Anthropic: Simon-Willison-Zitat enthüllt den eigentlichen Test für KI-Kryptanalyse

Die Berichterstattung zu Anthropic und Simon Willison enthält nun eine deutlichere Warnung: Claude erzielte zwei kryptografische Fortschritte, doch keiner der beiden Angriffe kompromittiert heute betriebene Systeme. Der Konflikt liegt anderswo. Die KI-Kryptanalyse verbessert sich, während Regierungen und Ingenieure die mathematischen Grundlagen auswählen, die digitale Systeme über Jahrzehnte schützen müssen.

Am 28. Juli 2026 erklärte Anthropic, dass Claude Mythos Preview Angriffe auf HAWK und eine reduzierte Rundenversion von AES-128 verbessert habe. HAWK ist ein vorgeschlagenes Post-Quantum-Signaturverfahren. AES ist die etablierte symmetrische Chiffre hinter zahllosen sicheren Anwendungen, wobei Anthropic nur eine absichtlich geschwächte Variante testete.

Simon Willison hob die Arbeit hervor, bevor er am 29. Juli den Kryptografen Matthew Green von Johns Hopkins zitierte. Green argumentierte, dass KI-Kryptanalyse zu einem ungewöhnlich günstigen Zeitpunkt aufkomme. Die Branche migriert von RSA- und Elliptic-Curve-Signaturen zu neueren Problemen, die Quantencomputern widerstehen sollen.

Dieses Timing schafft die zentrale Spannung. Claudes Ergebnisse können die öffentliche Prüfung stärken, bevor Standards den Produktiveinsatz erreichen. Schnellere automatisierte Kryptanalyse kann jedoch auch die menschlichen Institutionen überfordern, die für die Validierung von Entdeckungen, die Koordinierung von Offenlegungen und den Ersatz beschädigter Entwürfe zuständig sind.

Die Anthropic-Simon-Forschung veränderte die Ausgangslage der Kryptanalyse

Die wichtige Veränderung besteht nicht darin, dass Claude eingesetzte Verschlüsselung gebrochen hätte, denn das hat es nicht. Claude erzielte Forschungsfortschritte bei zwei sorgfältig abgegrenzten Zielen.

Anthropics erstes Ergebnis betraf HAWK, ein gitterbasiertes digitales Signaturverfahren, das in NISTs zusätzlichem Post-Quantum-Signaturprozess geprüft wird. Eine digitale Signatur ermöglicht Software, Identitäten zu verifizieren und unautorisierte Änderungen zu erkennen, ohne einen privaten Signaturschlüssel preiszugeben.

HAWK hatte bereits zwei Runden öffentlicher Bewertung über rund zwei Jahre durchlaufen. Laut Anthropics Kryptografieforschung verbesserte Mythos nach etwa 60 Stunden Arbeit den bislang besten bekannten Angriff.

Das Modell identifizierte einen nichttrivialen Automorphismus, also eine mathematische Symmetrie innerhalb der zugrunde liegenden Gitterstruktur von HAWK. Frühere Forschung hatte gezeigt, dass das Finden einer solchen Symmetrie einen Angriff ermöglichen würde. Sie hatte jedoch nicht gezeigt, dass die relevante Symmetrie in HAWK zugänglich war.

Anthropic zufolge verringerte der daraus resultierende Enumerationsangriff die effektive Sicherheit des kleinsten HAWK-256-Challenge-Parameters. Die erwarteten Kosten für die Schlüsselwiederherstellung sanken von ungefähr 2^64 Operationen auf 2^38 Operationen.

Dieser Unterschied ist erheblich. Ein Faktor von 2^26 trennt diese Schätzungen, was unter dem angegebenen Modell etwa 67 Millionen Mal weniger Arbeit bedeutet. Dennoch ist HAWK-256 ein kleiner Challenge-Parameter und keine Produktionskonfiguration.

Der Angriff bleibt exponentiell, sodass seine Kosten mit größeren Schlüsseln rasch steigen. Anthropic erklärt, dass die größeren HAWK-Parameter weiterhin praktisch nicht angreifbar seien. Die Schwäche ist zudem spezifisch für HAWK und nicht für Gitterkryptografie insgesamt.

Das zweite Ergebnis zielte auf AES-128 mit sieben Runden. AES-128 im Produktiveinsatz verwendet zehn Runden wiederholter Transformationen, während Forschende absichtlich Runden entfernen, um zu untersuchen, wie sich seine Sicherheitsmarge verhält.

Mythos entwickelte eine Fingerprinting-Methode namens Möbius Bridge. Anthropic zufolge entfernte sie einen 256-fachen Rateschritt aus einem bestehenden Meet-in-the-Middle-Angriff, der zusätzlichen Speicher gegen weniger Rechenaufwand eintauscht.

Weitere Optimierungen führten gegenüber früheren Angriffen zu einer geschätzten Beschleunigung um das 200- bis 800-Fache. Das Experiment setzte jedoch weiterhin Zugriff auf 2^105 gewählte Klartexte voraus – ein unmögliches Volumen für jede praktische Operation.

Das Modell knackte daher nicht AES in seiner eingesetzten Form. Es brachte eine spezialisierte Forschungslinie zu einer schwächeren Laborversion voran. Diese Unterscheidung trennt ein bedeutendes wissenschaftliches Ergebnis von einem unmittelbaren Cybersicherheitsnotfall.

Beide Forschungsstränge waren kostspielig. Anthropic schätzte die API-Nutzung für jedes Hauptergebnis auf etwa 100.000 US-Dollar. Die AES-Untersuchung erzeugte rund eine Milliarde Output-Tokens, bevor sie ihre veröffentlichte Methode erreichte.

Die Anthropic-Simon-Diskussion ist wichtig, weil Willison darauf fokussierte, wie wenig Experten-Prompting offenbar nötig war. Menschliche Operatoren wiesen das Modell wiederholt an, anspruchsvollere Ergebnisse zu verfolgen, statt seine anfängliche Schlussfolgerung zu akzeptieren, die Aufgabe sei nicht machbar.

Diese Eingriffe waren wichtig, enthielten aber nicht die abschließende mathematische Einsicht. Das Modell schlug Kandidatentransformationen vor, verwarf gescheiterte Ansätze, testete Alternativen und entwickelte den Kern-Fingerprint in einem agentischen Forschungsprozess.

Damit geht die Debatte über die Frage hinaus, ob eine KI bekannte kryptografische Literatur wiedergeben kann. Die schwierigere Frage lautet, ob anhaltende Modellinferenz, Rechenwerkzeuge und grundlegende Forschungssteuerung nützliche neue Angriffe hervorbringen können.

Warum Matthew Green das Timing als nahezu ideal bezeichnet

KI-Kryptanalyse entsteht, während die Sicherheitsgemeinschaft ihre wichtigsten Public-Key-Grundlagen ersetzt, was der defensiven Prüfung einen ungewöhnlich hohen Wert verleiht.

Greens Argument beginnt mit dem Post-Quantum-Übergang. Gegenwärtige Public-Key-Systeme beruhen häufig auf RSA oder Elliptic-Curve-Kryptografie, deren Sicherheit auf mathematischen Problemen basiert, die ausreichend leistungsfähige Quantencomputer effizient lösen könnten.

Diese Bedrohung bedeutet nicht, dass heute bereits ein kryptografisch relevanter Quantencomputer existiert. Sie bedeutet, dass langlebige Systeme Ersatzalgorithmen benötigen, bevor eine solche Maschine verfügbar wird.

Die Migration dauert Jahre, weil Kryptografie tief in Betriebssystemen, Browsern, Identitätsdiensten, eingebetteten Geräten, Zertifikaten, Zahlungsinfrastruktur und Unternehmenssoftware verankert ist. Gespeicherte verschlüsselte Informationen können zudem „harvest now, decrypt later“-Angriffen ausgesetzt sein.

NIST begann 2016 mit der formalen Post-Quantum-Standardisierung. Im August 2024 finalisierte die Behörde ihre ersten drei zentralen Post-Quantum-Standards für allgemeine Verschlüsselung und digitale Signaturen.

Die Behörde prüft weiterhin zusätzliche Signaturansätze. Vielfalt ist wichtig, weil Organisationen unterschiedliche Leistungsanforderungen haben und die Abhängigkeit von einer mathematischen Familie systemische Risiken konzentrieren kann.

HAWK trat als kompaktes Signaturdesign auf Basis von Gitterisomorphismus in diese umfassendere Suche ein. Es besaß Eigenschaften, die es dort attraktiv machen könnten, wo Signaturgröße, Schlüsselgröße oder Implementierungsabwägungen wichtig sind.

Claudes Ergebnis stellt dieses Gleichgewicht infrage. Anthropic argumentiert, dass die Wiederherstellung der vorgesehenen Sicherheitsmarge größere HAWK-Schlüssel erfordern würde und damit mehrere Eigenschaften wegfielen, die den Vorschlag attraktiv machten.

Dieses Ergebnis ist kein Beleg dafür, dass die öffentliche Standardisierung versagt hat. Offene Wettbewerbe setzen Kandidatenalgorithmen bewusst adversarialer Analyse aus, bevor Softwareanbieter und Regierungen von ihnen abhängig werden.

Die historische Bilanz zeigt, warum. SIKE, ein weiterer Post-Quantum-Kandidat, überstand jahrelange Untersuchungen, bevor Forschende 2022 einen verheerenden klassischen Angriff fanden. Der Bruch lief Berichten zufolge auf einem gewöhnlichen Laptop.

Green sieht KI als Möglichkeit, diese adversariale Kapazität in der Phase auszubauen, in der sie den größten defensiven Ertrag liefert. Simon Willisons Matthew-Green-Zitat beschreibt diesen Moment als einen „perfekten Zeitpunkt“ für öffentliche KI-Kryptanalyse.

Der Nutzen geht über das Aussortieren schwacher Kandidaten hinaus. Wiederholte, glaubwürdige Angriffe können Forschenden helfen, zu erkennen, welchen Annahmen sie vertrauen sollten und welche Entwurfsmuster versteckte Angriffsflächen schaffen.

Kryptografie gewinnt kein Vertrauen, weil bislang niemand einen Angriff gefunden hat. Vertrauen wächst durch Jahre öffentlicher Versuche, veröffentlichter Fehlschläge, verbesserter Angriffe, korrigierter Beweise und unabhängiger Reproduktion.

KI kann die Zahl der in diesem Prozess untersuchten Hypothesen erhöhen. Sie kann schwer auffindbare Fachartikel durchsuchen, mathematische Bedingungen in Experimente übersetzen, Verifizierungscode schreiben und mehrere Forschungszweige aktiv halten.

Diese Fähigkeit ist wichtig, weil Expertenaufmerksamkeit knapp ist. Viele Algorithmen werden weitaus weniger analysiert als AES, dessen Design seit der Auswahl durch NIST im Jahr 2001 kontinuierlich untersucht wird.

Der stärkste defensive Anwendungsfall ähnelt kontinuierlichem automatisiertem Testen für Mathematik. Modelle schlagen Angriffe vor, Rechenwerkzeuge verwerfen schwache Ideen, Experten validieren die Überlebenden und Designer überarbeiten ihre Verfahren.

Entwickler, die diese Arbeit verfolgen, sollten nicht jedes Ergebnis zu reduzierten Runden als Grund verstehen, zugelassene Primitive aufzugeben. Stattdessen sollten sie Auswirkungen auf den Produktiveinsatz von Hinweisen auf künftige Forschungskapazitäten unterscheiden.

Wissensmanagement wird hier relevant, weil die Verifizierung die Bewahrung von Prompts, Quellarbeiten, gescheiterten Hypothesen, Code, Gutachterkommentaren und Offenlegungsentscheidungen erfordert. Eine durchsuchbare Engineering-Wissensdatenbank kann diese Belege während langer Prüfungen verknüpft halten.

Der Post-Quantum-Übergang gibt der KI-Kryptanalyse ein klares defensives Ziel. Kandidatensysteme sind öffentlich, die Bereitstellung bleibt begrenzt und Institutionen verfügen bereits über Prozesse für den Empfang kritischer Analysen.

Diese günstige Ausrichtung wird nicht ewig bestehen. Sobald ein verwundbares Primitive weit verbreitet eingesetzt wird, verursacht die Identifizierung seiner Schwäche dringende Ersatzkosten und ein potenziell gefährliches Offenlegungsproblem.

Der eigentliche Wettbewerb lautet KI-Entdeckung gegen menschliche Verifizierung

Der primäre Gegner ist nicht Claude gegen menschliche Kryptografen. Es ist die Geschwindigkeit automatisierter Entdeckungen gegen die begrenzte menschliche Kapazität, die nötig ist, um Wahrheit festzustellen.

Anthropic beschreibt Mythos während beider Untersuchungen als größtenteils autonom. Entdeckung und Akzeptanz blieben jedoch getrennte Phasen, und die zweite bewegte sich deutlich langsamer.

Der HAWK-Angriff war vergleichsweise einfach zu validieren, weil Forschende die Pipeline zur Schlüsselwiederherstellung vollständig implementieren konnten. Ein Prüfer konnte einen Schlüssel erzeugen, den Angriff ausführen und bestätigen, ob er das Geheimnis wiederherstellte.

Das AES-Ergebnis stellte eine andere Herausforderung dar. Seine Anforderungen liegen weiterhin weit jenseits praktischer Ausführung, sodass Prüfer nicht einfach den gesamten Angriff in der behaupteten Größenordnung ausführen konnten.

Stattdessen mussten sie die Mathematik prüfen, kleinere Instanzen testen, die Komplexität analysieren und bestätigen, dass jede Reduktion wie beschrieben funktionierte. Anthropic zufolge verbrachten zwei Forschende mehrere hundert Stunden mit dieser Arbeit.

Das Modell entwickelte die AES-Idee in ungefähr einer Woche. Menschliche Forschende benötigten anschließend fast einen Monat, um Vertrauen in das Ergebnis zu gewinnen, obwohl sie sich intensiv auf die Behauptung konzentrierten.

Anthropic räumte zudem ein, dass seine Forschenden keine Spezialisten für Kryptografie waren. Sie mussten genügend über das Fachgebiet lernen, um die Methode zu validieren und eine Arbeit vorzubereiten.

Diese Offenlegung stützt zwei Lesarten. Sie zeigt, dass ein Modell Nicht-Spezialisten helfen kann, fortgeschrittene Ergebnisse zu erzielen. Sie zeigt auch, warum eine unabhängige Expertenprüfung erforderlich bleibt, bevor das Fachgebiet diese Ergebnisse akzeptiert.

Ein Modell kann überzeugend wirkenden mathematischen Text neben subtilen Fehlern erzeugen. Eine lange Herleitung kann von einer unbegründeten Annahme, einer übersehenen früheren Arbeit oder einer Komplexitätsschätzung abhängen, die unter realistischen Speicherkosten scheitert.

Auch Neuheit stellt ein Problem dar. Die Wiederentdeckung eines schwer auffindbaren Ergebnisses kann neu erscheinen, wenn die Literaturrecherche unvollständig ist. Dieses Risiko steigt in der Kryptografie, wo relevante Arbeiten Jahrzehnte, Sprachen, Workshops, Preprints und spezialisierte Notation umfassen können.

Die unabhängige CryptanalysisBench-Studie liefert einen breiteren Kontext. Ihre Autoren stellten 191 Aufgaben aus sechs kryptografischen Familien und drei Schwierigkeitsstufen zusammen.

Fünf Frontier-Modelle brachen Berichten zufolge zwischen 65 % und 86 % der Verfahren mit bekannten praktischen Angriffen. Außerdem lösten sie zwischen sechs und zwölf Aufgaben voller Stärke aus einer schwierigeren zweiten Stufe.

Diese Zahlen belegen keine uneingeschränkte Expertenfähigkeit. Benchmarks vereinfachen die Umgebung, ausgewählte Probleme können sich von offener Forschung unterscheiden, und die Leistung hängt von Gerüsten, Inferenzbudgets und Evaluierungsregeln ab.

Die Ergebnisse stützen jedoch Anthropic’s engere Behauptung, dass moderne Modelle echte kryptanalytische Arbeit leisten können. Die relevante Frage ist nicht länger, ob diese Fähigkeit überhaupt existiert.

Der Engpass verlagert sich nun auf die Prüfung eines wachsenden Volumens plausibler Ergebnisse. Anthropic prognostiziert, dass die akademische Kryptografie demselben Triage-Druck ausgesetzt sein könnte, der sich bereits in der Forschung zu Software-Schwachstellen abzeichnet.

Dies ist nicht bloß eine administrative Sorge. Eine falsche Behauptung kann Wochen an Expertenzeit verschwenden, das Vertrauen in einen soliden Standard beschädigen oder öffentliche Panik um Systeme auslösen, die weiterhin sicher sind.

Eine gültige Behauptung kann noch schwerer zu handhaben sein. Prüfer müssen sie reproduzieren, betroffene Systeme identifizieren, Entwickler kontaktieren, sich mit Standardisierungsgremien abstimmen und entscheiden, wann technische Details öffentlich werden sollten.

Große Inferenzbudgets vertiefen das Ungleichgewicht. Die AES-Arbeit verbrauchte eine Milliarde Output-Tokens, während Menschen dieses Volumen nicht direkt lesen oder prüfen können.

Forscher benötigen strukturierte Evidenz statt roher Modelltranskripte. Nützliche Systeme müssen festhalten, welche Behauptungen Tests überstanden haben, welcher Code sie stützt und an welchen Stellen menschliches Urteil die Untersuchung veränderte.

KI-Laboratorien benötigen außerdem Anreize, die sorgfältige negative Befunde belohnen. Dramatische Schlagzeilen wie „KI hat Verschlüsselung gebrochen“ können Aufmerksamkeit erzeugen, selbst wenn das Ziel nicht eingesetzt wird oder absichtlich geschwächt wurde.

Simon Willison vermied diese Falle, indem er Anthropic’s ausdrückliche Einschränkung betonte: Keines der Ergebnisse betrifft aktuelle Produktionssysteme. Seine Einordnung hielt den Fokus auf der Forschungsmethode und ihren künftigen Folgen.

Der Wettbewerb wird daher durch die Verifikationsinfrastruktur entschieden. Schnellere Modelle allein können Kryptografie nicht sicherer machen, wenn die Prüfwarteschlangen schneller wachsen, als vertrauenswürdige Experten sie abarbeiten können.

Was die Anthropic-Simon-Erzählung nicht überzeichnen darf

Claude’s Angriffe verdienen Aufmerksamkeit, zeigen aber nicht, dass die Internetverschlüsselung zusammenbricht oder dass KI die moderne Kryptografie besiegt hat.

Das HAWK-Ergebnis betrifft ein vorgeschlagenes Signaturverfahren. Es schwächt weder die bereits von NIST ausgewählten standardisierten Post-Quantum-Algorithmen noch andere Signaturkandidaten oder jede Konstruktion auf Basis von Gittern.

HAWK hat zudem keine etablierte Verbreitung in Produktionsumgebungen. Seine Entfernung oder Überarbeitung während der Evaluierung würde zeigen, dass der Standardisierungsprozess vor einer breiten Einführung funktioniert.

Das AES-Ergebnis lässt sich noch leichter falsch darstellen. Vollständiges AES-128 verwendet zehn Runden, während Mythos sieben angriff. Das Entfernen von drei Runden verändert den analysierten Gegenstand.

Forscher untersuchen Chiffren mit reduzierter Rundenzahl, weil Verbesserungen strukturelle Erkenntnisse offenlegen können. Ein Angriff auf sieben Runden lässt sich jedoch nicht automatisch auf acht, neun oder zehn übertragen.

Auch sein Datenbedarf ist relevant. Der vorherige Angriff setzte 2^105 gewählte Klartexte voraus, und Anthropic’s Verbesserung machte diese Anforderung nicht operativ plausibel.

Zum Vergleich: 2^105 sind ungefähr 40 Undezillionen Eingaben. Kein Angreifer kann so viele gewählte Verschlüsselungen gegen einen realen Dienst erfassen, übertragen, speichern oder verarbeiten.

Anthropic’s eigene Fußnote besagt, dass die Implementierung des Angriffs auf die reduzierte Rundenzahl weiterhin Hunderte Millionen Dollar kosten würde. Selbst diese Schätzung betrifft eine geschwächte Chiffre und nicht eingesetztes AES-128.

Das Unternehmen verdient Anerkennung dafür, diese Grenzen deutlich zu benennen. Sekundärberichterstattung und Social-Media-Beiträge können sie dennoch auslöschen und aus „verbessertem akademischem Angriff“ ein „KI hat AES geknackt“ machen.

Auch hinsichtlich der Zuschreibung bleiben Fragen offen. Anthropic veröffentlichte Materialien, die Modellaktivitäten zeigen, doch jeder komplexe agentische Workflow vermischt Modellausgaben mit dem Design des Gerüsts, Tool-Zugriff, Zielauswahl und menschlichem Feedback.

Die menschlichen Prompts waren kurz und bestanden manchmal hauptsächlich aus Ermutigung. Dennoch wählten Menschen das Forschungsziel aus, bauten die Umgebung auf, prüften Ausgaben und entschieden, welche Zweige weitere Rechenzeit verdienten.

Die Arbeit als vollständig autonom zu bezeichnen, würde die Evidenz daher überzeichnen. Eine treffendere Beschreibung ist nachhaltige agentische Forschung mit begrenzter substanzieller Anleitung und umfassender menschlicher Validierung.

Auch die Kosten begrenzen die Generalisierbarkeit. Rund 100.000 US-Dollar pro Ergebnis sind für ein Frontier-Labor oder ein Regierungsprogramm tragbar. Für die meisten Universitätsgruppen oder Standardisierungsteams sind sie keine routinemäßige Ausgabe.

Künftige Modelle könnten diese Kosten senken. Vorerst zeigt das Ergebnis, was ein großes, konzentriertes Inferenzbudget erreichen kann – nicht, was jeder Entwickler in einer kurzen Chat-Sitzung reproduzieren kann.

Auch die Benchmark-Evidenz verdient ähnliche Zurückhaltung. Erfolge bei bekannten Brüchen bestätigen Such- und Schlussfolgerungsfähigkeit, beweisen jedoch nicht, dass Modelle unbekannte Schwachstellen in Produktionskryptografie zuverlässig identifizieren werden.

Die Forschungsauswahl kann einen Sichtbarkeitsbias erzeugen. Erfolgreiche Untersuchungen werden zu Papers, während fehlgeschlagene Läufe, doppelte Ergebnisse und nicht verifizierbare Behauptungen weniger öffentliche Aufmerksamkeit erhalten.

Anthropic merkte an, dass viele Sitzungen keine Entdeckungen hervorbrachten. Dieses Detail sollte bei der Bewertung der Effizienz und Zuverlässigkeit des Ansatzes zentral bleiben.

Unabhängige Bestätigung wird den stärksten Test liefern. Die HAWK-Autoren, NIST-Teilnehmer und externe Kryptografen müssen die Sicherheitsabschätzungen und Implikationen des Angriffs untersuchen.

CyberScoop’s technischer Bericht meldete, dass Anthropic sich mit Wissenschaftlern abstimmte und den HAWK-Fund vor der Veröffentlichung offenlegte. Dieser Prozess erhöht das Vertrauen, doch die Veröffentlichung beginnt die öffentliche Prüfung lediglich, statt sie abzuschließen.

Die größte Unsicherheit betrifft die Frage, was geschieht, wenn sich das Ziel ändert. Vorgeschlagene Verfahren und Chiffren mit reduzierter Rundenzahl sind sicherere Forschungsobjekte als eingesetzte Algorithmen, die aktuelle Kommunikation schützen.

Ein von KI erzeugter Fehler in einem verbreiteten Protokoll würde widersprüchliche Pflichten schaffen. Forscher bräuchten genügend Offenheit für eine unabhängige Verifikation, doch eine vorzeitige Veröffentlichung könnte Angreifern eine einsatzfähige Methode liefern.

Modellanbieter könnten zudem über wesentliche Fähigkeiten verfügen, bevor externe Institutionen vergleichbaren Zugang haben. Diese Asymmetrie würde Fragen zu Aufsicht, Offenlegungsfristen und dazu aufwerfen, wer entscheidet, welche Forschung veröffentlicht wird.

Diese Governance-Probleme entkräften nicht den defensiven Nutzen. Sie zeigen, warum Forschungskapazität und institutionelle Kapazität gemeinsam wachsen müssen.

Drei Signale werden zeigen, ob KI die Kryptografie sicherer macht

Die nächste Phase hängt von Reproduzierbarkeit, der Übernahme durch Standardisierung und davon ab, ob Verifikationssysteme parallel zu modellgenerierten Entdeckungen skalieren.

Das erste Signal ist die unabhängige Reproduktion des HAWK-Angriffs. Externe Forscher sollten den nichttrivialen Automorphismus, die 2^38-Schätzung für HAWK-256 und die Auswirkungen auf größere Parameter bestätigen.

Eine Reproduktion würde die Behauptung stärken, dass ein agentisches Modell eine bedeutende Schwäche fand, die bei einer langwierigen öffentlichen Prüfung übersehen wurde. Wesentliche Korrekturen würden Behauptungen über Claude’s Forschungszuverlässigkeit schwächen.

Das zweite Signal ist NIST’s Umgang mit HAWK und ähnlichen Kandidaten. Prüfer könnten HAWK ablehnen, seine Parameter überarbeiten, weitere Analysen anfordern oder entscheiden, dass andere Vorteile eine weitere Berücksichtigung rechtfertigen.

Das genaue Ergebnis ist weniger wichtig als der Prozess. Standardisierungsgremien benötigen einen wiederholbaren Weg, KI-gestützte Einreichungen zu akzeptieren, ohne die Evidenzanforderungen zu senken.

KI-generierte Kryptanalyse sollte derselben mathematischen Prüfung wie menschliche Arbeit unterzogen werden. Sie könnte zudem zusätzliche Aufzeichnungen zu Inferenz-Einstellungen, Gerüsten, Tool-Zugriff, fehlgeschlagenen Pfaden und menschlichen Eingriffen erfordern.

Das dritte Signal ist Anthropic’s angekündigte Ausweitung der öffentlichen Evaluierung. Das Unternehmen erklärte, es plane einen akademischen Workshop und weitere Veröffentlichungen zu Angriffen auf andere Chiffren mit reduzierter Rundenzahl.

Anthropic berichtete über einen vorläufigen Angriff auf LEA mit 13 Runden, der auf einem modernen Desktop in weniger als einer Stunde läuft. Vollständiges LEA verwendet 24 Runden, weshalb auch dieses Ergebnis keine unmittelbaren Auswirkungen auf Produktionsumgebungen hat.

Es beschrieb außerdem einen Angriff auf sechs Runden von Serpent-128, dessen vollständiges Design 32 Runden verwendet. Weitere begrenzte Verbesserungen betrafen Berichten zufolge Salsa20, Poseidon und SHA-1.

Diese Folgebehauptungen benötigen Papers, Code, externe Prüfung und präzise Bedrohungsmodelle. Ein stetiger Strom unabhängig bestätigter Ergebnisse würde Green’s optimistische Lesart stützen.

Eine Flut unklarer oder doppelter Behauptungen würde dagegen auf den Verifikationsengpass hinweisen. Das Feld bräuchte dann bessere Filter, bevor es das rohe Entdeckungsvolumen ausweitet.

Langfristig sollten Forscher beobachten, ob Modelle vom Angriff auf reduzierte Varianten zur Bewertung vollständiger Kandidatendesigns übergehen. Produktionsprimitive mit voller Rundenzahl setzen eine deutlich höhere Hürde.

Sie sollten außerdem messen, wie oft KI Schwachstellen vor menschlichen Prüfern findet. Einzelne Erfolgsgeschichten sind aufschlussreich, doch systematische Vergleiche würden zeigen, ob Modelle die Abdeckung erweitern oder überwiegend Expertenarbeit duplizieren.

Die HAWK-Spezifikation und die zugehörigen öffentlichen Materialien bieten die richtige Umgebung für diesen Test. Offene Spezifikationen ermöglichen es unabhängigen Teams, sowohl das Design als auch Anthropic’s Analyse zu hinterfragen.

Organisationen müssen wegen dieser Forschung kein eingesetztes AES ändern. Sie sollten weiterhin genehmigten kryptografischen Leitlinien folgen, ältere Public-Key-Abhängigkeiten inventarisieren und Pläne für die Post-Quantum-Migration vorbereiten.

Sicherheitsverantwortliche sollten zudem Verfahren für den Empfang KI-gestützter Befunde einrichten. Diese Verfahren benötigen technische Triage, Anforderungen an die Reproduzierbarkeit, Offenlegungskanäle und klare Zuständigkeiten für Abhilfeentscheidungen.

Forscher sollten negative Ergebnisse bewahren. Fehlgeschlagene Ansätze können doppelte Arbeit verhindern, Modellgrenzen aufzeigen und zeigen, ob ein behaupteter Erfolg aus systematischer Suche oder außergewöhnlichem Glück hervorging.

Der Austausch zwischen Anthropic und Simon erfasst letztlich eine seltene Übereinstimmung von Fähigkeit und Bedarf. KI wird in adversarialer Mathematik besser, genau zu dem Zeitpunkt, an dem die Welt eine breitere Prüfung unbekannter Sicherheitsannahmen benötigt.

Green’s Optimismus bleibt bedingt. KI-Kryptanalyse stärkt die Sicherheit nur, wenn Menschen ihre Ergebnisse validieren, schwache Designs überarbeiten und Offenlegungen koordinieren können, bevor Angreifer einen Vorteil erlangen.

Werden Standardisierungsorganisationen diese Kapazität aufbauen, während die Ziele noch nicht eingesetzt sind? Entwickler, Forscher und Sicherheitsteams sollten die drei Signale genau verfolgen: unabhängige Reproduktion, NIST’s Reaktion und die Qualität von Anthropic’s nächsten Offenlegungen.

Diese Signale werden zeigen, ob Claude’s Arbeit eine sicherere Ära kontinuierlicher kryptografischer Prüfung einleitet oder lediglich eine schnellere Warteschlange von Behauptungen schafft, die auf menschliches Urteil warten.