La asociación entre Amazon y Anthropic enfrenta una nueva prueba mientras Claude descubre debilidades criptográficas

Investigadores asociados de Amazon Anthropic afirman que Claude Mythos Preview descubrió dos nuevos ataques criptográficos, pese a insistir inicialmente en que el objetivo más difícil era casi imposible. Los resultados afectan a HAWK y a una versión de investigación de AES-128 de siete rondas. Ninguno de los ataques amenaza sistemas en producción, pero ambos cuestionan las suposiciones sobre cómo contribuye la IA a la investigación matemática avanzada.

El detalle más revelador no fue la velocidad de los ataques ni el presupuesto de cómputo. Fue cuánta persistencia necesitó el modelo de sus operadores humanos. Claude intentó repetidamente problemas más sencillos, descartó vías prometedoras y sugirió cambiar el objetivo. Los investigadores siguieron orientándolo hacia un resultado apto para publicación.

Esa interacción define la verdadera competencia. La comparación relevante no es simplemente Claude frente a criptógrafos humanos. Es la investigación persistente y respaldada por andamiaje de IA frente a la tendencia del modelo a abandonar trabajos que parecen improductivos. El descubrimiento dependió de ambas partes, mientras que la verificación humana requirió mucho más tiempo que la exploración de la máquina.

Claude encontró dos ataques, pero ninguno rompe el cifrado desplegado

Claude Mythos produjo avances de investigación legítimos sin comprometer el cifrado utilizado en los productos actuales.

Anthropic publicó los resultados el 28 de julio de 2026. Su investigación criptográfica describe un ataque mejorado de recuperación de claves contra HAWK y un ataque más rápido contra AES-128 de siete rondas.

HAWK es una propuesta de firma digital poscuántica. Las firmas digitales permiten a un sistema verificar la identidad de un remitente y confirmar que la información no ha cambiado. Los esquemas poscuánticos buscan preservar esas garantías frente a futuros ordenadores cuánticos.

El Instituto Nacional de Estándares y Tecnología de Estados Unidos comenzó a buscar algoritmos adicionales de firma poscuántica en 2022. HAWK alcanzó la tercera ronda de ese proceso público de revisión tras superar dos rondas anteriores durante aproximadamente dos años.

Mythos encontró una simetría no utilizada previamente en la retícula subyacente de HAWK. Una retícula es una estructura matemática en forma de cuadrícula cuyos problemas computacionales difíciles pueden proporcionar seguridad criptográfica. La simetría, llamada automorfismo no trivial, permite una búsqueda más rápida de una clave secreta.

El resultado reduce aproximadamente a la mitad la solidez efectiva de las claves de HAWK, según Anthropic. Para el conjunto de parámetros más pequeño HAWK-256, el trabajo estimado para la recuperación completa de la clave cayó de 2^64 operaciones a 2^38.

Eso no significa que todas las configuraciones de HAWK sean ahora fáciles de atacar. Las claves más grandes aún requieren una búsqueda exponencial impracticable. El ataque también es específico de HAWK y no debilita a otros candidatos de firmas poscuánticas ni a la criptografía de retículas en general.

Sin embargo, mantener la seguridad prevista de HAWK requeriría claves mucho más grandes. Ese cambio erosionaría la eficiencia que hacía atractiva la propuesta. Por tanto, el ataque es relevante para la selección de estándares, aunque HAWK no haya entrado en producción.

El segundo hallazgo se refiere a AES, el Estándar de Cifrado Avanzado adoptado por NIST en 2001. AES-128 protege los datos aplicando 10 rondas repetidas de transformación. Cada ronda oscurece aún más la relación entre el texto plano, la clave y la salida cifrada.

Claude no atacó esas 10 rondas. Atacó una versión deliberadamente debilitada de siete rondas que los investigadores utilizan para medir el margen de seguridad del cifrador completo.

Esta distinción es decisiva. El criptoanálisis de rondas reducidas comprueba si los métodos de ataque empiezan a avanzar antes de alcanzar el diseño completo de un cifrador. Se parece a someter a pruebas de esfuerzo una parte de un puente, no a demostrar que el puente se ha derrumbado.

El ataque también presupone acceso a 2^105 textos planos elegidos. En un modelo de texto plano elegido, un atacante selecciona entradas y recibe sus salidas cifradas bajo una clave fija y desconocida. Ese requisito de datos por sí solo hace que el experimento sea imposible en la práctica.

Anthropic calcula que incluso una implementación del ataque teórico requeriría cientos de millones de dólares. AES-128 completo sigue fuera de su alcance.

Estos límites explican por qué Anthropic afirmó que ningún software de producción necesita cambiar. También impiden la conclusión dramática pero inexacta de que Claude “rompió AES”.

Lo que cambió es más limitado y más interesante. Un sistema de IA amplió una investigación criptoanalítica seria contra dos objetivos ampliamente estudiados. Un resultado dañó de forma material a un candidato de estándares, mientras que el otro mejoró el mejor método conocido para un problema clásico de investigación.

Esa combinación genera presión mucho más allá de los diseñadores de HAWK. Los organismos de normalización, desarrolladores de modelos, proveedores de nube y equipos de seguridad deben decidir ahora cómo deben producirse, comprobarse y divulgarse los descubrimientos generados por IA.

Por qué importa aquí la relación entre Amazon y Anthropic

Este experimento convierte la infraestructura de modelos de frontera en parte del proceso de investigación criptográfica, no simplemente en una forma de ejecutar un chatbot.

Amazon no fue autor de los dos artículos, y AWS no anunció los ataques. El trabajo provino de investigadores de Anthropic que utilizaron Claude Mythos Preview. Aun así, la relación entre Amazon y Anthropic aporta un contexto comercial y de infraestructura esencial.

Amazon ha invertido un total de $8 mil millones en Anthropic, manteniendo una posición minoritaria. Anthropic también identifica a AWS como su principal socio de nube y entrenamiento. Los modelos Claude están disponibles para clientes empresariales a través de Amazon Bedrock.

Esa asociación vincula la capacidad de los modelos, la infraestructura informática especializada y la distribución empresarial. Anthropic trabaja con AWS en aceleradores Trainium y software relacionado, mientras que Amazon obtiene un importante proveedor de modelos para su plataforma en la nube.

El último trabajo de criptografía muestra lo que puede respaldar la inferencia intensiva. Cada resultado principal consumió un estimado de $100,000 en uso de API. El proyecto de AES produjo finalmente mil millones de tokens de salida, según Anthropic.

Esas cifras no describen cargas de trabajo empresariales normales. Muestran un patrón de investigación que invierte grandes cantidades de cómputo entre muchos agentes, hipótesis, experimentos, críticas y vías fallidas.

Para Amazon, la cuestión importante no es si los clientes reproducirán este experimento exacto mediante un prompt estándar de Bedrock. Mythos Preview no está disponible de forma general, y Anthropic ha restringido el acceso debido a sus capacidades de ciberseguridad.

La cuestión es si la infraestructura en la nube se convierte en un insumo definitorio para la investigación automatizada. Si los descubrimientos útiles requieren trabajo sostenido de múltiples agentes, experimentos repetidos y enormes presupuestos de tokens, los proveedores de cómputo ocupan una posición estratégica en el flujo de trabajo.

La inversión de Anthropic de Amazon, por tanto, adquiere un aspecto diferente bajo esta perspectiva. La asociación no trata solo de alojar asistentes generales. Sitúa a AWS cerca de experimentos en los que los modelos buscan literatura técnica, utilizan herramientas matemáticas y prueban ideas originales.

Esa oportunidad también conlleva responsabilidad. Más cómputo permite a los investigadores defensivos estudiar algoritmos desatendidos. La misma escalabilidad puede acelerar el análisis ofensivo cuando los modelos o capacidades equivalentes se difundan.

Anthropic afirmó previamente que Mythos podía encontrar y explotar vulnerabilidades de software en los principales sistemas operativos y navegadores. La investigación sobre diseño criptográfico traslada la cuestión de los errores de programación hacia debilidades en las propias matemáticas.

Los errores de implementación cuentan con herramientas concretas de verificación. Un programa que falla, un informe de un sanitizador o un exploit funcional pueden proporcionar un resultado objetivo. El criptoanálisis novedoso es más difícil porque su corrección depende de supuestos matemáticos, literatura previa y estimaciones precisas de complejidad.

Eso hace que la revisión humana sea más importante, no menos. También hace que la estructura de costes sea menos predecible. Un modelo puede generar cientos de ideas plausibles más rápido de lo que expertos cualificados pueden descartarlas.

Los compradores empresariales no deberían interpretar el experimento como permiso para delegar decisiones de seguridad a un modelo. En cambio, demuestra por qué la procedencia, los registros de experimentos y la revisión humana deben seguir vinculados a toda afirmación relevante.

Los equipos de ingeniería ya tienen dificultades para preservar el contexto detrás de decisiones complejas. Una base de conocimiento consultable se vuelve más relevante cuando un agente produce miles de artefactos intermedios que los revisores deben rastrear.

La carrera de infraestructura, por tanto, va acompañada de una carrera de validación. AWS, Anthropic y otras plataformas de modelos pueden aumentar el volumen de descubrimientos candidatos. El recurso escaso pasa a ser la atención experta capaz de separar un resultado publicable del ruido matemático formulado con seguridad.

El mecanismo clave fue la persistencia, no un prompt perfecto

La ventaja decisiva de Claude apareció solo después de que los humanos le impidieran redefinir la tarea en torno a trabajos más sencillos.

Para el proyecto HAWK, Mythos trabajó de forma semiautónoma dentro de un entorno agéntico. Un entorno combina prompts, herramientas, memoria y código para que un modelo pueda perseguir un objetivo más prolongado en lugar de responder una sola vez.

El entorno se parecía a Claude Code y admitía múltiples agentes trabajadores. Esos agentes podían consultar artículos publicados y utilizar herramientas computacionales como Python y Sage, un sistema de computación simbólica y matemática.

El operador humano tenía experiencia en informática teórica, pero no era especialista en criptografía de retículas. La orientación humana se centró principalmente en la gestión de la investigación, como el seguimiento de ideas y la elección de bibliotecas de verificación.

Dos trabajadores identificaron la dirección crucial para HAWK. Uno la descartó prematuramente, mientras que el otro la desarrolló más a fondo. Los intercambios continuos llevaron finalmente a ambos trabajadores a reconocer el ataque viable.

El proceso completo de descubrimiento y verificación de HAWK tomó unas 60 horas. Mythos realizó una revisión bibliográfica, exploró las matemáticas, ejecutó experimentos computacionales y construyó una canalización de verificación de extremo a extremo.

El proceso de AES revela una división del trabajo aún más marcada. Un investigador de Anthropic construyó un andamiaje que permitió a Claude proponer hipótesis, probarlas, descartar los fallos y seguir buscando. La tarea exigía una mejora respecto al mejor ataque publicado.

Claude se resistió inicialmente. Argumentó que AES de rondas reducidas se había estudiado demasiado exhaustivamente y sugirió que un resultado diferente requería un objetivo diferente. Esta respuesta era sensata a nivel conversacional, pero poco útil para la investigación original.

El operador humano respondió con instrucciones cada vez más directas. Los mensajes enfatizaban que el modelo debía buscar nuevos ataques, mantener AES-128 con siete rondas y evitar hallazgos de escaso valor. Anthropic publicó los prompts con sus errores ortográficos y gramaticales intactos.

Simon Willison destacó esos mensajes en su análisis de prompts. Su importancia radica en lo que revelan sobre el comportamiento de los agentes, no en su redacción.

Los prompts aportaron poco conocimiento criptográfico especializado. Proporcionaron ambición, estabilidad del objetivo y permiso para invertir más esfuerzo. El modelo ya tenía acceso a literatura técnica, herramientas y resultados de agentes anteriores.

Tras recibir esa indicación, Mythos pasó tres días generando varios cientos de millones de tokens. Finalmente propuso el Puente de Möbius, un método de huellas digitales que elimina una conjetura costosa del ataque anterior.

Un ataque de encuentro en el medio ahorra tiempo al calcular desde dos direcciones y hacer coincidir estados intermedios. Normalmente intercambia una menor duración de ejecución por una gran tabla de cálculos almacenados.

El método anterior para AES de siete rondas necesitaba enumerar 256 valores posibles durante una etapa y comprobarlos frente a una tabla. Mythos construyó una huella digital que permanece inalterada ante esa conjetura, eliminando la enumeración.

Calcular la nueva transformación introdujo trabajo adicional. Claude desarrolló después optimizaciones adicionales para compensar ese coste. Anthropic estima que el método combinado se ejecuta entre 200 y 800 veces más rápido, según cómo se mida el tiempo de ejecución.

Este es el mecanismo central detrás del resultado. Claude no respondió a una pregunta ingeniosa con un ataque terminado. Operó un amplio proceso de búsqueda cuya dirección útil surgió después de que los humanos bloquearan repetidamente las salidas más fáciles.

Llamar a eso «ingeniería de prompts» minimiza el flujo de trabajo. Los investigadores establecieron objetivos, mantuvieron el objetivo, asignaron capacidad de cómputo, conservaron el trabajo intermedio y exigieron verificación. Esas son funciones de gestión de investigación.

El proceso también cuestiona la idea de que un modelo inteligente no debería necesitar estímulo. Los modelos de frontera se optimizan para producir respuestas útiles, y declarar difícil un problema famoso puede parecer responsable. La investigación exige continuar después de esa respuesta socialmente aceptable.

Esto crea un problema de evaluación sutil. Un modelo puede poseer los componentes necesarios para un descubrimiento y aun así fracasar porque no asigna suficiente esfuerzo. Los benchmarks estándar suelen medir si resuelve un problema fijo en una única ejecución limitada.

Los agentes de investigación de larga duración se comportan de forma distinta. Su resultado depende de andamiaje, trabajadores paralelos, acceso a herramientas, gestión del contexto, retroalimentación y un presupuesto para intentos fallidos. La capacidad pertenece en parte al sistema que rodea al modelo.

El resultado sobre AES no demuestra que cualquier usuario decidido pueda convertir un prompt breve en criptoanálisis de élite. Demuestra que una orquestación persistente puede revelar capacidades del modelo ocultas por el pesimismo inicial.

La verificación humana se convirtió en el verdadero cuello de botella

El modelo generó investigación más rápido de lo que el equipo de Anthropic podía establecer que esa investigación fuera correcta, novedosa y útil.

Anthropic afirma que Mythos concibió el ataque mejorado contra AES en aproximadamente una semana. Dos investigadores pasaron después casi un mes adquiriendo confianza en el resultado.

La empresa también afirma que esos investigadores dedicaron varios cientos de horas a aprender suficiente criptografía para validar la afirmación y preparar el artículo. Anthropic señala explícitamente que no eran expertos en criptografía.

Esa revelación merece tanta atención como el ataque en sí. La investigación matemática no se vuelve fiable porque un modelo proporcione ecuaciones, código y una explicación autoritativa. Los revisores deben verificar cada supuesto y comparar el método con décadas de trabajo previo.

HAWK ofreció una vía de validación más concreta. El equipo pudo implementar el método de recuperación de claves de extremo a extremo y comprobar si recuperaba una clave elegida. Eso hace que el resultado sea más fácil de probar que un vasto ataque teórico contra AES.

Para AES, nadie puede ejecutar el ataque completo bajo sus supuestos de recursos declarados. La revisión depende en cambio de demostrar la corrección del algoritmo, comprobar su complejidad y validar experimentalmente componentes más pequeños.

Anthropic afirma que consultó a académicos, compartió el resultado de HAWK con sus diseñadores en junio y coordinó la publicación a través de una lista de correo de NIST. También informó a socios del gobierno y la industria de Estados Unidos antes del lanzamiento.

Esos pasos reducen la probabilidad de un error evidente. No sustituyen una revisión por pares más amplia. Los dos artículos y el código asociado ofrecen ahora a criptógrafos independientes la oportunidad de cuestionar las afirmaciones.

La naturaleza pública de la revisión criptográfica importa. La seguridad suele provenir de análisis adversariales repetidos, no de la confianza en la organización que anuncia un resultado. Los expertos deben intentar reproducir el razonamiento e identificar supuestos ocultos.

CyberScoop informó que la ejecutiva de Keyfactor Ellen Boehm consideró el descubrimiento como evidencia de que el proceso de evaluación poscuántica está funcionando. Los algoritmos candidatos entran en competiciones públicas precisamente para que los investigadores puedan encontrar debilidades antes de su despliegue.

Esa interpretación evita extraer una lección equivocada sobre HAWK. Su revés no significa que la estandarización poscuántica haya fracasado. Significa que un candidato público recibió una prueba exigente antes de convertirse en infraestructura.

La historia de las competiciones de NIST respalda esa perspectiva. SIKE, un candidato poscuántico anterior, sobrevivió años de atención antes de que investigadores encontraran un ataque devastador que se ejecutaba en un portátil.

La IA añade una nueva fuente de presión adversarial. Los organismos de normalización pueden usar modelos para probar más construcciones y explorar más variaciones. Los diseñadores también pueden aplicar las mismas técnicas antes de presentar una propuesta.

Sin embargo, una mayor capacidad de búsqueda produce un problema de colas. Si los modelos generan ataques mucho más rápido de lo que los especialistas pueden evaluarlos, el retraso crece. Los resultados incorrectos pueden absorber meses de atención, mientras que los descubrimientos genuinos pueden permanecer inadvertidos.

Los modelos también pueden crear una falsa sensación de verificación al escribir pruebas que confirman sus propios supuestos erróneos. Las implementaciones y revisores independientes siguen siendo necesarios porque la coherencia interna no equivale a la corrección.

La alianza entre Amazon y Anthropic se sitúa cerca de este cuello de botella porque escalar modelos y ofrecer sesiones de agentes más largas amplía el flujo ascendente. La infraestructura puede incrementar la producción de candidatos más rápido de lo que las comunidades académicas pueden aumentar el número de revisores cualificados.

La respuesta adecuada no es suprimir toda exploración automatizada. Es construir sistemas de revisión a su lado. Esos sistemas necesitan registros completos, código reproducible, modelos de amenazas explícitos, bibliografía versionada y registros claros de la intervención humana.

CryptanalysisBench representa un intento de hacer más medible el rendimiento de los modelos. Anthropic creó el benchmark con investigadores académicos para empaquetar problemas criptográficos en una forma que diferentes modelos puedan intentar resolver.

Los benchmarks seguirán capturando solo una parte del panorama. El resultado más sólido de Anthropic dependió de un humano persistente que se negó a permitir que Claude cambiara de objetivo. Por tanto, los diseños de evaluación deben medir tanto el trabajo autónomo como el rendimiento bajo una supervisión de investigación realista.

Lo que los resultados no demuestran

Los ataques son lo bastante creíbles como para estudiarlos, pero demasiado limitados para respaldar afirmaciones de que Claude ha roto el cifrado moderno o reemplazado a los criptógrafos.

La primera limitación es el impacto práctico. HAWK es un candidato, no un estándar desplegado. AES de siete rondas es un objeto de estudio debilitado intencionalmente. AES-128 completo utiliza 10 rondas y no se ve afectado.

La segunda limitación es la viabilidad computacional. El ataque contra AES presupone 2^105 textos planos elegidos, una cantidad de datos muy superior a la que podría recopilarse en cualquier entorno realista. Su mejora de 200 a 800 veces no convierte un ataque imposible en uno utilizable.

La tercera limitación se refiere a la autonomía. Mythos realizó de forma independiente la mayor parte de la exploración técnica, pero las personas seleccionaron los objetivos, construyeron los andamiajes, supervisaron el progreso, redirigieron el modelo y validaron el resultado.

Describir el trabajo como plenamente autónomo borraría esas contribuciones. Describirlo como un mero descubrimiento humano redactado por IA también sería inexacto. La unidad útil es el sistema de investigación combinado.

La cuarta limitación es la validación externa. Anthropic publicó artículos, código y artefactos de razonamiento seleccionados, pero la comunidad criptográfica más amplia apenas ha comenzado a examinarlos. La revisión independiente determinará si cada mejora declarada resiste el escrutinio.

El razonamiento publicado tampoco es un registro completo de cada token interno. Anthropic afirma que Claude reescribió el documento para ofrecer una explicación más legible de una sesión exitosa. Muchas otras sesiones no produjeron ningún descubrimiento.

Esa selección hace que el artefacto sea útil para comprender la ruta exitosa, pero menos sólido para estimar tasas de éxito. Los lectores no pueden inferir con qué frecuencia un gasto similar produce investigación publicable.

La quinta limitación es la generalización. Una simetría en HAWK no implica que la misma debilidad exista en toda la criptografía de retículas. Una mejora mediante huellas digitales contra siete rondas de AES no implica una ruta a través de las tres restantes.

Las rondas criptográficas están diseñadas para que la complejidad se acumule. El progreso contra una versión reducida ayuda a medir los márgenes de seguridad, pero las rondas finales pueden seguir estando fuera del alcance de toda técnica conocida.

Las afirmaciones preliminares de seguimiento de Anthropic también requieren cautela. La empresa informa de un ataque contra LEA de 13 rondas que se ejecuta en un ordenador de escritorio y de otro contra Serpent-128 de seis rondas. Ninguno alcanza las versiones completas de esos cifrados.

El equipo planea publicar más detalles tras realizar trabajo adicional. Hasta entonces, esos resultados siguen siendo afirmaciones de la empresa, en lugar de hallazgos plenamente inspeccionables.

También existe una cuestión económica. Gastar aproximadamente 100.000 dólares por resultado puede tener sentido para un laboratorio de frontera que estudia estándares importantes. Es menos accesible para grupos universitarios, responsables de mantenimiento y equipos de seguridad más pequeños.

Ese desequilibrio podría concentrar el acceso temprano al criptoanálisis asistido por IA entre empresas de modelos, proveedores de nube a hiperescala, gobiernos y proveedores bien financiados. Las organizaciones que producen resultados también podrían controlar los sistemas necesarios para reproducirlos.

El acceso restringido a Mythos complica aún más la replicación independiente. Los investigadores pueden inspeccionar los artefactos publicados, pero no necesariamente volver a ejecutar el mismo modelo y andamiaje.

Estas restricciones no invalidan los hallazgos. Definen lo que significan. Claude Mythos parece capaz de aportar ideas originales dentro de un programa de investigación gestionado cuidadosamente. No ha demostrado una capacidad general para derrotar criptografía desplegada bajo demanda.

El escepticismo adecuado se dirige a las afirmaciones circundantes, no al valor de probar algoritmos. Una revisión más sólida antes del despliegue es beneficiosa, tanto si la idea útil proviene de una persona, un modelo o su colaboración.

Quienes siguen a Amazon y Anthropic deberían observar tres señales

La siguiente fase se decidirá mediante la replicación independiente, una fiabilidad de investigación medible y reglas de divulgación para hallazgos con impacto operativo real.

La primera señal es cómo los criptógrafos externos evalúan los artículos sobre HAWK y AES. Los cálculos reproducidos, las estimaciones de complejidad corregidas y las implementaciones independientes mostrarán si los resultados resisten la presión de los expertos.

Una replicación sólida respaldaría la afirmación de Anthropic de que los modelos de frontera pueden contribuir con criptoanálisis novedoso. Correcciones importantes debilitarían la narrativa más amplia sobre capacidades, incluso si los experimentos siguen siendo informativos.

La segunda señal es el rendimiento en CryptanalysisBench y evaluaciones similares. Los investigadores necesitan resultados de múltiples modelos, ejecuciones repetidas, presupuestos documentados y distintos niveles de orientación humana.

Un benchmark debería distinguir el descubrimiento del redescubrimiento. También debería registrar sesiones fallidas, consumo de tokens, uso de herramientas e intervenciones que cambiaron la dirección de un agente.

Si varias familias de modelos producen nuevos ataques validados en condiciones controladas, el criptoanálisis con IA se convierte en una capacidad de toda la industria. Si el éxito sigue siendo raro y depende de infraestructura específica de Mythos, la conclusión seguirá siendo más limitada.

La tercera señal es cómo Anthropic, Amazon, los organismos de normalización y los gobiernos manejan un descubrimiento que afecta al software desplegado. Estos dos ataques permitieron una divulgación ordenada porque ninguno ponía en peligro un sistema de producción.

Una vulneración práctica obligaría a tomar decisiones más difíciles. Los investigadores tendrían que avisar a los proveedores, coordinar parches o migraciones, restringir los detalles técnicos y decidir cuándo el público merece ser advertido.

Anthropic ya afirma que consultó a líderes gubernamentales y del sector sobre el trabajo actual. La siguiente prueba será si esas relaciones generan reglas transparentes antes de una crisis, en lugar de controles improvisados después.

Para los desarrolladores y responsables de seguridad empresarial, la medida inmediata no es sustituir el cifrado ni entrar en pánico por AES. Es mejorar la visibilidad sobre dónde entran en sus sistemas los algoritmos criptográficos, las bibliotecas, las claves y los protocolos.

Los equipos también deberían prepararse para evaluar afirmaciones de seguridad generadas por máquinas. Eso implica conservar el material de origen, los experimentos, los prompts, el código y las decisiones de los revisores, en lugar de aceptar un informe final pulido.

En última instancia, la historia de Amazon y Anthropic trata sobre capacidad de influencia. Amazon aporta capital, infraestructura en la nube y una vía de distribución empresarial. Anthropic aporta un modelo restringido capaz de mantener búsquedas técnicas inusualmente profundas.

El trabajo criptográfico de Claude muestra lo que esa combinación puede permitir, pero también deja al descubierto su factor limitante. La computación puede generar descubrimientos candidatos a una escala enorme. La confianza sigue avanzando al ritmo de una revisión humana cuidadosa.

Por tanto, la pregunta para los próximos meses es concreta: ¿validarán expertos independientes estos ataques y reproducirán el patrón de investigación con otros modelos? Esa evidencia determinará si se trató de un experimento excepcional o del inicio de un método repetible para auditar las matemáticas que sustentan la seguridad digital.