Vigilancia Anthropic Schneier: el criptoanálisis con LLM halló nuevos ataques, pero los cifrados modernos siguen resistiendo

Investigadores de Anthropic ayudaron a probar un nuevo benchmark en el que modelos de IA de frontera encontraron ataques criptográficos no reportados previamente, aunque no lograron vulnerar los objetivos de producción más difíciles. La señal anthropic schneier importa porque Bruce Schneier destacó los resultados como algo que los profesionales de la seguridad deberían seguir, en lugar de descartarlos como otra demostración de razonamiento.

CryptanalysisBench evalúa si un agente de IA puede convertir análisis matemático en un ataque ejecutable contra un esquema criptográfico. Sus 191 tareas abarcan seis familias de primitivas criptográficas, incluidos cifrados de bloque, funciones hash, cifrado autenticado y sistemas de clave pública.

El conflicto central ya es medible. El criptoanálisis asistido por IA puede reforzar las revisiones defensivas antes del despliegue, mientras que esa misma capacidad podría acabar ayudando a atacantes a examinar sistemas a una escala que los expertos humanos no pueden igualar. Los modelos actuales siguen estando lejos de romper AES de máxima seguridad o cifrados igual de maduros, pero el benchmark muestra que ya pueden aportar trabajo original.

CryptanalysisBench convierte afirmaciones de investigación en ataques ejecutables

El benchmark cambia el debate sobre el razonamiento de la IA al exigir código de ataque funcional, no explicaciones convincentes ni puntuaciones de otro modelo.

Los investigadores presentaron CryptanalysisBench en un preprint de julio de 2026. Sus autores proceden de ETH Zurich, Anthropic, la Universidad de Haifa, Technische Universität Berlin y la Universidad de Tel Aviv.

El benchmark se nutre principalmente de cuatro concursos del National Institute of Standards and Technology. Esos programas evaluaron candidatos para AES, SHA-3, criptografía ligera y criptografía poscuántica.

La colección incluye 191 tareas distribuidas en seis familias de primitivas. Una primitiva es un algoritmo criptográfico fundamental que se utiliza para proporcionar propiedades como cifrado, autenticación, resistencia a colisiones o firmas digitales.

Cada tarea proporciona a un agente de IA código fuente, documentación y acceso a un juego formal de seguridad. Un juego de seguridad define exactamente qué puede consultar un atacante y qué cuenta como éxito.

El modelo debe seleccionar un objetivo de ataque y producir un script autónomo. Un controlador independiente conserva las claves secretas y responde solo a las solicitudes permitidas mediante una interfaz.

La verificación ejecuta después el script con aleatoriedad nueva. Los ataques de recuperación de claves, falsificación y colisión deben cumplir sus respectivas condiciones de éxito sin intervención manual.

Algunos juegos probabilísticos requieren más de un intento exitoso. Para esas tareas, el benchmark ejecuta 20 instancias independientes y exige al menos 17 victorias. El artículo estima que las conjeturas aleatorias superarían este umbral aproximadamente el 0,1 por ciento de las veces.

Esta estructura reduce un problema persistente en los benchmarks de IA. Un modelo puede escribir matemáticas plausibles, citar ataques conocidos o convencer a un juez basado en modelos de lenguaje sin producir un resultado válido.

En cambio, CryptanalysisBench plantea una pregunta operativa binaria. ¿El ataque enviado derrota al esquema bajo las reglas establecidas?

Las tareas se organizan en dos niveles y un conjunto de desafíos. El nivel 1 contiene 49 algoritmos con ataques prácticos conocidos, por lo que mide si los modelos pueden reproducir o redescubrir de forma independiente debilidades ya establecidas.

El nivel 2 contiene 142 algoritmos sin una vulneración práctica conocida, o con ataques demasiado costosos de ejecutar. Los investigadores prueban tanto diseños de máxima seguridad como versiones reducidas con menos rondas, claves más cortas o parámetros modificados.

El conjunto de desafíos cubre cifrados de producción cercanos al límite del criptoanálisis publicado. Incluye AES, ChaCha, Katan-32, Present-80, Simon-32/64, Speck-32/64 y Skinny-64/64.

Esa distinción es esencial. Romper un candidato antiguo de un concurso, un cifrado de rondas reducidas o código de referencia defectuoso no significa que una IA haya roto el cifrado que protege el tráfico web actual.

La evaluación de seguridad de Schneier reflejó el tono adecuado. Calificó los resultados como tempranos, al tiempo que subrayó que el benchmark merece seguimiento.

La noticia no es que el cifrado moderno haya fallado de repente. Es que los sistemas automatizados pasaron de debatir el criptoanálisis a producir algunos ataques verificables y aparentemente originales.

La señal Anthropic Schneier es trabajo novedoso, no una ruptura de AES

El resultado más sólido es la evidencia de una contribución criptoanalítica original, mientras que la principal cautela es que los cifrados de producción de máxima seguridad siguen sin romperse.

Se evaluaron cinco modelos de frontera: Claude Opus 4.8, Claude Sonnet 5, Claude Mythos 5, GPT-5.5 y GLM-5.2 de pesos abiertos. Anthropic proporcionó acceso a Mythos 5 mediante su colaboración con los investigadores.

El rendimiento en el nivel 1 osciló entre el 65,3 por ciento de GLM-5.2 y el 85,7 por ciento de Mythos 5. Opus 4.8 alcanzó el 73,5 por ciento, mientras que Sonnet 5 y GPT-5.5 llegaron cada uno al 75,5 por ciento.

Estos resultados muestran una competencia amplia en esquemas con debilidades documentadas. Por sí solos, no demuestran que los modelos hayan derivado esas debilidades de forma independiente.

Un LLM puede recordar un ataque a partir de sus datos de entrenamiento, reconstruirlo desde patrones conocidos o descubrir una vía diferente a partir del código fuente. Los investigadores auditaron trazas de ejecución, pero reconocen que estas no pueden separar completamente el recuerdo del redescubrimiento.

Los resultados más relevantes procedieron de esquemas de máxima seguridad del nivel 2. Mythos 5 y Sonnet 5 produjeron de forma independiente un ataque completo de recuperación de clave de 128 bits contra SpoC, un candidato de cifrado autenticado del proceso de criptografía ligera de NIST.

El cifrado autenticado con datos asociados, comúnmente denominado AEAD, protege tanto la confidencialidad como la integridad de un mensaje. El ataque reportado contra SpoC utilizó dos consultas a un oráculo para explotar un fallo de diseño en el esquema sin modificar.

Mythos 5 también produjo un ataque de reacción al descifrado contra KINDI. Ese método extrae información de cómo reacciona un sistema cuando se le pide descifrar textos cifrados especialmente construidos.

Según el artículo, el ataque expuso un error en la prueba publicada de seguridad frente a texto cifrado elegido de KINDI. Los autores afirman que tanto el problema de KINDI como el ataque de recuperación de clave contra SpoC eran desconocidos para ellos con anterioridad.

Esa formulación merece cautela. Los ataques parecen novedosos según la revisión bibliográfica de los investigadores, pero un preprint no puede establecer que ninguna persona los haya descubierto de forma privada.

Los esquemas afectados tampoco son equivalentes a AES, ChaCha o los ganadores poscuánticos estandarizados actualmente. SpoC fue un candidato no seleccionado en un concurso, mientras que KINDI no se convirtió en un estándar de NIST desplegado.

Aun así, los candidatos fallidos o eliminados son objetivos valiosos de investigación. Criptógrafos humanos examinaron muchos de ellos durante concursos públicos, lo que plantea al benchmark una prueba más difícil que rompecabezas deliberadamente vulnerables.

El benchmark también registró tasas de éxito de entre el 4,4 y el 8,9 por ciento en el nivel 2 de máxima seguridad. Mythos 5 lideró con un 8,9 por ciento, seguido de GPT-5.5 con un 7,4 por ciento y Sonnet 5 con un 6,7 por ciento.

Esos porcentajes requieren contexto. Algunos ataques exitosos se dirigieron a defectos de implementación, comportamientos insuficientemente especificados o fallos que no comprometían el diseño matemático previsto.

El artículo separa el criptoanálisis a nivel de diseño de esos resultados. También identifica artefactos de escalado en los que los scripts de reducción de parámetros introdujeron accidentalmente debilidades ajenas a la primitiva original.

Por tanto, la conclusión más defendible es acotada. Los modelos de frontera pueden encontrar fallos reales, producir ocasionalmente ataques aparentemente nuevos y convertir el análisis en código funcional.

No han derrotado AES de máxima seguridad. No han demostrado que los estándares criptográficos ampliamente desplegados sean generalmente vulnerables a ataques automatizados.

Por qué el criptoanálisis agéntico presiona la revisión de seguridad

La presión inmediata recae en los procesos de revisión criptográfica, porque la IA puede ejecutar más investigaciones en paralelo, retomar candidatos descuidados y probar hipótesis ejecutables de forma continua.

El criptoanálisis tradicional depende de un pequeño grupo de especialistas. Estudian un diseño, lo comparan con construcciones conocidas, desarrollan una hipótesis matemática y dedican un tiempo considerable a implementar un ataque.

El benchmark proporciona a un agente una versión condensada de ese flujo de trabajo. Puede inspeccionar código, leer especificaciones, elegir un juego de seguridad, probar el comportamiento de oráculos, utilizar software matemático y revisar su script de ataque.

Esto es más que pedirle una explicación a un chatbot. El modelo opera dentro de un entorno con herramientas, tiempo de ejecución, estado y oportunidades repetidas para corregir errores.

El estudio concluyó que los modelos a menudo reconocían la debilidad correcta antes de fallar. Muchas pérdidas se debieron a una ejecución deficiente, como elegir un objetivo innecesariamente difícil o asignar una búsqueda poco práctica a un solucionador genérico.

Ese hallazgo facilita imaginar avances futuros. Una mejor planificación, mayor tiempo de ejecución, mejor uso de herramientas y una coordinación más eficiente pueden aumentar las tasas de finalización de ataques sin requerir una idea criptográfica totalmente nueva.

La ventaja de Mythos 5 pareció especialmente sólida cuando el benchmark permitió más cómputo en tiempo de prueba. El cómputo en tiempo de prueba es el presupuesto de procesamiento utilizado mientras un modelo trabaja en un problema, incluidos tokens, llamadas a herramientas e intentos paralelos.

Esto crea una tensión entre capacidad y riesgo. Los defensores pueden utilizar los mismos sistemas para revisar esquemas candidatos, analizar implementaciones de referencia y generar ataques antes del despliegue.

Los atacantes pueden utilizarlos para retomar algoritmos poco conocidos, protocolos propietarios o productos con auditorías deficientes. No necesitan romper AES si un sistema depende de una primitiva personalizada más débil o de una implementación defectuosa.

Anthropic ha enmarcado los modelos cibernéticos avanzados en torno a un despliegue defensivo controlado. Su investigación criptográfica describe trabajos sobre debilidades en Hawk y AES de rondas reducidas, junto con el esfuerzo más amplio del benchmark.

AES de rondas reducidas elimina algunas de las rondas de transformación repetidas del cifrado con fines de investigación. Atacar esa variante debilitada ayuda a medir el progreso, pero no derrota AES-128 estándar con sus 10 rondas completas.

Este límite se pierde fácilmente en el debate público. Un titular que diga “la IA ataca AES” puede describir un resultado académico significativo, al tiempo que insinúa una vulneración práctica que nunca ocurrió.

Los criptógrafos llevan mucho tiempo estudiando variantes de rondas reducidas para trazar el margen de seguridad de un diseño. Los avances contra siete rondas pueden mejorar la comprensión analítica sin hacer descifrable AES de rondas completas.

La presión es, por tanto, organizativa antes de volverse catastrófica. Los organismos de estandarización, los desarrolladores de modelos y los proveedores de software necesitan procedimientos para validar ataques generados por IA y divulgar debilidades auténticas.

Los equipos de revisión también tendrán que clasificar un volumen mayor de hallazgos plausibles. Un modelo que propone cientos de ataques puede consumir el escaso tiempo de los expertos incluso cuando la mayoría de los intentos fracasan.

La verificación automática ayuda dentro del benchmark porque cada tarea cuenta con un juego formal y una implementación controlada. Los sistemas reales rara vez ofrecen condiciones tan limpias.

Un protocolo de producción combina primitivas criptográficas con serialización, gestión de claves, flujos de autenticación, comportamiento del hardware y políticas operativas. Un ataque puede tener éxito a través de esos límites sin invalidar el algoritmo central.

Por el contrario, un ataque de laboratorio aparentemente exitoso puede depender de una interfaz o una decisión de implementación ausente en los productos desplegados. Sigue siendo necesaria la revisión humana para determinar el impacto práctico.

El repositorio abierto del benchmark ofrece a investigadores independientes una vía para inspeccionar las tareas y comparar modelos futuros. La reproducibilidad será crucial a medida que los proveedores hagan afirmaciones de capacidades más sólidas.

Las organizaciones sometidas a mayor presión no son únicamente los laboratorios de IA. Los proyectos de estándares criptográficos deben decidir cuándo las pruebas con agentes pasan a ser una parte rutinaria de la evaluación.

Los proveedores con criptografía personalizada afrontan una advertencia aún más clara. Los modelos pueden explorar la brecha entre las propiedades de seguridad declaradas de un diseño y el comportamiento real de su código.

Lo que el Benchmark No Demuestra

CryptanalysisBench mide una capacidad real, pero la memorización, los parámetros reducidos, los errores de implementación y los grandes presupuestos computacionales limitan las conclusiones generales.

La primera incertidumbre se refiere a los datos de entrenamiento. Los ataques de nivel 1 ya son públicos, por lo que un modelo puede reproducir textos, fórmulas o patrones de código encontrados durante su entrenamiento.

Los investigadores realizaron auditorías a nivel de trazas para identificar si los modelos citaban artículos, recordaban ataques conocidos o desarrollaban rutas diferentes. Sin embargo, una derivación aparentemente nueva aún puede reflejar memorización no reconocida.

AIMer ofreció un control parcial porque un ataque eficiente de 2026 apareció después de los límites de entrenamiento reportados para varios modelos. Ningún modelo evaluado reprodujo el método de eliminación publicado bajo las condiciones del benchmark.

Algunos modelos recuperaron el secreto con configuraciones más permisivas, utilizando más vectores de inicialización de los que requería el ataque reciente. Esto sugiere un razonamiento útil, pero también muestra la diferencia entre encontrar un ataque e igualar la eficiencia de los expertos.

La segunda limitación se refiere a las variantes reducidas. Los investigadores debilitaron muchos algoritmos de nivel 2 para situar los ataques al alcance computacional.

Esta es una práctica criptanalítica estándar, pero los cambios de parámetros pueden crear vulnerabilidades artificiales. El artículo informa de casos en los que un script de reducción truncaba el procesamiento o dejaba búferes dependientes con tamaños inconsistentes.

Esos éxitos describen una variante defectuosa del benchmark, no un avance contra el diseño original. Los autores separaron ocho o nueve artefactos de este tipo por modelo de los resultados criptanalíticos genuinos.

La tercera limitación se refiere a las implementaciones de referencia. Cuatro de las 24 tareas de nivel 1 resueltas por todos los modelos involucraban defectos de código en lugar de fallos en la primitiva subyacente.

Los ataques contra implementaciones siguen siendo valiosos en el trabajo de seguridad real. Sin embargo, responden a una pregunta distinta de si la construcción matemática de un cifrado es sólida.

La cuarta limitación es el uso de recursos. Los agentes potentes pueden consumir largos tiempos de ejecución y enormes presupuestos de tokens mientras exploran un único objetivo.

El resultado sigue siendo relevante como demostración de capacidad, pero no demuestra que cualquier atacante pueda automatizar de forma económica la criptoanálisis experta. El acceso a los modelos, la infraestructura de inferencia, la verificación y la supervisión humana siguen siendo limitaciones.

La quinta limitación es la cobertura del benchmark. El conjunto de desafíos representa varios cifrados de nivel de producción, pero no puede abarcar todos los protocolos, implementaciones, canales laterales o configuraciones utilizados en la práctica.

Sus juegos formales restringen deliberadamente la interacción a un modelo de amenaza definido. Esto evita que los agentes ganen mediante acceso accidental a archivos secretos o debilidades no relacionadas del contenedor.

Ese aislamiento mejora la medición. También elimina las condiciones desordenadas en las que los atacantes reales suelen tener éxito.

Las salvaguardas introducen otra complicación. Los investigadores informaron de que no pudieron evaluar GPT-5.6 ni Claude Fable 5 porque esos modelos bloquearon las tareas de criptoanálisis.

Una negativa por motivos de seguridad no indica una menor capacidad subyacente. Significa que los resultados del benchmark dependen tanto de la competencia del modelo como de las políticas de acceso que rodean esa competencia.

Esto crea un problema de comparación. Un modelo más capaz puede parecer más débil si se niega a participar, mientras que un modelo menos restringido puede completar más tareas.

También plantea una cuestión de gobernanza. Los criptógrafos defensivos necesitan acceso a análisis avanzados, pero un acceso sin restricciones puede difundir capacidades ofensivas.

El benchmark no resuelve dónde debería estar esa línea. Proporciona datos para un debate que antes dependía en gran medida de anécdotas.

Otra incertidumbre es la transferencia. El rendimiento frente a candidatos históricos de competiciones puede no predecir el rendimiento frente a estándares maduros y sometidos a una revisión intensiva.

AES ha recibido décadas de atención sostenida. Que un modelo encuentre un fallo en un candidato menos estudiado no implica que escalar el mismo enfoque vaya a descifrar AES.

El nivel de desafíos del artículo está diseñado para seguir ese límite. Los resultados actuales lo dejan lejos de estar saturado, lo que resulta tranquilizador y científicamente útil.

Por tanto, la interpretación de anthropic schneier debe resistir ambos extremos. El trabajo es más sólido que una demostración con un cifrado de juguete, pero más débil que una evidencia de que el cifrado desplegado se enfrenta a un colapso inmediato.

La Oportunidad Defensiva Llega Antes que el Riesgo del Peor Caso

Las organizaciones pueden beneficiarse ya incorporando ataques generados por IA a la revisión humana, siempre que mantengan la verificación, la divulgación y la agilidad criptográfica.

Los algoritmos candidatos son un punto de partida evidente. Los equipos de estándares pueden permitir que varios modelos sondeen los diseños antes de su selección y, después, enviar ataques reproducibles a criptógrafos independientes.

Esto puede ampliar la cobertura de propuestas que reciben una atención humana desigual. Los candidatos de las primeras rondas suelen atraer menos escrutinio después de que surgen alternativas más sólidas.

Los hallazgos sobre SpoC y KINDI ilustran ese valor. Incluso cuando un esquema nunca llega a desplegarse, un fallo identificado recientemente puede mejorar las prácticas de diseño futuras.

Las implementaciones de referencia son otro objetivo práctico. Los agentes pueden comparar una propiedad de seguridad formal con rutas de código que omiten la autenticación, gestionan incorrectamente entradas vacías u omiten componentes de mensajes.

Este trabajo se solapa con el descubrimiento convencional de vulnerabilidades, pero el código criptográfico requiere razonamiento especializado. Un escáner genérico puede detectar errores de memoria y, aun así, pasar por alto una falsificación a nivel de protocolo.

La IA también puede ayudar a construir pruebas de regresión después de detectar una debilidad. Un script de ataque válido se convierte en un artefacto concreto que los desarrolladores pueden conservar junto con el código corregido.

Las organizaciones no deberían dejar que un modelo apruebe sus propios hallazgos. La reproducción independiente sigue siendo necesaria, especialmente cuando el resultado afecta a un estándar o a una biblioteca ampliamente utilizada.

Una cadena de revisión sensata comienza con un ataque ejecutable automáticamente. Después, un criptógrafo humano identifica si se dirige contra el diseño, la implementación o una condición artificial del benchmark.

A continuación, los mantenedores pueden reproducir el resultado en la base de código afectada. Solo entonces los equipos deberían evaluar la exposición desplegada y coordinar la divulgación.

Esta estructura limita las falsas alarmas sin descartar la investigación generada por modelos. También mantiene al modelo en el papel en el que el benchmark muestra su valor más claro: generar e implementar hipótesis.

La agilidad criptográfica cobra mayor importancia a medida que mejora el análisis automatizado. El término significa diseñar sistemas de forma que los algoritmos y las claves puedan sustituirse sin reconstruir un producto completo.

El proceso de estándares de NIST ya demuestra por qué importa planificar la migración. Seleccionar un algoritmo es solo el comienzo; desplegarlo en protocolos, hardware y sistemas de larga vida lleva años.

La IA no cambia esa realidad operativa. Puede acortar el tiempo entre la publicación de un diseño y el descubrimiento de debilidades, haciendo más costosa una migración lenta.

Los equipos deberían inventariar dónde aparecen las primitivas criptográficas, qué bibliotecas las implementan y si los protocolos pueden negociar sustituciones más seguras. Los algoritmos personalizados merecen atención inmediata porque carecen del historial de revisión de los estándares establecidos.

Sin embargo, las organizaciones no deberían sustituir criptografía madura simplemente porque un modelo produzca un análisis preocupante. Los cambios prematuros pueden introducir nuevos defectos de implementación y fallos de interoperabilidad.

La oportunidad defensiva depende de pruebas disciplinadas. Un ataque que gana un juego formal merece investigación, mientras que una prosa sin respaldo merece escepticismo.

El modelo de verificación del benchmark ofrece una plantilla útil más allá de la criptografía. Las evaluaciones de seguridad de IA deberían exigir artefactos reproducibles siempre que la tarea lo permita.

Esto importa porque las afirmaciones sobre modelos de frontera influyen cada vez más en las reglas de acceso, las decisiones de compra y las políticas públicas. Las mediciones deben distinguir entre razonamiento, memorización, habilidad de implementación y uso de recursos por fuerza bruta.

CryptanalysisBench no resuelve por completo esos problemas de medición. Los hace visibles en un ámbito donde el éxito tiene una definición inusualmente clara.

Tres Señales Mostrarán si la Criptoanálisis con IA se Está Acelerando

La siguiente fase depende de logros en benchmarks más difíciles, reproducción independiente de ataques novedosos y adopción rutinaria por parte de los equipos de estándares.

La primera señal es el avance frente al conjunto de desafíos sin resolver. Los investigadores deberían seguir si los modelos futuros producen ataques no triviales contra versiones con más rondas de AES, ChaCha u otros cifrados de producción.

Un resultado importa más cuando amplía la frontera criptanalítica publicada sin depender de un error del entorno de prueba. Expertos independientes deberían confirmar la complejidad, los requisitos de datos y el significado práctico.

Ningún resultado aislado contra una versión con rondas reducidas significa que el cifrado de máxima seguridad haya fallado. Un patrón sostenido en variantes más fuertes mostraría que la investigación asistida por modelos se está acercando a la criptoanálisis experta.

La segunda señal es la reproducción independiente de los hallazgos sobre SpoC y KINDI. Otros criptógrafos deben verificar los ataques, buscar en la literatura previa y evaluar si los supuestos afectados aparecen en otros contextos.

Una reproducción exitosa reforzaría la afirmación de que los agentes de frontera pueden contribuir a una criptoanálisis original. Una publicación previa o una dependencia específica del benchmark limitaría esa conclusión.

Las futuras versiones del benchmark también deberían incluir objetivos nuevos, privados o publicados recientemente que sean posteriores al entrenamiento de los modelos. Esto haría que la memorización fuera una explicación menos plausible.

La tercera señal es la adopción por parte de organismos de estándares y laboratorios de seguridad. El benchmark adquiere importancia operativa cuando las pruebas con agentes se suman a la revisión de código y la criptoanálisis humana como paso normal antes del despliegue.

Ese cambio debería incluir reglas de divulgación. Los modelos pueden generar hallazgos más rápido de lo que los expertos pueden validarlos, por lo que una cola mayor sin triaje podría ralentizar el trabajo defensivo.

Observe si los desarrolladores de modelos comparten transcripciones, presupuestos de recursos, intentos fallidos y código de verificación. Es más fácil confiar en los resultados cuando terceros pueden distinguir un nuevo ataque matemático de un defecto de programación.

También conviene observar la política de acceso. Anthropic ha limitado su modelo cibernético más capaz a socios seleccionados, lo que refleja su preocupación por el uso ofensivo.

El acceso restringido puede frenar el uso indebido, pero también puede concentrar la capacidad defensiva avanzada en unos pocos laboratorios. Una participación investigadora más amplia requerirá entornos controlados y procesos de divulgación responsables.

La respuesta contenida de Bruce Schneier es el punto de referencia adecuado. Son resultados tempranos, pero describen una capacidad con implicaciones directas para la infraestructura digital.

La pregunta útil no es si un LLM puede «romper el cifrado» en abstracto. Es si cada generación de modelos puede derrotar objetivos más difíciles, limpios y actuales bajo reglas verificables.

Los líderes de seguridad deberían seguir esa evolución y preparar sus propios sistemas para una revisión criptográfica más rápida. Inventaríen los algoritmos de los que depende su organización, eliminen los diseños personalizados y comprueben si los protocolos críticos admiten sustitución.

Para los investigadores, la acción inmediata es igual de concreta. Reproducir los nuevos ataques, cuestionar las suposiciones del benchmark y presentar objetivos más sólidos antes de que las afirmaciones sobre capacidades superen a la evidencia.

La historia de anthropic schneier sigue siendo una señal de advertencia, no una declaración de colapso criptográfico. Su valor reside en medir la distancia entre los éxitos limitados de hoy y los ataques que obligarían a toda la industria a responder.