La alianza de seguridad entre Anthropic y Google enfrenta una nueva prueba mientras Claude Mythos supera la investigación humana en criptografía
Anthropic afirma que Claude Mythos Preview encontró dos ataques criptográficos en cuestión de días, pese a años de escrutinio humano previo. La alianza de seguridad entre Anthropic y Google afronta ahora una pregunta más compleja que el descubrimiento de vulnerabilidades de software. ¿Pueden los defensores validar y asimilar investigación generada por máquinas antes de que capacidades similares lleguen a los atacantes?
Los resultados no significan que Claude haya vulnerado el cifrado que protege la banca en línea, los mensajes privados o los datos corporativos. Un ataque apunta a HAWK, una propuesta de firma digital aún no desplegada y bajo revisión federal. El otro mejora un ataque contra AES-128 de siete rondas, una variante de investigación deliberadamente debilitada del cifrado de diez rondas utilizado en producción.
La distinción importa, pero no elimina la inversión central. El criptoanálisis ha dependido durante mucho tiempo de una pequeña comunidad de especialistas que combinan intuición matemática con meses o años de revisión. Según se informa, Mythos produjo un ataque serio contra HAWK en 60 horas y mejoró la investigación sobre AES de rondas reducidas en una semana.
Google entra en la historia a través de Project Glasswing, la colaboración restringida de seguridad de Anthropic con grandes organizaciones tecnológicas y de infraestructura. El programa da a socios evaluados acceso a capacidades avanzadas de Claude para investigación defensiva. Los últimos hallazgos elevan la importancia para todos los participantes porque las fallas criptográficas plantean un problema de divulgación distinto al de los errores ordinarios de software.
Claude Mythos encontró dos tipos distintos de debilidades
El cambio importante no es que la IA pueda explicar criptografía. Es que, según se informa, un sistema de IA ayudó a crear nuevo criptoanálisis verificable.
Anthropic divulgó los hallazgos el 28 de julio de 2026. Sus investigadores afirmaron que Mythos Preview contribuyó a ataques contra HAWK y una versión reducida del Advanced Encryption Standard, o AES.
HAWK es un esquema de firma digital poscuántica. Las firmas digitales permiten al destinatario verificar quién firmó un mensaje y si alguien lo modificó. Los esquemas poscuánticos buscan resistir ataques tanto de ordenadores convencionales como de futuros ordenadores cuánticos.
El National Institute of Standards and Technology ha estado evaluando HAWK mediante su proceso para firmas adicionales. HAWK es un candidato, no un estándar aprobado, y las organizaciones no dependen actualmente de él para la seguridad en producción.
Según Anthropic, Mythos identificó un automorfismo no trivial en la retícula subyacente de HAWK. Un automorfismo es una simetría que proyecta una estructura matemática sobre sí misma mientras preserva relaciones importantes.
Esa simetría proporcionó a los investigadores un atajo para recuperar una clave privada de HAWK. El ataque redujo la fortaleza efectiva del esquema lo suficiente como para que mantener el nivel de seguridad previsto requiriera claves sustancialmente más grandes.
Se esperaba que el conjunto de parámetros más pequeño de HAWK requiriera unas 2^64 operaciones para ser atacado. El método informado reduce esa estimación a aproximadamente 2^38 operaciones. Sigue siendo un cálculo considerable, pero cambia la evaluación de seguridad del candidato.
El hallazgo también cuestiona una de las principales razones para considerar HAWK. Unas claves más grandes podrían compensar la debilidad, pero ese ajuste reduciría las ventajas de eficiencia que ayudaron a hacer atractiva la propuesta.
Anthropic afirma que Mythos encontró el ataque central contra HAWK tras unas 60 horas. Investigadores humanos aportaron orientación ocasional, revisaron el resultado y convirtieron el trabajo del modelo en un resultado formal.
El segundo proyecto involucró AES-128, el cifrado simétrico ampliamente desplegado utilizado para proteger datos. El cifrado simétrico usa la misma clave secreta para cifrar y descifrar información.
AES-128 en producción aplica diez rondas de transformación a cada bloque de datos. Los criptógrafos también estudian versiones de rondas reducidas porque esas variantes muestran cuánta protección aporta cada ronda adicional.
Mythos atacó una variante de siete rondas, no el cifrado completo. Su principal contribución fue una técnica matemática llamada Möbius Bridge, que eliminó una búsqueda intensiva en memoria de un ataque existente.
Combinado con otros cambios, el enfoque supuestamente hizo que el mejor ataque contra AES de siete rondas fuera entre 200 y 800 veces más rápido. Aun así requiere más de 2^105 textos planos elegidos, es decir, mensajes seleccionados específicamente para el análisis.
Ese requisito de datos está fuera de todo alcance práctico. Por tanto, el resultado mejora el estado del arte académico sin amenazar AES-128 completo.
Anthropic afirma que cada esfuerzo de investigación consumió un uso sustancial del modelo. Más importante que el total de recursos es lo que ese uso obtuvo: exploración persistente de numerosos caminos matemáticos posibles sin fatiga humana.
Son dos resultados distintos. El trabajo sobre HAWK cambia la evaluación de un candidato activo de estandarización. El trabajo sobre AES avanza el análisis de un objetivo de investigación debilitado, mientras deja intacto el cifrado en producción.
En conjunto, crean la tensión central del artículo. Claude no vulneró internet, pero, según se informa, comprimió una investigación criptográfica seria en un flujo de trabajo al ritmo de una máquina.
Por qué ahora importa más la alianza entre Anthropic y Google
La investigación criptográfica convierte Project Glasswing de un programa de defensa de software en una prueba temprana de gobernanza para el descubrimiento científico a velocidad de máquina.
Anthropic presentó Claude Mythos Preview y Project Glasswing en abril de 2026. La iniciativa reunió a organizaciones como Google, Apple, Microsoft, Cisco, CrowdStrike, Amazon Web Services, NVIDIA y la Linux Foundation.
La alianza fue diseñada para encontrar y reparar vulnerabilidades graves antes de que sistemas de IA ampliamente disponibles otorgaran a los atacantes capacidades comparables. Anthropic limitó inicialmente el acceso a Mythos porque, según se informa, el modelo podía descubrir y explotar debilidades de software con poca orientación.
La anterior evaluación de ciberseguridad de la empresa indicó que Mythos podía inspeccionar grandes bases de código, identificar errores previamente desconocidos y desarrollar exploits funcionales. También informó de debilidades en implementaciones de protocolos y bibliotecas criptográficas.
Encontrar una implementación defectuosa difiere de atacar las matemáticas subyacentes. Un error de software suele afectar versiones concretas de un programa. Los responsables de mantenimiento pueden corregir el código, distribuir una actualización y seguir su adopción.
Una debilidad en un diseño criptográfico tiene un radio de impacto más amplio. Si las organizaciones despliegan ampliamente el diseño, sustituirlo puede exigir cambios en software, hardware, protocolos, certificados, datos archivados y sistemas de cumplimiento.
HAWK no está desplegado, lo que convierte esta en la versión favorable de la historia. La debilidad surgió durante la evaluación, antes de que la propuesta quedara integrada en la infraestructura.
Eso es precisamente lo que debe lograr un proceso de estandarización abierto. Los candidatos se enfrentan a una revisión pública sostenida para que los diseños débiles puedan modificarse o rechazarse antes de su adopción.
Ellen Boehm, vicepresidenta sénior de estrategia e innovación en IA de Keyfactor, declaró a CyberScoop que el hallazgo demuestra que el proceso de evaluación está funcionando. Su valoración sitúa a Mythos dentro del sistema de revisión existente, en lugar de tratarlo como un sustituto de ese sistema.
La relación entre Anthropic y Google importa porque Google opera software, navegadores, servicios en la nube, sistemas de identidad e infraestructura que dependen de la criptografía. También emplea investigadores que diseñan y analizan protocolos de seguridad.
La participación de Google no significa que sus investigadores produjeran o respaldaran de forma independiente los hallazgos sobre HAWK y AES. La información pública solo establece que Google participa en Project Glasswing y ha recibido acceso dentro de ese marco defensivo.
Aun así, Google representa el tipo de organización que debe reaccionar si el criptoanálisis automatizado se escala. Mantiene suficiente infraestructura como para comprender tanto la oportunidad defensiva como la carga de migración.
La presión no se limita a Google. Los organismos de normalización deben decidir cómo aceptar, reproducir y documentar propuestas asistidas por IA. Los proveedores deben rastrear dónde aparecen los algoritmos en sus productos. Los equipos de seguridad deben prepararse para más hallazgos de los que los revisores humanos pueden procesar rápidamente.
Por ello, la alianza entre Anthropic y Google ofrece un modelo temprano de acceso controlado. Conecta a los desarrolladores de modelos con organizaciones capaces de validar hallazgos y coordinar correcciones.
Ese enfoque también concentra información y capacidad en un pequeño grupo. Las organizaciones fuera de la alianza deben confiar en que los participantes divulgarán los resultados relevantes con rapidez, precisión y equidad.
La investigación criptográfica hace que esa preocupación sea más urgente. Un proveedor de software normalmente puede recibir un informe privado de error y publicar una corrección. Una debilidad matemática recién descubierta puede afectar simultáneamente a proveedores competidores, gobiernos, investigadores y procesos de estandarización.
El desafío ya no consiste únicamente en encontrar fallas antes que los atacantes. Consiste en construir una cadena de revisión capaz de mantener el ritmo sin otorgar a un consorcio privado una influencia excesiva sobre decisiones públicas de seguridad.
El verdadero avance es la compresión de la investigación
Mythos no eliminó a los criptógrafos humanos. Cambió cuánto trabajo exploratorio puede intentar un pequeño equipo humano dentro de un periodo fijo.
El criptoanálisis combina teoría, experimentación, implementación y fracasos repetidos. Los investigadores formulan hipótesis, prueban casos más pequeños, escriben código, examinan resultados, revisan supuestos y deciden qué camino merece más atención.
Los modelos de lenguaje ya pueden participar en todo ese ciclo. Pueden leer especificaciones, derivar ecuaciones, implementar experimentos, invocar herramientas matemáticas, comparar resultados y conservar resultados intermedios útiles.
Ese alcance importa más que cualquier respuesta individual. La automatización tradicional funciona bien cuando los investigadores ya conocen el procedimiento exacto de búsqueda. Los modelos de frontera pueden proponer y probar procedimientos diferentes mientras responden a evidencia inesperada.
El caso de HAWK habría comenzado con Mythos identificando una simetría estructural en la retícula del esquema. Después, un investigador humano ayudó a orientar la investigación y a evaluar si la observación respaldaba un ataque real.
Este flujo de trabajo complica las afirmaciones simples sobre autonomía. El modelo aportó una idea clave y realizó gran parte del análisis, pero los humanos eligieron el objetivo de investigación, configuraron el entorno, revisaron los resultados y prepararon el resultado.
Por tanto, “autónomo” debería describir partes del proceso, no todo el proyecto científico. Mythos pudo continuar la exploración técnica sin indicaciones constantes. No eligió de forma independiente el objetivo social ni el estándar de publicación.
El proyecto de AES de rondas reducidas demuestra una forma diferente de valor. El objetivo había recibido un amplio análisis humano y el modelo no expuso una vulneración práctica. Encontró una ruta más eficiente dentro de un ataque teórico muy restringido.
La aceleración informada procedió en parte de eliminar una tabla de consulta que contenía 256 entradas. Esto no eliminó el enorme requisito de datos del ataque, pero mejoró sus características de tiempo y memoria.
Esa distinción revela por qué la investigación asistida por IA puede avanzar antes de que los modelos se vuelvan universalmente fiables. Un ataque candidato a menudo puede verificarse mediante ecuaciones, código ejecutable o un experimento formal de seguridad.
El criptoanálisis ofrece una retroalimentación inusualmente clara. Un método propuesto de recuperación de claves recupera la clave bajo las condiciones establecidas, o no lo hace. Los investigadores pueden descartar muchas vías alucinadas sin tener que confiar en la prosa del modelo.
El recién publicado CryptanalysisBench aporta evidencia más amplia de este cambio de capacidades. Sus autores evaluaron 191 tareas que abarcan seis familias de primitivas criptográficas.
Cinco modelos de frontera resolvieron entre el 65 y el 86 por ciento de las tareas relacionadas con esquemas con ataques prácticos conocidos. Claude Mythos 5 logró 42 éxitos en 49 tareas de Nivel 1, el resultado más alto reportado.
El benchmark también incluyó esquemas más difíciles sin vulnerabilidades prácticas conocidas. Mythos 5 vulneró 61 esquemas al contabilizar las variantes completas y escaladas, frente a 37 de Claude Opus 4.8.
Estas cifras no demuestran que los modelos puedan derrotar la criptografía moderna en producción. El nivel de desafío sigue en gran medida sin resolverse, y muchas victorias en el benchmark involucran configuraciones debilitadas o esquemas con fallos conocidos.
Los resultados sí muestran que los modelos pueden desenvolverse en entornos de investigación técnica, implementar ataques y, en ocasiones, encontrar problemas de diseño no reportados anteriormente. Ese es un listón más alto que resumir artículos existentes.
La comparación con humanos también exige cautela. Una ejecución de modelo de 60 horas no equivale a un criptógrafo trabajando durante 60 horas. El sistema puede utilizar grandes cantidades de computación, experimentación en paralelo y amplios conocimientos previos codificados durante el entrenamiento.
La comparación relevante se refiere al tiempo transcurrido de investigación y al resultado del equipo. Un grupo pequeño obtuvo acceso a mucha más capacidad de exploración de la que habría podido producir manualmente durante la misma semana.
Esto es compresión de la investigación. El modelo convierte la computación en intentos adicionales, mientras que los humanos deciden qué intentos merecen credibilidad.
Ese equilibrio presiona a los laboratorios para rediseñar sus operaciones de investigación. La experiencia se desplaza hacia la elección de objetivos, la creación de evaluaciones, la detección de errores sutiles del modelo y la conversión de resultados provisionales en afirmaciones defendibles.
El juicio humano sigue siendo esencial, pero entra más tarde en el ciclo. Los investigadores dedican menos tiempo a generar cada candidato y más a validar un flujo mucho mayor de candidatos.
Los hallazgos no vulneran el cifrado en producción
La razón más sólida para la cautela también es la más sencilla: ninguno de los ataques publicados compromete un sistema criptográfico que la gente utilice hoy.
HAWK sigue siendo una propuesta. Sus diseñadores pueden revisar sus parámetros, responder al análisis o retirar la configuración afectada sin obligar a los usuarios a migrar sistemas desplegados.
La especificación de HAWK describe un sistema compacto de firmas basado en supuestos de retículas. Esos supuestos siempre han requerido escrutinio público antes de la estandarización.
El resultado de Mythos contribuye a ese escrutinio. No implica que toda firma basada en retículas tenga la misma debilidad. El ataque depende de la estructura matemática particular de HAWK.
Tampoco invalida los estándares poscuánticos finalizados por NIST. HAWK forma parte de un proceso independiente que examina opciones adicionales de firma digital.
El resultado sobre AES requiere una matización aún mayor. AES-128 de siete rondas es una variante de investigación diseñada para ser más débil que la versión de diez rondas desplegada.
Atacar menos rondas ayuda a los criptógrafos a medir el margen de seguridad de un cifrado. El progreso contra siete rondas puede tener valor matemático sin establecer una vía a través de las diez.
El ataque asistido por Mythos también presupone un volumen extraordinario de textos planos elegidos. Un escenario de texto plano elegido permite al atacante seleccionar mensajes y observar sus salidas cifradas.
Los sistemas reales restringen el acceso, rotan las claves, limitan los datos y añaden protocolos alrededor del cifrado subyacente. Estos controles hacen que las condiciones teóricas publicadas sean aún menos prácticas.
Por tanto, calificar el resultado como una «ruptura de AES» induciría a error a los lectores. Es una mejora contra AES de rondas reducidas, no un compromiso de AES-128 tal como se despliega.
La misma cautela se aplica a las afirmaciones de que la IA ha superado a todos los criptógrafos humanos. El modelo trabajó dentro de un andamiaje diseñado por humanos y se apoyó en décadas de investigación publicada incorporada en su entorno de entrenamiento.
Los investigadores no han establecido públicamente con qué frecuencia Mythos siguió pistas falsas, cuántas ejecuciones fracasaron ni cómo cambia el rendimiento con un presupuesto computacional fijo. Las historias de éxito revelan capacidad, pero no proporcionan una medida completa de productividad.
La reproducibilidad presenta otro problema. Los especialistas independientes necesitan suficientes detalles para verificar las matemáticas y el código. Las transcripciones del modelo pueden ayudar, pero las largas trazas de agentes pueden ser más difíciles de auditar que una derivación convencional.
El escepticismo público se ha centrado en el nivel de supervisión especializada. Los críticos sostienen que las afirmaciones criptográficas extraordinarias merecen la revisión de expertos consolidados antes de una presentación promocional amplia.
Esa crítica no debe descartarse como resistencia a la automatización. Los errores criptográficos pueden sobrevivir a la revisión por pares, y un ataque plausible puede ocultar un supuesto erróneo sobre el adversario o el modelo de seguridad.
La confirmación externa refuerza el caso. Los informes indican que los diseñadores de HAWK reconocieron la esencia del ataque, mientras que criptógrafos independientes revisaron el resultado sobre AES de rondas reducidas.
La publicación formal y la revisión por pares continua siguen siendo necesarias. Una traza de modelo impresionante es evidencia de un proceso de investigación, no un sustituto de una prueba completa.
La evidencia del benchmark también expone limitaciones claras. Incluso Mythos falló en algunos esquemas con ataques conocidos, y las tareas más difíciles orientadas a producción siguen abiertas.
Los modelos pueden desperdiciar su presupuesto implementando un concepto correcto, apuntar al juego de seguridad equivocado o explotar debilidades en un arnés de pruebas. Son fallos conocidos de los agentes, con riesgos inusualmente altos.
Por tanto, una organización de seguridad debería tratar el criptoanálisis generado por IA como investigación no confiable hasta que los expertos lo reproduzcan. Esa política captura el valor defensivo sin convertir las afirmaciones de proveedores en hechos operativos.
El criptoanálisis a velocidad de máquina cambia el cuello de botella de los defensores
Un descubrimiento más rápido solo ayuda a los defensores cuando la verificación, la divulgación y la migración pueden avanzar a una velocidad comparable.
La seguridad del software ya afronta este desequilibrio. Las herramientas automatizadas pueden generar más hallazgos potenciales de los que los responsables de mantenimiento pueden revisar. Mythos extiende esa misma presión a sistemas matemáticamente complejos.
El primer cuello de botella es la validación. Un modelo puede explorar muchas hipótesis con rapidez, pero los criptógrafos cualificados siguen siendo escasos. Cada afirmación seria puede requerir una revisión cuidadosa de pruebas, código, supuestos de parámetros y modelos de amenaza.
El segundo cuello de botella es la divulgación. La condición no desplegada de HAWK simplificó la coordinación, pero los hallazgos futuros pueden afectar a primitivas ampliamente utilizadas. Publicar demasiado pronto podría exponer sistemas antes de que los proveedores preparen mitigaciones.
Esperar demasiado también crea riesgos. Un pequeño conjunto de empresas o gobiernos podría poseer conocimientos que afecten a todos mientras las organizaciones externas siguen sin poder evaluar su exposición.
El tercer cuello de botella es el inventario criptográfico. Muchas empresas no saben de qué algoritmos, tamaños de clave, certificados, bibliotecas o dispositivos integrados dependen.
Una debilidad recién descubierta es difícil de gestionar sin ese mapa. Los equipos no pueden priorizar la migración si no pueden localizar cada uso afectado.
Aquí es donde la colaboración entre Anthropic y Google adquiere importancia operativa. Google y otros socios de Glasswing mantienen sistemas lo bastante grandes como para comprobar si los hallazgos generados por máquinas pueden integrarse en programas reales de remediación.
La asociación puede ayudar a desarrollar métodos de revisión, estándares de evidencia y procedimientos de divulgación. También puede revelar si las grandes organizaciones pueden procesar hallazgos sin desbordar a los responsables de mantenimiento.
Sin embargo, el control de acceso no resuelve el problema subyacente de difusión. Una capacidad criptanalítica comparable no permanecerá indefinidamente exclusiva de un modelo o una asociación.
CryptanalysisBench evaluó sistemas cerrados y de pesos abiertos. El modelo abierto GLM-5.2 quedó por detrás de Mythos, pero aun así resolvió 32 de 49 tareas de Nivel 1.
Esa brecha importa, pero la dirección general importa más. Varias familias de modelos ya pueden realizar partes significativas de un flujo de trabajo de ataque.
La ventaja ofensiva depende de lo que ocurra después. Si los defensores utilizan sistemas avanzados para examinar candidatos antes del despliegue, la IA puede reforzar los estándares. Si los atacantes obtienen modelos capaces antes de que mejore la migración, el descubrimiento podría superar a la reparación.
La criptografía hace que la remediación tardía sea especialmente peligrosa. Sustituir un componente de navegador puede llevar semanas. Sustituir una primitiva integrada en hardware y certificados de larga duración puede llevar años.
Los datos cifrados archivados crean otra exposición. Un adversario puede recopilar información ahora y descifrarla después si un ataque futuro debilita la protección subyacente.
Los hallazgos actuales no crean ese escenario para AES. Sí refuerzan el valor de la agilidad criptográfica, es decir, la capacidad de sustituir algoritmos sin reconstruir un sistema completo.
Las organizaciones de estándares también necesitarán reglas más claras para las propuestas asistidas por IA. Los investigadores deberían divulgar las versiones de los modelos, el andamiaje, los presupuestos computacionales, las intervenciones humanas, las ejecuciones fallidas y los métodos de verificación.
Estos detalles permiten a los revisores distinguir un resultado científico de una demostración selectiva. También facilitan medir las tendencias de capacidades entre modelos.
La respuesta más útil a corto plazo no es el pánico ni la restricción generalizada. Es ampliar la capacidad humana e institucional que rodea al descubrimiento automatizado.
Más validadores, herramientas reproducibles, canales de divulgación más claros e inventarios criptográficos completos determinarán si la investigación a velocidad de máquina beneficia primero a los defensores.
Qué observar después de los resultados de criptografía de Claude Mythos
Tres señales mostrarán si este episodio se convierte en un cambio duradero de la investigación o sigue siendo una demostración excepcional.
La primera señal es el tratamiento de HAWK dentro del proceso de NIST. Los revisores deben determinar si los parámetros revisados conservan suficiente eficiencia y confianza para que el candidato continúe.
Un rediseño significativo o su eliminación reforzaría el argumento de que Mythos modificó una decisión real de estandarización. Un ajuste limitado de parámetros indicaría un hallazgo útil, pero más acotado.
Cualquiera de los dos resultados seguiría validando las pruebas previas al despliegue. La cuestión clave es si el análisis asistido por IA se convierte en una parte habitual de la evaluación de futuros candidatos.
La segunda señal es la reproducción independiente de los ataques contra HAWK y AES de rondas reducidas. Criptógrafos externos necesitan verificar los supuestos, las derivaciones, la implementación y el rendimiento reportado.
Una reproducción clara reforzaría la afirmación de Anthropic de que Mythos contribuyó a una investigación genuina. Correcciones sustanciales acotarían el resultado y revelarían debilidades en el proceso actual de validación.
La tercera señal es la próxima generación de benchmarks controlados. Los investigadores deberían centrarse en esquemas de fuerza completa, problemas de prueba inéditos y tareas protegidas contra la contaminación de datos de entrenamiento.
CryptanalysisBench ya separa los ataques conocidos de los esquemas más difíciles y audita las trazas en busca de señales de memorización. Sus niveles no saturados ofrecen un punto de partida útil.
El progreso en esos niveles sería más informativo que repetir ataques ya resueltos. Un modelo que encuentre de forma consistente nuevos fallos con presupuestos fijos respaldaría una afirmación más sólida sobre la investigación científica automatizada.
La asociación de seguridad entre Anthropic y Google también debería divulgar cómo las organizaciones participantes gestionan los hallazgos criptográficos. La evidencia útil incluiría los plazos de validación, los resultados de divulgación y la proporción de informes del modelo rechazados por expertos.
Los lectores deberían evitar ambos extremos convenientes. Claude Mythos no vulneró el cifrado cotidiano, pero desestimar el trabajo porque sus objetivos no estaban desplegados o se redujeron pasaría por alto el propósito de la investigación criptográfica.
Los márgenes de seguridad se estudian antes de que desaparezcan. Los estándares candidatos se atacan antes de que los usuarios dependan de ellos. Los últimos resultados sugieren que la IA puede contribuir de forma significativa a ambas actividades.
Los desarrolladores y compradores empresariales deberían preguntarse si sus organizaciones pueden identificar todos los algoritmos críticos que utilizan. También deberían preguntarse con qué rapidez pueden cambiar esas dependencias cuando un estándar pierde credibilidad.
Los investigadores deberían observar si equipos independientes reproducen el trabajo y si NIST modifica el estado de HAWK. Esos resultados dirán más que cualquier titular dramático.
La conclusión más creíble es más acotada y más trascendente. Según se informa, Mythos condensó años de experiencia acumulada en días de exploración dirigida, mientras los humanos siguieron siendo responsables de la verificación.
Esa combinación presiona a todas las instituciones de seguridad construidas en torno a un ciclo de investigación más lento. La próxima prueba será si los defensores pueden rediseñar sus procesos antes de que el descubrimiento a velocidad de máquina esté ampliamente disponible.
