Veille Anthropic Schneier : la cryptanalyse par LLM a découvert de nouvelles attaques, mais les chiffrements modernes tiennent toujours

Des chercheurs d’Anthropic ont contribué à tester un nouveau benchmark dans lequel des modèles d’IA de pointe ont découvert des attaques cryptographiques jusque-là non signalées, tout en échouant face aux cibles de production les plus difficiles. Le signal anthropic schneier est important, car Bruce Schneier a souligné que les professionnels de la sécurité devraient surveiller ces résultats, plutôt que de les écarter comme une nouvelle démonstration de raisonnement.

CryptanalysisBench évalue si un agent d’IA peut transformer une analyse mathématique en attaque exécutable contre un schéma cryptographique. Ses 191 tâches couvrent six familles de primitives cryptographiques, notamment les chiffrements par blocs, les fonctions de hachage, le chiffrement authentifié et les systèmes à clé publique.

Le conflit central est désormais mesurable. La cryptanalyse assistée par IA peut renforcer les revues défensives avant le déploiement, tandis que cette même capacité pourrait à terme aider les attaquants à examiner des systèmes à une échelle que les experts humains ne peuvent égaler. Les modèles actuels sont encore loin de casser AES à pleine puissance ou des chiffrements d’une maturité comparable, mais le benchmark montre qu’ils peuvent déjà apporter une contribution originale.

CryptanalysisBench transforme les affirmations de recherche en attaques exécutables

Le benchmark change le débat sur le raisonnement de l’IA en exigeant du code d’attaque fonctionnel, et non des explications convaincantes ou des scores attribués par un autre modèle.

Les chercheurs ont présenté CryptanalysisBench dans un préprint de juillet 2026. Ses auteurs viennent de l’ETH Zurich, d’Anthropic, de l’Université de Haïfa, de la Technische Universität Berlin et de l’Université de Tel Aviv.

Le benchmark s’appuie principalement sur quatre concours du National Institute of Standards and Technology. Ces programmes ont évalué des candidats pour AES, SHA-3, la cryptographie légère et la cryptographie post-quantique.

La collection comprend 191 tâches réparties dans six familles de primitives. Une primitive est un algorithme cryptographique fondamental utilisé pour fournir des propriétés telles que le chiffrement, l’authentification, la résistance aux collisions ou les signatures numériques.

Chaque tâche fournit à un agent d’IA le code source, la documentation et l’accès à un jeu de sécurité formel. Un jeu de sécurité définit précisément ce qu’un attaquant peut interroger et ce qui constitue une réussite.

Le modèle doit sélectionner une cible d’attaque et produire un script autonome. Un contrôleur distinct conserve les clés secrètes et ne répond qu’aux requêtes autorisées via une interface.

La vérification exécute ensuite le script avec un nouvel aléa. Les attaques de récupération de clé, de falsification et de collision doivent satisfaire leurs conditions de réussite respectives sans intervention manuelle.

Certains jeux probabilistes exigent plus d’une tentative réussie. Pour ces tâches, le benchmark exécute 20 instances indépendantes et exige au moins 17 victoires. L’article estime qu’une supposition aléatoire franchirait ce seuil environ 0,1 % du temps.

Cette structure réduit un problème persistant dans les benchmarks d’IA. Un modèle peut produire des mathématiques plausibles, citer des attaques connues ou convaincre un juge fondé sur un modèle de langage sans fournir de résultat valide.

CryptanalysisBench pose à la place une question opérationnelle binaire. L’attaque soumise vient-elle à bout du schéma selon les règles énoncées ?

Les tâches sont organisées en deux niveaux et un ensemble de défis. Le niveau 1 contient 49 algorithmes présentant des attaques pratiques connues ; il mesure donc si les modèles peuvent reproduire ou redécouvrir indépendamment des faiblesses établies.

Le niveau 2 contient 142 algorithmes sans compromission pratique connue, ou dont les attaques sont trop coûteuses à exécuter. Les chercheurs testent à la fois des conceptions à pleine puissance et des versions réduites avec moins de tours, des clés plus courtes ou des paramètres modifiés.

L’ensemble de défis couvre des chiffrements de niveau production proches de la frontière de la cryptanalyse publiée. Il comprend AES, ChaCha, Katan-32, Present-80, Simon-32/64, Speck-32/64 et Skinny-64/64.

Cette distinction est essentielle. Casser un ancien candidat de concours, un chiffrement à nombre de tours réduit ou du code de référence défectueux ne signifie pas qu’une IA a cassé le chiffrement qui protège le trafic web actuel.

L’évaluation de sécurité de Schneier a adopté le ton approprié. Il a qualifié les résultats de précoces, tout en soulignant que le benchmark mérite d’être suivi.

La nouvelle n’est pas que le chiffrement moderne a soudainement échoué. C’est que des systèmes automatisés sont passés de discussions sur la cryptanalyse à la production de certaines attaques vérifiables et apparemment originales.

Le signal Anthropic Schneier relève d’un travail inédit, pas d’une compromission d’AES

Le résultat le plus solide est la preuve d’une contribution cryptanalytique originale, tandis que la réserve la plus importante est que les chiffrements de production à pleine puissance restent inviolés.

Cinq modèles de pointe ont été évalués : Claude Opus 4.8, Claude Sonnet 5, Claude Mythos 5, GPT-5.5 et GLM-5.2 à poids ouverts. Anthropic a fourni l’accès à Mythos 5 dans le cadre de sa collaboration avec les chercheurs.

Les performances du niveau 1 allaient de 65,3 % pour GLM-5.2 à 85,7 % pour Mythos 5. Opus 4.8 a atteint 73,5 %, tandis que Sonnet 5 et GPT-5.5 ont chacun atteint 75,5 %.

Ces résultats montrent une compétence étendue sur des schémas aux faiblesses documentées. Ils ne prouvent pas à eux seuls que les modèles ont dérivé ces faiblesses de manière indépendante.

Un LLM peut se souvenir d’une attaque issue de ses données d’entraînement, la reconstruire à partir de motifs familiers ou découvrir un chemin différent à partir du code source. Les chercheurs ont audité les traces d’exécution, mais reconnaissent que celles-ci ne peuvent pas distinguer pleinement le rappel de la redécouverte.

Les résultats les plus conséquents sont venus des schémas du niveau 2 à pleine puissance. Mythos 5 et Sonnet 5 ont produit indépendamment une attaque complète de récupération de clé de 128 bits contre SpoC, un candidat au chiffrement authentifié issu du processus de cryptographie légère du NIST.

Le chiffrement authentifié avec données associées, communément appelé AEAD, protège à la fois la confidentialité et l’intégrité d’un message. L’attaque rapportée contre SpoC a utilisé deux requêtes d’oracle pour exploiter une faille de conception dans le schéma non modifié.

Mythos 5 a également produit une attaque par réaction au déchiffrement contre KINDI. Cette méthode extrait des informations de la manière dont un système réagit lorsqu’on lui demande de déchiffrer des textes chiffrés spécialement construits.

Selon l’article, l’attaque a révélé une erreur dans la preuve publiée de sécurité face aux textes chiffrés choisis de KINDI. Les auteurs indiquent que le problème de KINDI comme l’attaque de récupération de clé contre SpoC leur étaient auparavant inconnus.

Cette formulation mérite de la prudence. Les attaques semblent inédites au regard de la revue de littérature des chercheurs, mais un préprint ne peut établir qu’aucune personne ne les a découvertes en privé.

Les schémas concernés ne sont pas non plus équivalents à AES, ChaCha ou aux lauréats post-quantiques standardisés d’aujourd’hui. SpoC était un candidat non retenu dans un concours, tandis que KINDI n’est pas devenu une norme NIST déployée.

Néanmoins, les candidats écartés ou éliminés constituent des cibles de recherche utiles. Des cryptographes humains ont examiné nombre d’entre eux durant des concours publics, ce qui offre au benchmark un test plus difficile que des énigmes volontairement vulnérables.

Le benchmark a également enregistré des taux de réussite à pleine puissance au niveau 2 compris entre 4,4 et 8,9 %. Mythos 5 était en tête avec 8,9 %, suivi de GPT-5.5 à 7,4 % et de Sonnet 5 à 6,7 %.

Ces pourcentages exigent du contexte. Certaines attaques réussies visaient des défauts d’implémentation, des comportements insuffisamment spécifiés ou des failles qui ne compromettaient pas la conception mathématique visée.

L’article distingue la cryptanalyse au niveau de la conception de ces résultats. Il identifie également des artefacts de mise à l’échelle, dans lesquels des scripts de réduction de paramètres ont accidentellement introduit des faiblesses sans rapport avec la primitive d’origine.

La conclusion la plus défendable est donc limitée. Les modèles de pointe peuvent trouver de véritables failles, produire à l’occasion des attaques apparemment nouvelles et transformer leur analyse en code fonctionnel.

Ils n’ont pas vaincu AES à pleine puissance. Ils n’ont pas démontré que les normes cryptographiques largement déployées sont généralement vulnérables à une attaque automatisée.

Pourquoi la cryptanalyse agentique met sous pression les revues de sécurité

La pression immédiate s’exerce sur les processus de revue cryptographique, car l’IA peut mener davantage d’enquêtes en parallèle, réexaminer des candidats négligés et tester continuellement des hypothèses exécutables.

La cryptanalyse traditionnelle dépend d’un petit groupe de spécialistes. Ils étudient une conception, la comparent à des constructions connues, élaborent une hypothèse mathématique et consacrent beaucoup de temps à l’implémentation d’une attaque.

Le benchmark offre à un agent une version condensée de ce flux de travail. Il peut inspecter le code, lire les spécifications, choisir un jeu de sécurité, tester le comportement d’un oracle, utiliser des logiciels mathématiques et réviser son script d’attaque.

C’est davantage que demander une explication à un chatbot. Le modèle opère dans un environnement avec des outils, un environnement d’exécution, un état et des occasions répétées de corriger ses erreurs.

L’étude a constaté que les modèles identifiaient souvent la bonne faiblesse avant d’échouer. De nombreux échecs provenaient d’une mauvaise exécution, par exemple le choix d’un objectif inutilement difficile ou la délégation d’une recherche impraticable à un solveur générique.

Cette conclusion permet d’imaginer plus facilement les progrès futurs. Une meilleure planification, un temps d’exécution plus long, une utilisation améliorée des outils et une coordination plus efficace peuvent accroître les taux d’achèvement des attaques sans exiger une intuition cryptographique entièrement nouvelle.

L’avantage de Mythos 5 semblait particulièrement marqué lorsque le benchmark autorisait davantage de calcul au moment du test. Le calcul au moment du test désigne le budget de traitement utilisé lorsqu’un modèle travaille sur un problème, notamment les tokens, les appels d’outils et les tentatives parallèles.

Cela crée une tension entre capacités et risques. Les défenseurs peuvent employer les mêmes systèmes pour examiner des schémas candidats, analyser des implémentations de référence et générer des attaques avant le déploiement.

Les attaquants peuvent les utiliser pour réexaminer des algorithmes obscurs, des protocoles propriétaires ou des produits insuffisamment audités. Ils n’ont pas besoin de casser AES si un système dépend d’une primitive personnalisée plus faible ou d’une implémentation défectueuse.

Anthropic a présenté ses modèles cybernétiques avancés dans une optique de déploiement défensif contrôlé. Sa recherche cryptographique décrit des travaux sur les faiblesses de Hawk et d’AES à nombre de tours réduit, parallèlement à l’effort plus large consacré au benchmark.

AES à nombre de tours réduit retire, à des fins de recherche, certaines des rondes de transformation répétées du chiffrement. Attaquer cette variante affaiblie aide à mesurer les progrès, mais ne compromet pas AES-128 standard avec ses 10 tours.

Cette frontière se perd facilement dans le débat public. Un titre affirmant que « l’IA attaque AES » peut décrire un résultat académique significatif tout en laissant entendre une compromission pratique qui n’a jamais eu lieu.

Les cryptographes étudient depuis longtemps les variantes à nombre de tours réduit afin de cartographier la marge de sécurité d’une conception. Les progrès contre sept tours peuvent améliorer la compréhension analytique sans rendre AES à tous ses tours déchiffrable.

La pression est donc organisationnelle avant de devenir catastrophique. Les organismes de normalisation, les développeurs de modèles et les éditeurs de logiciels ont besoin de procédures pour valider les attaques générées par IA et divulguer les véritables faiblesses.

Les équipes de revue devront également trier un volume plus important de résultats plausibles. Un modèle qui propose des centaines d’attaques peut mobiliser un temps d’expertise rare, même lorsque la plupart des tentatives échouent.

La vérification automatique est utile dans le benchmark, car chaque tâche dispose d’un jeu formel et d’une implémentation contrôlée. Les systèmes réels offrent rarement des conditions aussi nettes.

Un protocole de production combine des primitives cryptographiques avec la sérialisation, la gestion des clés, les flux d’authentification, le comportement matériel et la politique opérationnelle. Une attaque peut réussir en passant par ces frontières sans invalider l’algorithme central.

À l’inverse, une attaque de laboratoire apparemment réussie peut dépendre d’un choix d’interface ou d’implémentation absent des produits déployés. Un examen humain reste nécessaire pour déterminer l’impact pratique.

Le dépôt ouvert du benchmark offre aux chercheurs indépendants un moyen d’inspecter les tâches et de comparer les futurs modèles. La reproductibilité sera essentielle à mesure que les fournisseurs revendiquent des capacités plus fortes.

Les organisations les plus sous pression ne sont pas seulement les laboratoires d’IA. Les projets de normes cryptographiques doivent décider à quel moment les tests par agents deviendront une composante habituelle de l’évaluation.

Les fournisseurs utilisant une cryptographie sur mesure font face à un avertissement encore plus clair. Les modèles peuvent explorer l’écart entre les propriétés de sécurité déclarées d’une conception et le comportement réel de son code.

Ce que le benchmark n’établit pas

CryptanalysisBench mesure une capacité réelle, mais la mémorisation, les paramètres réduits, les bogues d’implémentation et les importants budgets de calcul limitent les conclusions générales.

La première incertitude concerne les données d’entraînement. Les attaques de niveau 1 sont déjà publiques ; un modèle peut donc reproduire des textes, des formules ou des schémas de code rencontrés pendant son entraînement.

Les chercheurs ont mené des audits au niveau des traces afin d’identifier si les modèles citaient des articles, se souvenaient d’attaques connues ou développaient des approches différentes. Toutefois, une dérivation apparemment nouvelle peut encore refléter une mémorisation non reconnue.

AIMer a fourni un contrôle partiel, car une attaque efficace de 2026 est apparue après les dates limites d’entraînement déclarées de plusieurs modèles. Aucun des modèles testés n’a reproduit la méthode d’élimination publiée dans les conditions du benchmark.

Certains modèles ont retrouvé le secret dans des paramètres plus permissifs, en utilisant davantage de vecteurs d’initialisation que l’attaque récente n’en exigeait. Cela suggère un raisonnement utile, mais montre aussi l’écart entre découvrir une attaque et égaler l’efficacité d’experts.

La deuxième limite concerne les variantes réduites. Les chercheurs ont affaibli de nombreux algorithmes de niveau 2 afin de rendre les attaques accessibles sur le plan informatique.

Il s’agit d’une pratique cryptanalytique standard, mais les changements de paramètres peuvent créer des vulnérabilités artificielles. L’article rapporte des cas où un script de réduction tronquait le traitement ou laissait des tampons dépendants dans des tailles incohérentes.

Ces réussites décrivent une variante de benchmark défectueuse, et non un progrès contre la conception d’origine. Les auteurs ont séparé, pour chaque modèle, huit ou neuf artefacts de ce type des véritables résultats cryptanalytiques.

La troisième limite concerne les implémentations de référence. Quatre des 24 tâches de niveau 1 résolues par tous les modèles impliquaient des défauts de code plutôt que des failles dans la primitive sous-jacente.

Les attaques contre les implémentations restent précieuses dans le travail de sécurité réel. Elles répondent toutefois à une question différente de celle de savoir si la construction mathématique d’un chiffrement est solide.

La quatrième limite est l’usage des ressources. Des agents puissants peuvent consommer de longs temps d’exécution et d’immenses budgets de tokens en explorant une seule cible.

Le résultat reste important comme démonstration de capacité, mais il ne montre pas que chaque attaquant peut automatiser à faible coût une cryptanalyse de niveau expert. L’accès aux modèles, l’infrastructure d’inférence, la vérification et la supervision humaine demeurent des contraintes.

La cinquième limite est la couverture du benchmark. L’ensemble de défis représente plusieurs chiffrements de qualité production, mais il ne peut pas couvrir tous les protocoles, implémentations, canaux auxiliaires ou configurations utilisés en pratique.

Ses jeux formels limitent délibérément l’interaction à un modèle de menace défini. Cela empêche les agents de gagner grâce à un accès accidentel à des fichiers secrets ou à des faiblesses sans lien dans le conteneur.

Cet isolement améliore la mesure. Il retire aussi les conditions désordonnées dans lesquelles les attaquants réels réussissent souvent.

Les garde-fous ajoutent une autre complication. Les chercheurs ont indiqué qu’ils ne pouvaient pas évaluer GPT-5.6 ou Claude Fable 5, car ces modèles bloquaient les tâches de cryptanalyse.

Un refus pour raisons de sécurité n’indique pas une capacité sous-jacente moindre. Cela signifie que les résultats du benchmark dépendent à la fois de la compétence du modèle et des politiques d’accès qui l’entourent.

Cela crée un problème de comparaison. Un modèle plus capable peut sembler plus faible s’il refuse, tandis qu’un modèle moins restreint peut accomplir davantage de tâches.

Cela soulève aussi une question de gouvernance. Les cryptographes défensifs ont besoin d’accéder à des analyses avancées, mais un accès sans restriction peut diffuser des capacités offensives.

Le benchmark ne tranche pas où cette frontière doit se situer. Il fournit des données à un débat qui dépendait auparavant largement d’anecdotes.

Une autre incertitude concerne le transfert. Les performances sur des candidats de compétitions historiques peuvent ne pas prédire les performances contre des normes mûres et fortement examinées.

AES a fait l’objet de décennies d’attention soutenue. Qu’un modèle découvre une faille dans un candidat moins étudié ne signifie pas que le même approche, à plus grande échelle, percera AES.

Le niveau de défi de l’article est conçu pour suivre cette frontière. Les résultats actuels sont encore loin de la saturer, ce qui est rassurant et scientifiquement utile.

L’interprétation anthropic schneier doit donc éviter les deux extrêmes. Le travail est plus solide qu’une démonstration sur un chiffrement jouet, mais moins probant qu’une preuve que le chiffrement déployé est confronté à un effondrement immédiat.

L’opportunité défensive arrive avant le risque le plus grave

Les organisations peuvent dès maintenant tirer parti des attaques générées par l’IA en les ajoutant à l’examen humain, à condition de préserver la vérification, la divulgation et l’agilité cryptographique.

Les algorithmes candidats constituent un point de départ évident. Les équipes chargées des normes peuvent laisser plusieurs modèles sonder les conceptions avant la sélection, puis transmettre des attaques reproductibles à des cryptographes indépendants.

Cela peut étendre la couverture des soumissions qui reçoivent une attention humaine inégale. Les candidats des premiers tours font souvent l’objet de moins d’examen lorsque des alternatives plus solides émergent.

Les résultats sur SpoC et KINDI illustrent cette valeur. Même lorsqu’un schéma n’atteint jamais le déploiement, une défaillance nouvellement identifiée peut améliorer les pratiques de conception futures.

Les implémentations de référence sont une autre cible pratique. Les agents peuvent comparer une propriété de sécurité formelle à des chemins de code qui ignorent l’authentification, gèrent mal les entrées vides ou omettent des composants de message.

Ce travail recoupe la découverte conventionnelle de vulnérabilités, mais le code cryptographique exige un raisonnement spécialisé. Un analyseur générique peut détecter des erreurs mémoire tout en manquant une falsification au niveau du protocole.

L’IA peut aussi aider à construire des tests de régression après la découverte d’une faiblesse. Un script d’attaque valide devient un artefact concret que les développeurs peuvent conserver avec le code corrigé.

Les organisations ne devraient pas laisser un modèle approuver ses propres conclusions. Une reproduction indépendante reste nécessaire, surtout lorsque le résultat affecte une norme ou une bibliothèque largement utilisée.

Une chaîne d’examen raisonnable commence par une attaque exécutable automatiquement. Un cryptographe humain détermine ensuite si elle vise la conception, l’implémentation ou une condition artificielle du benchmark.

Les responsables de maintenance peuvent ensuite reproduire le résultat dans la base de code concernée. Ce n’est qu’alors que les équipes devraient évaluer l’exposition en production et coordonner la divulgation.

Cette structure limite les fausses alertes sans écarter la recherche générée par les modèles. Elle maintient également le modèle dans le rôle où le benchmark montre la valeur la plus claire : générer et mettre en œuvre des hypothèses.

L’agilité cryptographique devient plus importante à mesure que l’analyse automatisée progresse. Ce terme désigne la conception de systèmes permettant de remplacer algorithmes et clés sans reconstruire un produit entier.

Le processus de normalisation du NIST démontre déjà pourquoi la planification de la migration est importante. Sélectionner un algorithme n’est que le début ; son déploiement dans les protocoles, le matériel et les systèmes à longue durée de vie prend des années.

L’IA ne change pas cette réalité opérationnelle. Elle peut raccourcir le délai entre la publication d’une conception et la découverte de faiblesses, rendant les migrations lentes plus coûteuses.

Les équipes devraient recenser les endroits où des primitives cryptographiques apparaissent, les bibliothèques qui les implémentent et la capacité des protocoles à négocier des remplacements plus sûrs. Les algorithmes sur mesure méritent une attention immédiate, car ils ne bénéficient pas de l’historique d’examen des normes établies.

Toutefois, les organisations ne devraient pas remplacer une cryptographie mature uniquement parce qu’un modèle produit une analyse préoccupante. Des changements prématurés peuvent introduire de nouveaux défauts d’implémentation et des échecs d’interopérabilité.

L’opportunité défensive dépend de preuves rigoureuses. Une attaque qui remporte un jeu formel mérite d’être étudiée, tandis qu’un texte non étayé mérite du scepticisme.

Le modèle de vérification du benchmark offre un modèle utile au-delà de la cryptographie. Les évaluations de sécurité de l’IA devraient exiger des artefacts reproductibles chaque fois que la tâche le permet.

C’est important parce que les affirmations concernant les modèles de pointe façonnent de plus en plus les règles d’accès, les décisions d’achat et les politiques publiques. Les mesures doivent distinguer le raisonnement, la mémorisation, la compétence d’implémentation et l’usage de ressources par force brute.

CryptanalysisBench ne résout pas entièrement ces problèmes de mesure. Il les rend visibles dans un domaine où la réussite possède une définition exceptionnellement claire.

Trois signaux montreront si la cryptanalyse par IA s’accélère

La prochaine phase dépend de réussites sur des benchmarks plus difficiles, de la reproduction indépendante d’attaques nouvelles et de leur adoption habituelle par les équipes chargées des normes.

Le premier signal est la progression face à l’ensemble de défis non résolus. Les chercheurs devraient suivre si les futurs modèles produisent des attaques non triviales contre des versions à davantage de tours d’AES, ChaCha ou d’autres chiffrements de production.

Un résultat compte davantage lorsqu’il repousse la frontière cryptanalytique publiée sans dépendre d’un bogue du harnais de test. Des experts indépendants devraient confirmer la complexité, les besoins en données et la portée pratique.

Aucun résultat unique sur un nombre réduit de tours ne signifie que le chiffrement à pleine puissance a échoué. Un schéma durable à travers des variantes plus fortes montrerait que la recherche assistée par modèles se rapproche de la cryptanalyse experte.

Le deuxième signal est la reproduction indépendante des résultats sur SpoC et KINDI. D’autres cryptographes doivent vérifier les attaques, rechercher les travaux antérieurs et déterminer si les hypothèses concernées apparaissent ailleurs.

Une reproduction réussie renforcerait l’affirmation selon laquelle les agents de pointe peuvent contribuer à une cryptanalyse originale. Une publication antérieure ou une dépendance spécifique au benchmark restreindrait cette conclusion.

Les futures versions du benchmark devraient aussi inclure des cibles récentes, privées ou nouvellement publiées, postérieures à l’entraînement des modèles. Cela rendrait la mémorisation moins plausible comme explication.

Le troisième signal est l’adoption par les organismes de normalisation et les laboratoires de sécurité. Le benchmark devient important sur le plan opérationnel lorsque les tests par agents rejoignent la revue de code et la cryptanalyse humaine comme étape normale avant le déploiement.

Ce changement devrait inclure des règles de divulgation. Les modèles peuvent générer des résultats plus vite que les experts ne peuvent les valider ; une file d’attente plus importante sans triage pourrait donc ralentir le travail défensif.

Observez si les développeurs de modèles partagent les transcriptions, les budgets de ressources, les tentatives échouées et le code de vérification. Les résultats sont plus faciles à croire lorsque des tiers peuvent distinguer une nouvelle attaque mathématique d’un défaut de programmation.

Observez également la politique d’accès. Anthropic a limité son modèle cyber le plus capable à des partenaires sélectionnés, reflétant des préoccupations quant à son usage offensif.

Un accès restreint peut ralentir les abus, mais il peut aussi concentrer les capacités défensives avancées entre les mains de quelques laboratoires. Une participation plus large à la recherche nécessitera des environnements contrôlés et des processus de divulgation responsables.

La réponse mesurée de Bruce Schneier constitue le bon point de référence. Ce sont des résultats précoces, mais ils décrivent une capacité ayant des implications directes pour l’infrastructure numérique.

La question utile n’est pas de savoir si un LLM peut « casser le chiffrement » dans l’abstrait. Elle est de savoir si chaque génération de modèles peut vaincre des cibles plus difficiles, plus propres et plus actuelles selon des règles vérifiables.

Les responsables de la sécurité devraient suivre cette progression et préparer leurs propres systèmes à un examen cryptographique plus rapide. Recensez les algorithmes dont dépend votre organisation, éliminez les conceptions sur mesure et vérifiez que les protocoles critiques permettent un remplacement.

Pour les chercheurs, l’action immédiate est tout aussi concrète. Reproduire les nouvelles attaques, remettre en cause les hypothèses du benchmark et soumettre des cibles plus robustes avant que les affirmations sur les capacités ne dépassent les preuves.

L’histoire anthropic schneier reste un signal d’alerte, et non une déclaration d’effondrement de la cryptographie. Sa valeur réside dans la mesure de l’écart entre les succès limités d’aujourd’hui et les attaques qui obligeraient l’ensemble du secteur à réagir.