Le partenariat Amazon Anthropic face à un nouveau test alors que Claude découvre des faiblesses cryptographiques

Des chercheurs partenaires d’Amazon et d’Anthropic affirment que Claude Mythos Preview a découvert deux nouvelles attaques cryptographiques, après avoir initialement insisté sur le fait que la cible la plus difficile était presque impossible à atteindre. Les résultats concernent HAWK et une version de recherche à sept tours d’AES-128. Aucune de ces attaques ne menace les systèmes en production, mais elles remettent toutes deux en question certaines hypothèses sur la manière dont l’IA contribue à la recherche mathématique avancée.

Le détail le plus révélateur n’était ni la vitesse de l’attaque ni le budget de calcul. C’était la persévérance que le modèle a exigée de ses opérateurs humains. Claude a tenté à plusieurs reprises des problèmes plus simples, écarté des pistes prometteuses et proposé de changer de cible. Les chercheurs l’ont continuellement orienté vers un résultat digne d’une publication.

Cette interaction définit le véritable enjeu. La comparaison pertinente n’oppose pas simplement Claude à des cryptographes humains. Elle met en regard une recherche par IA persistante et fortement structurée avec la tendance du modèle à abandonner les travaux qui semblent peu productifs. La découverte a dépendu des deux parties, tandis que la vérification humaine a nécessité bien plus de temps que l’exploration par la machine.

Claude a découvert deux attaques, mais aucune ne casse un chiffrement déployé

Claude Mythos a produit de véritables avancées de recherche sans compromettre le chiffrement utilisé dans les produits actuels.

Anthropic a publié les résultats le 28 juillet 2026. Ses recherches en cryptographie décrivent une attaque améliorée de récupération de clé contre HAWK et une attaque plus rapide contre AES-128 à sept tours.

HAWK est une proposition de signature numérique post-quantique. Les signatures numériques permettent à un système de vérifier l’identité d’un expéditeur et de confirmer qu’une information n’a pas été modifiée. Les schémas post-quantiques visent à préserver ces garanties face aux futurs ordinateurs quantiques.

Le National Institute of Standards and Technology des États-Unis a commencé à solliciter des algorithmes de signature post-quantiques supplémentaires en 2022. HAWK a atteint le troisième tour de ce processus d’examen public après avoir franchi deux tours précédents sur environ deux ans.

Mythos a identifié une symétrie jusqu’alors inutilisée dans le réseau sous-jacent de HAWK. Un réseau est une grille mathématique structurée dont les problèmes de calcul difficiles peuvent assurer la sécurité cryptographique. Cette symétrie, appelée automorphisme non trivial, permet une recherche plus rapide d’une clé secrète.

Selon Anthropic, le résultat réduit environ de moitié la force effective des clés de HAWK. Pour le plus petit jeu de paramètres HAWK-256, le travail estimé pour une récupération complète de clé est passé de 2^64 opérations à 2^38.

Cela ne signifie pas que toutes les configurations de HAWK sont désormais faciles à attaquer. Les clés plus grandes exigent toujours une recherche exponentielle impraticable. L’attaque est également spécifique à HAWK et n’affaiblit ni les autres candidats aux signatures post-quantiques ni la cryptographie sur réseaux de manière générale.

Toutefois, maintenir le niveau de sécurité visé par HAWK nécessiterait des clés bien plus grandes. Ce changement éroderait l’efficacité qui rendait la proposition attrayante. L’attaque compte donc pour la sélection des standards, même si HAWK n’est pas entré en production.

La seconde découverte concerne AES, l’Advanced Encryption Standard adopté par le NIST en 2001. AES-128 protège les données en appliquant 10 tours de transformations répétées. Chaque tour obscurcit davantage la relation entre le texte en clair, la clé et la sortie chiffrée.

Claude n’a pas attaqué ces 10 tours. Il a attaqué une version volontairement affaiblie à sept tours, que les chercheurs utilisent pour mesurer la marge de sécurité du chiffrement complet.

Cette distinction est déterminante. La cryptanalyse à nombre de tours réduit vérifie si les méthodes d’attaque commencent à progresser avant d’atteindre la conception complète d’un chiffrement. Cela ressemble à un test de résistance sur une partie d’un pont, et non à la démonstration que le pont s’est effondré.

L’attaque suppose également l’accès à 2^105 textes en clair choisis. Dans un modèle de texte en clair choisi, un attaquant sélectionne des entrées et reçoit leurs sorties chiffrées sous une clé inconnue mais fixe. Cette seule exigence en matière de données rend l’expérience impossible en pratique.

Anthropic estime que même une implémentation de l’attaque théorique coûterait des centaines de millions de dollars. AES-128 complet reste hors de portée.

Ces limites expliquent pourquoi Anthropic a indiqué qu’aucun logiciel en production n’avait besoin d’être modifié. Elles empêchent aussi la conclusion spectaculaire mais inexacte selon laquelle Claude aurait « cassé AES ».

Le changement est plus limité et plus intéressant. Un système d’IA a prolongé une recherche cryptanalytique sérieuse contre deux cibles très étudiées. Un résultat a sensiblement affaibli un candidat à la normalisation, tandis que l’autre a amélioré la meilleure méthode connue pour un problème de recherche classique.

Cette combinaison exerce une pression qui dépasse largement les concepteurs de HAWK. Les organismes de normalisation, les développeurs de modèles, les fournisseurs cloud et les équipes de sécurité doivent désormais déterminer comment les découvertes générées par IA doivent être produites, vérifiées et divulguées.

Pourquoi la relation entre Amazon et Anthropic compte ici

Cette expérience fait de l’infrastructure des modèles de pointe une composante du processus de recherche cryptographique, et non un simple moyen d’exécuter un chatbot.

Amazon n’a pas signé les deux articles, et AWS n’a pas annoncé les attaques. Les travaux proviennent de chercheurs d’Anthropic utilisant Claude Mythos Preview. Néanmoins, la relation entre Amazon et Anthropic apporte un contexte commercial et infrastructurel essentiel.

Amazon a investi au total 8 milliards de dollars dans Anthropic tout en conservant une position minoritaire. Anthropic identifie également AWS comme son principal partenaire cloud et d’entraînement. Les modèles Claude sont accessibles aux clients d’entreprise via Amazon Bedrock.

Ce partenariat relie les capacités des modèles, une infrastructure de calcul spécialisée et une distribution auprès des entreprises. Anthropic travaille avec AWS sur les accélérateurs Trainium et les logiciels associés, tandis qu’Amazon obtient un fournisseur majeur de modèles pour sa plateforme cloud.

Les derniers travaux en cryptographie montrent ce que peut permettre une inférence intensive. Chaque résultat principal a consommé environ 100 000 dollars d’utilisation d’API. Le projet AES a fini par produire un milliard de tokens de sortie, selon Anthropic.

Ces chiffres ne décrivent pas des charges de travail d’entreprise ordinaires. Ils révèlent un modèle de recherche qui dépense d’importantes ressources de calcul à travers de nombreux agents, hypothèses, expériences, critiques et pistes infructueuses.

Pour Amazon, la question importante n’est pas de savoir si les clients reproduiront exactement cette expérience via un prompt Bedrock standard. Mythos Preview n’est pas généralement disponible, et Anthropic en a restreint l’accès en raison de ses capacités en cybersécurité.

La question est de savoir si l’infrastructure cloud devient un intrant déterminant de la recherche automatisée. Si les découvertes utiles nécessitent un travail soutenu de multiples agents, des expériences répétées et d’énormes budgets de tokens, les fournisseurs de calcul occupent une position stratégique dans ce flux de travail.

L’investissement d’Amazon dans Anthropic apparaît donc différemment sous cet angle. Le partenariat ne se limite pas à héberger des assistants généralistes. Il place AWS au plus près d’expériences où les modèles explorent la littérature technique, utilisent des outils mathématiques et testent des idées originales.

Cette opportunité s’accompagne aussi de responsabilités. Davantage de calcul permet aux chercheurs défensifs d’étudier des algorithmes négligés. La même mise à l’échelle peut accélérer l’analyse offensive lorsque les modèles ou des capacités équivalentes se diffusent.

Anthropic avait auparavant indiqué que Mythos pouvait découvrir et exploiter des vulnérabilités logicielles dans les principaux systèmes d’exploitation et navigateurs. La recherche sur la conception cryptographique déplace la question des erreurs de programmation vers des faiblesses dans les mathématiques elles-mêmes.

Les bugs d’implémentation disposent d’outils de vérification concrets. Un programme qui plante, un rapport de sanitizer ou un exploit fonctionnel peuvent fournir un résultat objectif. La cryptanalyse inédite est plus difficile, car sa validité dépend d’hypothèses mathématiques, de la littérature antérieure et d’estimations précises de complexité.

Cela rend l’examen humain plus important, et non moins. Cela rend aussi la structure des coûts moins prévisible. Un modèle peut générer des centaines d’idées plausibles plus vite que des experts qualifiés ne peuvent les écarter.

Les acheteurs en entreprise ne doivent pas interpréter l’expérience comme une autorisation de déléguer les décisions de sécurité à un modèle. Elle montre plutôt pourquoi la provenance, les journaux d’expériences et l’examen humain doivent rester associés à toute affirmation conséquente.

Les équipes d’ingénierie peinent déjà à préserver le contexte qui sous-tend les décisions complexes. Une base de connaissances consultable devient plus pertinente lorsqu’un agent produit des milliers d’artefacts intermédiaires que les réviseurs doivent retracer.

La course aux infrastructures s’accompagne donc d’une course à la validation. AWS, Anthropic et d’autres plateformes de modèles peuvent accroître le volume des découvertes candidates. La ressource rare devient l’attention d’experts capable de distinguer un résultat publiable d’un bruit mathématique formulé avec assurance.

Le mécanisme clé était la persévérance, pas un prompt parfait

L’avantage décisif de Claude n’est apparu qu’après que des humains l’ont empêché de redéfinir la mission autour de travaux plus faciles.

Pour le projet HAWK, Mythos a travaillé de manière semi-autonome au sein d’un harness agentique. Un harness combine des prompts, des outils, de la mémoire et du code afin qu’un modèle puisse poursuivre un objectif plus long au lieu de répondre une seule fois.

L’environnement ressemblait à Claude Code et prenait en charge plusieurs agents travailleurs. Ces agents pouvaient consulter des articles publiés et utiliser des outils de calcul tels que Python et Sage, un système de calcul symbolique et mathématique.

L’opérateur humain avait une expérience en informatique théorique, mais n’était pas spécialiste de la cryptographie sur réseaux. Les orientations humaines ont surtout porté sur la gestion de la recherche, comme le suivi des idées et le choix des bibliothèques de vérification.

Deux agents travailleurs ont identifié la direction cruciale pour HAWK. L’un l’a écartée prématurément, tandis que l’autre l’a développée davantage. Des échanges prolongés ont finalement conduit les deux agents à reconnaître l’attaque viable.

Le processus complet de découverte et de vérification pour HAWK a pris environ 60 heures. Mythos a effectué une revue de la littérature, exploré les mathématiques, mené des expériences computationnelles et construit un pipeline de vérification de bout en bout.

Le processus AES révèle une division du travail encore plus nette. Un chercheur d’Anthropic a conçu une structure permettant à Claude de proposer des hypothèses, de les tester, d’écarter les échecs et de poursuivre ses recherches. La mission exigeait une amélioration par rapport à la meilleure attaque publiée.

Claude a d’abord résisté. Il a soutenu qu’AES à nombre de tours réduit avait été étudié de manière trop approfondie et a suggéré qu’un résultat différent nécessiterait une autre cible. Cette réponse était raisonnable à l’échelle d’une conversation, mais peu utile pour une recherche originale.

L’opérateur humain a répondu par des instructions de plus en plus directes. Les messages soulignaient que le modèle devait rechercher de nouvelles attaques, conserver AES-128 à sept tours et éviter les résultats de faible valeur. Anthropic a publié les prompts en conservant leurs fautes d’orthographe et de grammaire.

Simon Willison a mis ces messages en avant dans son analyse des prompts. Leur importance réside dans ce qu’ils révèlent du comportement des agents, et non dans leur formulation.

Les prompts apportaient peu de connaissances cryptographiques spécialisées. Ils fournissaient de l’ambition, une cible stable et l’autorisation de consacrer davantage d’efforts. Le modèle avait déjà accès à la littérature technique, aux outils et aux sorties des agents précédents.

Après avoir reçu cette instruction, Mythos a passé trois jours à produire plusieurs centaines de millions de tokens. Il a finalement proposé le pont de Möbius, une méthode d’empreinte qui élimine une estimation coûteuse de l’attaque précédente.

Une attaque par rencontre au milieu permet de gagner du temps en calculant depuis deux directions et en faisant correspondre les états intermédiaires. Elle échange généralement une réduction du temps d’exécution contre une vaste table de calculs stockés.

La précédente méthode AES à sept tours devait énumérer 256 valeurs possibles à une étape et les vérifier par rapport à une table. Mythos a construit une empreinte qui reste inchangée malgré cette estimation, supprimant ainsi l’énumération.

Le calcul de la nouvelle transformation a introduit du travail supplémentaire. Claude a ensuite développé des optimisations additionnelles pour compenser ce coût. Anthropic estime que la méthode combinée s’exécute entre 200 et 800 fois plus vite, selon la façon dont le temps d’exécution est mesuré.

C’est le mécanisme central du résultat. Claude n’a pas répondu à une question ingénieuse par une attaque finalisée. Il a mené un vaste processus de recherche dont la direction utile a émergé après que des humains ont, à plusieurs reprises, bloqué les issues plus faciles.

Qualifier cela de « prompt engineering » sous-estime le flux de travail. Les chercheurs ont fixé des objectifs, maintenu la cible, alloué des ressources de calcul, préservé le travail intermédiaire et exigé une vérification. Ce sont des fonctions de gestion de la recherche.

Le processus remet aussi en question l’idée qu’un modèle intelligent ne devrait avoir besoin d’aucun encouragement. Les modèles de pointe sont optimisés pour produire des réponses utiles, et déclarer qu’un problème célèbre est difficile peut sembler responsable. La recherche exige de continuer après cette réponse socialement acceptable.

Cela crée un subtil problème d’évaluation. Un modèle peut posséder les composantes nécessaires à une découverte tout en échouant parce qu’il n’y consacre pas assez d’efforts. Les benchmarks standards mesurent souvent sa capacité à résoudre un problème fixe lors d’une seule exécution limitée.

Les agents de recherche à longue durée de fonctionnement se comportent différemment. Leur résultat dépend de l’échafaudage, de travailleurs parallèles, de l’accès aux outils, de la gestion du contexte, des retours d’information et d’un budget pour les tentatives échouées. La capacité appartient en partie au système qui entoure le modèle.

Le résultat sur AES ne montre pas que n’importe quel utilisateur déterminé peut transformer un court prompt en cryptanalyse de haut niveau. Il montre qu’une orchestration persistante peut révéler des capacités de modèle masquées par un pessimisme précoce.

La vérification humaine est devenue le véritable goulot d’étranglement

Le modèle a généré de la recherche plus vite que l’équipe d’Anthropic ne pouvait établir que cette recherche était correcte, inédite et utile.

Anthropic affirme que Mythos a conçu l’attaque AES améliorée en environ une semaine. Deux chercheurs ont ensuite passé près d’un mois à acquérir suffisamment de confiance dans le résultat.

L’entreprise indique également que ces chercheurs ont consacré plusieurs centaines d’heures à apprendre assez de cryptographie pour valider l’affirmation et préparer l’article. Anthropic précise explicitement qu’ils n’étaient pas experts en cryptographie.

Cette révélation mérite autant d’attention que l’attaque elle-même. La recherche mathématique ne devient pas fiable parce qu’un modèle fournit des équations, du code et une explication faisant autorité. Les évaluateurs doivent vérifier chaque hypothèse et comparer la méthode à des décennies de travaux antérieurs.

HAWK a offert une voie de validation plus concrète. L’équipe pouvait mettre en œuvre la méthode de récupération de clé de bout en bout et vérifier si elle retrouvait une clé choisie. Cela rend le résultat plus facile à tester qu’une vaste attaque AES théorique.

Pour AES, personne ne peut exécuter l’attaque complète avec les hypothèses de ressources annoncées. L’examen dépend donc de la preuve de correction de l’algorithme, de la vérification de sa complexité et de la validation expérimentale de composants plus petits.

Anthropic indique avoir consulté des universitaires, partagé le résultat HAWK avec ses concepteurs en juin et coordonné la publication via une liste de diffusion du NIST. L’entreprise a également informé des partenaires du gouvernement américain et de l’industrie avant la publication.

Ces étapes réduisent le risque d’une erreur évidente. Elles ne remplacent pas un examen par les pairs plus large. Les deux articles et le code associé donnent désormais aux cryptographes indépendants l’occasion de contester les affirmations.

Le caractère public de l’examen cryptographique est important. La sécurité provient généralement d’analyses adversariales répétées, et non de la confiance accordée à l’organisation qui annonce un résultat. Les experts doivent tenter de reproduire le raisonnement et d’identifier les hypothèses cachées.

CyberScoop a rapporté que la dirigeante de Keyfactor Ellen Boehm considérait cette découverte comme la preuve que le processus d’évaluation post-quantique fonctionne. Les algorithmes candidats entrent précisément dans des compétitions publiques afin que les chercheurs puissent trouver des faiblesses avant le déploiement.

Cette interprétation évite de tirer la mauvaise leçon de HAWK. Son revers ne signifie pas que la normalisation post-quantique a échoué. Il signifie qu’un candidat public a subi un test exigeant avant de devenir une infrastructure.

L’histoire des compétitions du NIST soutient cette vision. SIKE, un ancien candidat post-quantique, a résisté à des années d’attention avant que des chercheurs ne découvrent une attaque dévastatrice pouvant être exécutée sur un ordinateur portable.

L’IA ajoute une nouvelle source de pression adversariale. Les organismes de normalisation peuvent utiliser des modèles pour tester davantage de constructions et explorer davantage de variations. Les concepteurs peuvent également employer les mêmes techniques avant de soumettre une proposition.

Cependant, une plus grande capacité de recherche crée un problème de file d’attente. Si les modèles génèrent des attaques bien plus vite que les spécialistes ne peuvent les évaluer, l’arriéré augmente. Des résultats incorrects peuvent absorber des mois d’attention, tandis que de véritables découvertes risquent d’attendre sans être remarquées.

Les modèles peuvent aussi créer un faux sentiment de vérification en écrivant des tests qui confirment leurs propres hypothèses erronées. Des implémentations et des évaluateurs indépendants restent nécessaires, car la cohérence interne n’est pas synonyme de correction.

Le partenariat entre Amazon et Anthropic se situe près de ce goulot d’étranglement, car la mise à l’échelle des modèles et le service de sessions d’agents plus longues augmentent le flux en amont. L’infrastructure peut accroître la production de candidats plus rapidement que les communautés universitaires ne peuvent accroître le nombre d’évaluateurs qualifiés.

La réponse appropriée n’est pas de supprimer toute exploration automatisée. Elle consiste à construire des systèmes d’examen parallèlement à celle-ci. Ces systèmes ont besoin de journaux complets, de code reproductible, de modèles de menace explicites, d’une littérature versionnée et de traces claires des interventions humaines.

CryptanalysisBench représente une tentative visant à rendre les performances des modèles plus mesurables. Anthropic a créé ce benchmark avec des chercheurs universitaires afin de présenter des problèmes cryptographiques sous une forme que différents modèles peuvent tenter de résoudre.

Les benchmarks ne saisiront néanmoins qu’une partie du tableau. Le meilleur résultat d’Anthropic dépendait d’un humain persistant qui refusait de laisser Claude changer de cible. Les dispositifs d’évaluation doivent donc mesurer à la fois le travail autonome et les performances sous une supervision de recherche réaliste.

Ce que les résultats ne prouvent pas

Les attaques sont suffisamment crédibles pour être étudiées, mais trop limitées pour étayer l’affirmation selon laquelle Claude a cassé le chiffrement moderne ou remplacé les cryptographes.

La première limite concerne l’impact pratique. HAWK est un candidat plutôt qu’une norme déployée. AES à sept tours est un objet d’étude intentionnellement affaibli. AES-128 complet utilise 10 tours et reste inchangé.

La deuxième limite est la faisabilité computationnelle. L’attaque AES suppose 2^105 textes clairs choisis, un volume de données largement impossible à collecter dans un environnement réaliste. Son amélioration de 200 à 800 fois ne transforme pas une attaque impossible en attaque exploitable.

La troisième limite concerne l’autonomie. Mythos a mené l’essentiel de l’exploration technique de manière indépendante, mais des personnes ont choisi les cibles, construit les échafaudages, suivi les progrès, redirigé le modèle et validé le résultat.

Décrire ce travail comme entièrement autonome effacerait ces contributions. Le décrire comme une simple découverte humaine rédigée par une IA serait également inexact. L’unité pertinente est le système de recherche combiné.

La quatrième limite est la validation externe. Anthropic a publié des articles, du code et certains artefacts de raisonnement, mais la communauté cryptographique au sens large commence seulement à les examiner. L’examen indépendant déterminera si chaque amélioration revendiquée résiste à l’analyse.

Le raisonnement publié n’est pas non plus un enregistrement complet de chaque token interne. Anthropic indique que le document a été réécrit par Claude afin de fournir un récit plus lisible d’une session réussie. De nombreuses autres sessions n’ont produit aucune découverte.

Cette sélection rend l’artefact utile pour comprendre le cheminement ayant abouti, mais moins robuste pour estimer les taux de réussite. Les lecteurs ne peuvent pas déduire à quelle fréquence des dépenses similaires produisent des recherches publiables.

La cinquième limite est la généralisation. Une symétrie dans HAWK n’implique pas que la même faiblesse existe dans toute la cryptographie sur réseaux. Une amélioration par empreinte contre sept tours d’AES n’implique pas une voie à travers les trois tours restants.

Les tours cryptographiques sont conçus de sorte que la complexité se compose. Les progrès contre une version réduite aident à mesurer les marges de sécurité, mais les derniers tours peuvent rester hors de portée de toute technique connue.

Les affirmations préliminaires de suivi d’Anthropic exigent également de la prudence. L’entreprise rapporte une attaque contre LEA à 13 tours qui s’exécute sur un ordinateur de bureau, ainsi qu’une autre contre Serpent-128 à six tours. Aucune n’atteint les versions complètes de ces chiffrements.

L’équipe prévoit de publier davantage de détails après de nouveaux travaux. D’ici là, ces résultats restent des affirmations de l’entreprise plutôt que des conclusions entièrement inspectables.

Il y a aussi une question économique. Dépenser environ 100 000 $ par résultat peut avoir du sens pour un laboratoire de pointe étudiant des normes majeures. Cela est moins accessible aux groupes universitaires, aux mainteneurs et aux petites équipes de sécurité.

Ce déséquilibre pourrait concentrer l’accès précoce à la cryptanalyse assistée par IA entre les mains des entreprises de modèles, des fournisseurs de cloud hyperscale, des gouvernements et des fournisseurs bien financés. Les organisations qui produisent des résultats pourraient également contrôler les systèmes nécessaires pour les reproduire.

L’accès restreint à Mythos complique davantage la réplication indépendante. Les chercheurs peuvent examiner les artefacts publiés, mais ils ne peuvent pas nécessairement réexécuter le même modèle et le même échafaudage.

Ces contraintes n’invalident pas les résultats. Elles définissent ce que les résultats signifient. Claude Mythos semble capable de contribuer des idées originales dans le cadre d’un programme de recherche soigneusement géré. Il n’a pas démontré une capacité générale à vaincre à la demande la cryptographie déployée.

Le bon scepticisme vise les affirmations qui entourent ces travaux, et non la valeur de tester les algorithmes. Un examen plus rigoureux avant le déploiement est bénéfique, que l’idée utile provienne d’une personne, d’un modèle ou de leur collaboration.

Les observateurs d’Amazon et d’Anthropic devraient suivre trois signaux

La prochaine phase sera déterminée par la réplication indépendante, une fiabilité de recherche mesurable et les règles de divulgation des résultats ayant un véritable impact opérationnel.

Le premier signal est la manière dont les cryptographes externes évaluent les articles sur HAWK et AES. Des calculs reproduits, des estimations de complexité corrigées et des implémentations indépendantes montreront si les résultats résistent à la pression des experts.

Une réplication solide étayerait l’affirmation d’Anthropic selon laquelle les modèles de pointe peuvent contribuer à une cryptanalyse inédite. Des corrections majeures affaibliraient le récit plus large sur les capacités, même si les expériences restent instructives.

Le deuxième signal est la performance sur CryptanalysisBench et des évaluations similaires. Les chercheurs ont besoin de résultats provenant de plusieurs modèles, d’exécutions répétées, de budgets documentés et de différents niveaux de supervision humaine.

Un benchmark devrait distinguer la découverte de la redécouverte. Il devrait également consigner les sessions échouées, la consommation de tokens, l’utilisation des outils et les interventions qui ont changé la direction d’un agent.

Si plusieurs familles de modèles produisent de nouvelles attaques validées dans des conditions contrôlées, la cryptanalyse par IA deviendra une capacité à l’échelle de l’industrie. Si le succès reste rare et dépendant d’une infrastructure propre à Mythos, la conclusion demeurera plus limitée.

Le troisième signal est la manière dont Anthropic, Amazon, les organismes de normalisation et les gouvernements gèrent une découverte qui affecte des logiciels déployés. Ces deux attaques ont permis une divulgation ordonnée, car aucune ne mettait en danger un système de production.

Une rupture pratique créerait des choix plus difficiles. Les chercheurs devraient informer les fournisseurs, coordonner les correctifs ou les migrations, restreindre les détails techniques et décider à quel moment le public doit être averti.

Anthropic indique déjà avoir consulté des responsables gouvernementaux et industriels au sujet des travaux actuels. Le prochain test consistera à savoir si ces relations aboutissent à des règles transparentes avant une crise, plutôt qu’à des contrôles improvisés après coup.

Pour les développeurs et les responsables de la sécurité en entreprise, l’action immédiate n’est pas de remplacer le chiffrement ni de paniquer à propos d’AES. Il s’agit plutôt d’améliorer la visibilité sur les endroits où les algorithmes cryptographiques, les bibliothèques, les clés et les protocoles entrent dans leurs systèmes.

Les équipes devraient également se préparer à évaluer les affirmations de sécurité générées par des machines. Cela implique de conserver les sources, les expériences, les prompts, le code et les décisions des relecteurs, au lieu d’accepter un rapport final soigné.

L’histoire entre Amazon et Anthropic concerne, au fond, le levier d’action. Amazon fournit des capitaux, une infrastructure cloud et un accès à la distribution auprès des entreprises. Anthropic fournit un modèle à accès restreint capable de mener des recherches techniques d’une profondeur inhabituelle.

Les travaux cryptographiques de Claude montrent ce que cette combinaison peut rendre possible, mais ils en révèlent aussi le facteur limitant. La puissance de calcul peut générer des découvertes candidates à une échelle immense. La confiance, elle, progresse toujours au rythme d’un examen humain rigoureux.

La question pour les prochains mois est donc précise : des experts indépendants valideront-ils ces attaques et reproduiront-ils ce schéma de recherche avec d’autres modèles ? Ces éléments détermineront s’il s’agissait d’une expérience exceptionnelle ou du début d’une méthode reproductible pour auditer les mathématiques qui sous-tendent la sécurité numérique.