars on GitHub". Leur outil, StarScout, passe au crible l'intégralité de GHArchive - environ 20 To de métadonnées, 63,9 millions d'utilisateurs et 331 millions de dépôts entre juillet 2019 et décembre 2024.
La détection repose sur deux signatures. La première, dite de faible activité, isole les comptes qui ont attribué une étoile puis quasiment disparu dans la journée. La seconde réimplémente CopyCatch, l'algorithme utilisé par Facebook contre les faux likes, pour repérer des groupes de comptes agissant de façon synchronisée sur un même ensemble de dépôts. Un post-traitement ne retient que les dépôts ayant récolté, sur un mois, plus de 100 étoiles dont la moitié de fausses, et plus de 10 % de fausses étoiles au total.
Résultat : 6,0 millions d'étoiles suspectes réparties sur 18 617 dépôts. Les versions antérieures de l'étude avancent d'autres chiffres - 4,5 millions d'étoiles attribuées par 1,32 million de comptes sur 22 915 dépôts, puis 3,1 millions après filtrage des faux positifs, sur 15 835 dépôts. Ces écarts ne sont pas des contradictions : ils correspondent à des étapes de nettoyage et à des seuils différents. Ces nombres restent des estimations de comportements suspects, pas un recensement certifié, et les chercheurs eux-mêmes reconnaissent qu'il subsiste des faux positifs.
La validation donne la mesure de la fiabilité : confronté au réseau "Stargazers Ghost Network" identifié par Check Point à l'été 2024, StarScout retrouve 81 % des dépôts et 76 % des comptes impliqués. Les dépôts et comptes signalés affichent par ailleurs un taux de suppression pouvant atteindre 90 %, seize fois supérieur à celui d'un dépôt ou d'un compte pris au hasard.
L'acheteur en retire moins de deux mois
C'est le résultat le plus intéressant économiquement, et le moins repris. Les chercheurs ont modélisé l'effet promotionnel des fausses étoiles sur les dépôts qui n'ont pas été supprimés. Le point de comparaison : une hausse de 1 % des vraies étoiles un mois donné est corrélée à une hausse de 0,36 % les deux mois suivants, puis de 0,15 % et 0,11 % au-delà. Avec des fausses étoiles, l'effet est trois à quatre fois plus faible, et il s'inverse rapidement : 0,08 % à deux mois, 0,04 % à trois mois, puis -0,05 % ensuite.
Autrement dit, l'achat gonfle l'affichage, mais n'entraîne presque aucune attention organique, et l'effet devient négatif. Les chercheurs n'ont pas pu appliquer un test de causalité au sens de Granger, faute de séries temporelles assez longues : ce sont des corrélations, pas une preuve mécanique. L'interprétation la plus plausible - et elle reste une hypothèse - est qu'un pic d'étoiles trop net finit par se voir pour ce qu'il est. Un dépôt dont la courbe explose sans commits, sans contributeurs et sans releases se fait repérer, et la sanction prend deux formes : la méfiance de la communauté, puis la suppression du dépôt, qui efface d'un coup l'investissement.
Pour le vendeur, en revanche, l'affaire est excellente. Un opérateur disposant de quelques centaines de comptes peut servir des dizaines de dépôts à coût marginal quasi nul. Les relevés publiés ces derniers mois situent l'étoile entre quelques centimes et près d'un dollar selon le vendeur, le haut de la fourchette correspondant à des comptes anciens, avec photo et historique crédible. Appliqué aux 6 millions d'étoiles suspectes, cela donne un ordre de grandeur de 200 000 dollars à quelques millions de dollars étalés sur cinq ans et demi - et encore, toutes ces étoiles ne sont pas achetées : une partie provient d'échanges réciproques ou d'exploitations gratuites. Certains articles parlent d'arnaques aux investisseurs "de plusieurs millions" ; je n'ai trouvé aucune documentation vérifiable de ces montants, et il vaut mieux les considérer comme des affirmations non étayées.

Le marché est donc minuscule en argent et énorme en dégâts. C'est la définition d'une externalité négative : le vendeur encaisse une marge mince, l'acheteur n'en tire que deux mois de vanité, et la facture atterrit chez des gens qui n'ont rien acheté.
Qui paie, concrètement
GitHub d'abord, qui supporte la détection, le traitement des signalements et le coût des faux positifs, tout en voyant se dévaluer ce qui fait la valeur de son classement et de ses recommandations. Les mainteneurs honnêtes ensuite, qui concourent à armes inégales dans les flux "trending" contre des projets dont la popularité est achetée. Les investisseurs et les recruteurs, qui financent ou embauchent sur un indicateur gonflé. Et la sécurité de tous, puisque les grappes de faux comptes servent aussi d'infrastructure de distribution de logiciels malveillants : le "Stargazers Ghost Network" documenté par Check Point est un service clé en main de diffusion d'infostealers, où les étoiles ne sont qu'un des rouages.

Reste un point souvent mal posé : le cadre existe déjà. Les règles d'usage de GitHub interdisent explicitement les interactions inauthentiques - faux comptes, activité automatisée inauthentique - et l'abus de classement, qui couvre l'attribution automatisée d'étoiles. Acheter des étoiles n'est pas une zone grise : c'est une violation de contrat. Le problème n'est pas l'absence de règle, c'est le coût de son application : après le signalement des chercheurs en juillet 2024, GitHub a supprimé les comptes et les dépôts incriminés - mais les campagnes ont redémarré ailleurs. À cette date, près de 16 % des dépôts comptant plus de 50 étoiles étaient impliqués dans une campagne malveillante.
Ce qu'un bricoleur peut vérifier avant de cloner
La bonne nouvelle, pour qui installe une bibliothèque ou un firmware trouvé sur GitHub, c'est que les signaux d'alerte sont visibles à l'oeil nu, et que des outils ouverts implémentent désormais la détection (StarScout, fake-star-check, realstars).
- La courbe d'étoiles. Un pic vertical sur quarante-huit heures, sans release ni commit majeur au même moment, n'est pas de la croissance, c'est un achat.
- Le profil des nouveaux venus. Ouvrez la liste des stargazers : comptes créés récemment, sans dépôt, sans contribution, une seule étoile donnée. Un dépôt sain a des "étoileurs" avec un historique.
- Le ratio étoiles / forks / contributeurs. Dix mille étoiles, douze forks et un seul auteur, c'est un déséquilibre qui demande une explication.
- L'activité réelle. Fréquence des commits, réactivité aux issues, cadence des releases, présence d'une documentation et de tests. C'est plus long, mais c'est ce que les étoiles sont censées résumer.
- La nature du dépôt. La majorité des dépôts à fausses étoiles vivent moins de trois jours et, à en juger par leur nom, relèvent de logiciels piratés, de triches de jeux vidéo ou de bots crypto. Un "outil gratuit" qui ressemble à la copie d'un logiciel payant se lance dans une machine virtuelle, jamais sur votre poste de travail.
La loi de Campbell, ou pourquoi changer d'indicateur ne suffira pas
L'étude cite Donald T. Campbell : plus un indicateur quantitatif sert à prendre des décisions sociales, plus il est exposé à la corruption et plus il risque de déformer les processus qu'il prétend mesurer. Le corollaire est désagréable : remplacer les étoiles par les téléchargements npm, les installations PyPI ou les mentions dans les classements ne réglera rien. Tous ces compteurs sont aussi faciles, sinon plus, à gonfler.
Ce qui coûte cher, ce n'est pas de produire un signal, c'est de le vérifier. La piste sérieuse consiste donc à faire baisser le coût de la vérification indépendante - audits de sécurité, builds reproductibles, provenance signée des artefacts, revue de code réelle - plutôt qu'à chercher un chiffre plus propre. En attendant, la seule règle qui tienne pour un développeur ou un bricoleur est celle que répètent les chercheurs : regarder au-delà du compteur, lire le code et l'historique, et se demander qui a intérêt à ce que ce chiffre soit haut.