Anthropic Schneier Watch: la crittoanalisi con LLM ha scoperto nuovi attacchi, ma i cifrari moderni resistono ancora

I ricercatori di Anthropic hanno contribuito a testare un nuovo benchmark in cui modelli di IA di frontiera hanno individuato attacchi crittografici non segnalati in precedenza, pur senza riuscire contro gli obiettivi di produzione più difficili. Il segnale anthropic schneier è rilevante perché Bruce Schneier ha evidenziato questi risultati come qualcosa che i professionisti della sicurezza dovrebbero seguire, senza liquidarlo come l’ennesima demo di ragionamento.

CryptanalysisBench verifica se un agente IA sia in grado di trasformare un’analisi matematica in un attacco eseguibile contro uno schema crittografico. I suoi 191 compiti coprono sei famiglie di primitive crittografiche, tra cui cifrari a blocchi, funzioni hash, cifratura autenticata e sistemi a chiave pubblica.

Il conflitto centrale è ora misurabile. La crittoanalisi assistita dall’IA può rafforzare le revisioni difensive prima del rilascio, mentre la stessa capacità potrebbe alla fine aiutare gli attaccanti a esaminare i sistemi su una scala che gli esperti umani non possono eguagliare. I modelli attuali sono ancora ben lontani dal violare AES a piena potenza o cifrari altrettanto maturi, ma il benchmark dimostra che possono già offrire contributi originali.

CryptanalysisBench trasforma le affermazioni di ricerca in attacchi eseguibili

Il benchmark cambia il dibattito sul ragionamento dell’IA richiedendo codice d’attacco funzionante, non spiegazioni persuasive o punteggi assegnati da un altro modello.

I ricercatori hanno introdotto CryptanalysisBench in un preprint di luglio 2026. Gli autori provengono da ETH Zurich, Anthropic, University of Haifa, Technische Universität Berlin e Tel Aviv University.

Il benchmark attinge principalmente da quattro competizioni del National Institute of Standards and Technology. Questi programmi hanno valutato candidati per AES, SHA-3, crittografia leggera e crittografia post-quantistica.

La raccolta include 191 compiti in sei famiglie di primitive. Una primitiva è un algoritmo crittografico fondamentale, impiegato per fornire proprietà quali cifratura, autenticazione, resistenza alle collisioni o firme digitali.

Ogni compito fornisce a un agente IA codice sorgente, documentazione e accesso a un gioco di sicurezza formale. Un gioco di sicurezza definisce esattamente quali interrogazioni un attaccante può effettuare e cosa costituisce un successo.

Il modello deve selezionare un obiettivo d’attacco e produrre uno script autosufficiente. Un controller separato custodisce le chiavi segrete e risponde soltanto alle richieste consentite attraverso un’interfaccia.

La verifica esegue quindi lo script con nuova casualità. Gli attacchi di recupero della chiave, falsificazione e collisione devono soddisfare le rispettive condizioni di successo senza intervento manuale.

Alcuni giochi probabilistici richiedono più di un tentativo riuscito. Per tali compiti, il benchmark esegue 20 istanze indipendenti e richiede almeno 17 vittorie. L’articolo stima che il tentativo casuale supererebbe questa soglia circa lo 0,1% delle volte.

Questa struttura riduce un problema persistente nei benchmark dell’IA. Un modello può produrre matematica plausibile, citare attacchi noti o convincere un giudice basato su un modello linguistico senza generare un risultato valido.

CryptanalysisBench pone invece una domanda operativa binaria. L’attacco presentato sconfigge lo schema secondo le regole stabilite?

I compiti sono organizzati in due livelli e un set di sfida. Il Livello 1 contiene 49 algoritmi con attacchi pratici noti, quindi misura se i modelli riescano a riprodurre o riscoprire indipendentemente debolezze consolidate.

Il Livello 2 contiene 142 algoritmi senza una violazione pratica nota, oppure con attacchi troppo costosi da eseguire. I ricercatori testano sia progetti a piena potenza sia versioni ridotte con meno round, chiavi più corte o parametri modificati.

Il set di sfida copre cifrari di livello produttivo prossimi al confine della crittoanalisi pubblicata. Include AES, ChaCha, Katan-32, Present-80, Simon-32/64, Speck-32/64 e Skinny-64/64.

Questa distinzione è essenziale. Violare un vecchio candidato di una competizione, un cifrario a round ridotti o codice di riferimento difettoso non significa che un’IA abbia violato la cifratura che protegge il traffico web attuale.

La valutazione sulla sicurezza di Schneier ha colto il tono appropriato. Ha definito i risultati iniziali, sottolineando però che il benchmark merita attenzione.

La notizia non è che la cifratura moderna abbia improvvisamente fallito. È che i sistemi automatizzati sono passati dal discutere di crittoanalisi al produrre alcuni attacchi verificabili e apparentemente originali.

Il segnale Anthropic Schneier indica lavoro originale, non una violazione di AES

Il risultato più significativo è la prova di un contributo crittoanalitico originale, mentre il vincolo più importante è che i cifrari di produzione a piena potenza restano inviolati.

Sono stati valutati cinque modelli di frontiera: Claude Opus 4.8, Claude Sonnet 5, Claude Mythos 5, GPT-5.5 e GLM-5.2 a pesi aperti. Anthropic ha fornito accesso a Mythos 5 attraverso la sua collaborazione con i ricercatori.

Le prestazioni nel Livello 1 variavano dal 65,3% per GLM-5.2 all’85,7% per Mythos 5. Opus 4.8 ha raggiunto il 73,5%, mentre Sonnet 5 e GPT-5.5 hanno ottenuto entrambi il 75,5%.

Questi risultati dimostrano una competenza ampia su schemi con debolezze documentate. Non provano però, di per sé, che i modelli abbiano derivato tali debolezze in modo indipendente.

Un LLM può ricordare un attacco dai dati di addestramento, ricostruirlo a partire da schemi familiari o scoprire un percorso diverso dal codice sorgente. I ricercatori hanno analizzato le tracce di esecuzione, ma riconoscono che le tracce non possono distinguere completamente il ricordo dalla riscoperta.

I risultati più rilevanti sono arrivati dagli schemi del Livello 2 a piena potenza. Mythos 5 e Sonnet 5 hanno prodotto indipendentemente un attacco completo di recupero della chiave a 128 bit contro SpoC, un candidato alla cifratura autenticata del processo NIST per la crittografia leggera.

La cifratura autenticata con dati associati, comunemente chiamata AEAD, protegge sia la riservatezza sia l’integrità di un messaggio. L’attacco segnalato contro SpoC ha utilizzato due interrogazioni a un oracolo per sfruttare un difetto a livello di progettazione nello schema non modificato.

Mythos 5 ha inoltre prodotto un attacco basato sulla reazione alla decrittazione contro KINDI. Questo metodo estrae informazioni dal modo in cui un sistema reagisce quando gli viene chiesto di decrittare testi cifrati costruiti appositamente.

Secondo l’articolo, l’attacco ha evidenziato un errore nella prova di sicurezza a testo cifrato scelto pubblicata per KINDI. Gli autori affermano che sia il problema di KINDI sia l’attacco di recupero della chiave contro SpoC erano in precedenza ignoti a loro.

Questa formulazione richiede cautela. Gli attacchi sembrano nuovi sulla base della revisione della letteratura condotta dai ricercatori, ma un preprint non può stabilire che nessuno li abbia scoperti privatamente.

Gli schemi coinvolti non sono inoltre equivalenti ad AES, ChaCha o agli attuali vincitori standardizzati della crittografia post-quantistica. SpoC era un candidato non selezionato della competizione, mentre KINDI non è diventato uno standard NIST adottato.

Ciononostante, i candidati scartati o eliminati sono obiettivi di ricerca preziosi. I crittografi umani ne hanno esaminati molti durante le competizioni pubbliche, offrendo al benchmark una prova più difficile di rompicapi deliberatamente vulnerabili.

Il benchmark ha inoltre registrato tassi di successo del Livello 2 a piena potenza compresi tra il 4,4% e l’8,9%. Mythos 5 era in testa con l’8,9%, seguito da GPT-5.5 con il 7,4% e Sonnet 5 con il 6,7%.

Queste percentuali richiedono contesto. Alcuni attacchi riusciti hanno preso di mira difetti di implementazione, comportamenti sottospecificati o vulnerabilità che non compromettevano il progetto matematico previsto.

L’articolo distingue la crittoanalisi a livello di progettazione da tali risultati. Identifica inoltre artefatti di scalabilità in cui gli script di riduzione dei parametri hanno introdotto accidentalmente debolezze non correlate alla primitiva originale.

La conclusione più difendibile è quindi circoscritta. I modelli di frontiera possono individuare difetti reali, produrre occasionalmente attacchi apparentemente nuovi e trasformare l’analisi in codice funzionante.

Non hanno sconfitto AES a piena potenza. Non hanno dimostrato che gli standard crittografici ampiamente distribuiti siano generalmente vulnerabili ad attacchi automatizzati.

Perché la crittoanalisi agentica mette sotto pressione la revisione della sicurezza

La pressione immediata ricade sui processi di revisione crittografica, perché l’IA può condurre più indagini in parallelo, riesaminare candidati trascurati e testare continuamente ipotesi eseguibili.

La crittoanalisi tradizionale dipende da un piccolo gruppo di specialisti. Essi studiano un progetto, lo confrontano con costruzioni note, sviluppano un’ipotesi matematica e dedicano molto tempo all’implementazione di un attacco.

Il benchmark offre a un agente una versione compressa di questo flusso di lavoro. Può ispezionare il codice, leggere le specifiche, scegliere un gioco di sicurezza, testare il comportamento dell’oracolo, usare software matematico e rivedere il proprio script d’attacco.

Questo va oltre il chiedere una spiegazione a un chatbot. Il modello opera all’interno di un ambiente con strumenti, runtime, stato e ripetute opportunità di correggere gli errori.

Lo studio ha rilevato che i modelli spesso riconoscevano la debolezza corretta prima di fallire. Molte sconfitte derivavano da un’esecuzione inadeguata, come la scelta di un obiettivo inutilmente difficile o l’affidamento di una ricerca impraticabile a un risolutore generico.

Questa constatazione rende più facile immaginare progressi futuri. Una pianificazione migliore, runtime più lunghi, un uso degli strumenti migliorato e un coordinamento più efficiente possono aumentare i tassi di completamento degli attacchi senza richiedere un’intuizione crittografica interamente nuova.

Il vantaggio di Mythos 5 è apparso particolarmente marcato quando il benchmark ha consentito più calcolo in fase di test. Il calcolo in fase di test indica il budget di elaborazione utilizzato mentre un modello lavora su un singolo problema, inclusi token, chiamate agli strumenti e tentativi paralleli.

Questo crea una tensione tra capacità e rischio. I difensori possono usare gli stessi sistemi per esaminare schemi candidati, analizzare implementazioni di riferimento e generare attacchi prima del rilascio.

Gli attaccanti possono usarli per riesaminare algoritmi oscuri, protocolli proprietari o prodotti sottoposti a verifiche insufficienti. Non hanno bisogno di violare AES se un sistema dipende da una primitiva personalizzata più debole o da un’implementazione difettosa.

Anthropic ha inquadrato i modelli cyber avanzati attorno a un rilascio difensivo controllato. La sua ricerca crittografica descrive il lavoro sulle debolezze di Hawk e di AES a round ridotti, insieme al più ampio sforzo sul benchmark.

AES a round ridotti elimina alcuni dei round di trasformazione ripetuti del cifrario a fini di ricerca. Attaccare questa variante indebolita aiuta a misurare i progressi, ma non sconfigge AES-128 standard con tutti e 10 i round.

Questo confine è facile da perdere nella discussione pubblica. Un titolo che afferma “l’IA attacca AES” può descrivere un risultato accademico significativo, pur lasciando intendere una violazione pratica che non si è mai verificata.

I crittografi studiano da tempo le varianti a round ridotti per mappare il margine di sicurezza di un progetto. I progressi contro sette round possono migliorare la comprensione analitica senza rendere AES a round completi decifrabile.

La pressione è quindi organizzativa prima che catastrofica. Gli enti di standardizzazione, gli sviluppatori di modelli e i fornitori di software necessitano di procedure per convalidare gli attacchi generati dall’IA e divulgare vulnerabilità autentiche.

I team di revisione dovranno inoltre classificare un volume maggiore di risultati plausibili. Un modello che propone centinaia di attacchi può assorbire il tempo scarso degli esperti anche quando la maggior parte dei tentativi fallisce.

La verifica automatica aiuta all’interno del benchmark perché ogni compito dispone di un gioco formale e di un’implementazione controllata. I sistemi reali raramente offrono condizioni così pulite.

Un protocollo di produzione combina primitive crittografiche con serializzazione, gestione delle chiavi, flussi di autenticazione, comportamento hardware e policy operative. Un attacco può riuscire attraverso questi confini senza invalidare l’algoritmo di base.

Al contrario, un attacco di laboratorio apparentemente riuscito può dipendere da una scelta di interfaccia o implementazione assente nei prodotti distribuiti. Per determinarne l'impatto pratico resta necessaria una revisione umana.

Il repository aperto del benchmark offre ai ricercatori indipendenti un modo per ispezionare i compiti e confrontare i modelli futuri. La riproducibilità sarà cruciale man mano che i fornitori avanzeranno affermazioni più forti sulle capacità.

Le organizzazioni sottoposte alla maggiore pressione non sono soltanto i laboratori di IA. I progetti relativi agli standard crittografici devono decidere quando i test condotti da agenti diventeranno una parte ordinaria della valutazione.

I fornitori che usano crittografia personalizzata ricevono un avvertimento ancora più chiaro. I modelli possono esplorare il divario tra le proprietà di sicurezza dichiarate da un progetto e il comportamento effettivo del suo codice.

Cosa non dimostra il benchmark

CryptanalysisBench misura una capacità reale, ma memorizzazione, parametri ridotti, bug di implementazione e grandi budget computazionali limitano le conclusioni generali.

La prima incertezza riguarda i dati di addestramento. Gli attacchi di Livello 1 sono già pubblici, quindi un modello potrebbe riprodurre testo, formule o schemi di codice incontrati durante l'addestramento.

I ricercatori hanno condotto audit a livello di traccia per identificare se i modelli citassero articoli, ricordassero attacchi noti o sviluppassero percorsi diversi. Tuttavia, una derivazione apparentemente nuova può comunque riflettere una memorizzazione non riconosciuta.

AIMer ha offerto un controllo parziale, perché un efficiente attacco del 2026 è apparso dopo le date limite di addestramento dichiarate da diversi modelli. Nessuno dei modelli testati ha riprodotto il metodo di eliminazione pubblicato nelle condizioni del benchmark.

Alcuni modelli hanno recuperato il segreto in impostazioni più permissive, usando più vettori di inizializzazione di quanti ne richiedesse l'attacco recente. Ciò suggerisce un ragionamento utile, ma mostra anche il divario tra trovare un attacco e eguagliare l'efficienza degli esperti.

La seconda limitazione riguarda le varianti ridotte. I ricercatori hanno indebolito molti algoritmi di Livello 2 per rendere gli attacchi computazionalmente realizzabili.

Si tratta di una pratica crittoanalitica standard, ma le modifiche dei parametri possono creare vulnerabilità artificiali. L'articolo riporta casi in cui uno script di riduzione troncava l'elaborazione o lasciava buffer dipendenti con dimensioni incoerenti.

Questi successi descrivono una variante del benchmark difettosa, non un progresso contro il progetto originale. Gli autori hanno separato otto o nove di questi artefatti per modello dai risultati crittoanalitici autentici.

La terza limitazione riguarda le implementazioni di riferimento. Quattro dei 24 compiti di Livello 1 risolti da ogni modello coinvolgevano difetti nel codice anziché debolezze nella primitiva sottostante.

Gli attacchi all'implementazione restano preziosi nel lavoro di sicurezza reale. Tuttavia, rispondono a una domanda diversa rispetto a quella sulla solidità della costruzione matematica di un cifrario.

La quarta limitazione riguarda l'uso delle risorse. Agenti potenti possono consumare tempi di esecuzione lunghi e enormi budget di token durante l'esplorazione di un singolo obiettivo.

Il risultato resta importante come dimostrazione di capacità, ma non mostra che ogni attaccante possa automatizzare a basso costo la crittoanalisi esperta. L'accesso ai modelli, l'infrastruttura di inferenza, la verifica e la supervisione umana restano vincoli.

La quinta limitazione è la copertura del benchmark. L'insieme di sfide rappresenta diversi cifrari di livello produttivo, ma non può catturare ogni protocollo, implementazione, canale laterale o configurazione usati nella pratica.

I suoi giochi formali limitano deliberatamente l'interazione a un modello di minaccia definito. Ciò impedisce agli agenti di vincere tramite accesso accidentale a file segreti o debolezze non correlate del container.

Questo isolamento migliora la misurazione. Rimuove anche le condizioni disordinate in cui gli aggressori reali spesso riescono.

Le salvaguardie introducono un'altra complicazione. I ricercatori hanno riferito di non aver potuto valutare GPT-5.6 o Claude Fable 5 perché quei modelli bloccavano i compiti di crittoanalisi.

Un rifiuto per ragioni di sicurezza non indica una capacità sottostante inferiore. Significa che i risultati del benchmark dipendono sia dalla competenza del modello sia dalle politiche di accesso che circondano tale competenza.

Ciò crea un problema di confronto. Un modello più capace può apparire più debole se si rifiuta, mentre un modello meno limitato può completare più compiti.

Solleva anche una questione di governance. I crittografi difensivi hanno bisogno di accedere ad analisi avanzate, ma un accesso senza restrizioni può diffondere capacità offensive.

Il benchmark non stabilisce dove debba trovarsi quel confine. Fornisce dati per un dibattito che in precedenza dipendeva in larga misura da aneddoti.

Un'altra incertezza è il trasferimento. Le prestazioni su candidati di competizioni storiche potrebbero non prevedere le prestazioni contro standard maturi e sottoposti a revisioni approfondite.

AES ha ricevuto decenni di attenzione costante. Il fatto che un modello trovi una debolezza in un candidato meno studiato non implica che scalare lo stesso approccio violerà AES.

Il livello di sfida dell'articolo è progettato per monitorare quel confine. I risultati attuali lo lasciano ben lontano dalla saturazione, il che è rassicurante e scientificamente utile.

L'interpretazione anthropic schneier dovrebbe quindi evitare entrambi gli estremi. Il lavoro è più solido di una dimostrazione su un cifrario giocattolo, ma più debole di una prova che la crittografia distribuita stia affrontando un collasso imminente.

L'opportunità difensiva arriva prima del rischio peggiore

Le organizzazioni possono trarre vantaggio già ora aggiungendo attacchi generati dall'IA alla revisione umana, purché preservino verifica, divulgazione e agilità crittografica.

Gli algoritmi candidati sono un punto di partenza ovvio. I team che definiscono standard possono lasciare che più modelli sondino i progetti prima della selezione, poi inviare attacchi riproducibili a crittografi indipendenti.

Questo può ampliare la copertura tra le proposte che ricevono un'attenzione umana disomogenea. I candidati dei primi round spesso attirano meno scrutinio dopo l'emergere di alternative più forti.

I risultati su SpoC e KINDI illustrano questo valore. Anche quando uno schema non arriva mai alla distribuzione, un fallimento appena identificato può migliorare le future pratiche di progettazione.

Le implementazioni di riferimento sono un altro obiettivo pratico. Gli agenti possono confrontare una proprietà di sicurezza formale con percorsi di codice che saltano l'autenticazione, gestiscono erroneamente input vuoti o omettono componenti dei messaggi.

Questo lavoro si sovrappone alla scoperta convenzionale delle vulnerabilità, ma il codice crittografico richiede un ragionamento specializzato. Uno scanner generico può rilevare errori di memoria senza individuare una falsificazione a livello di protocollo.

L'IA può anche contribuire a costruire test di regressione dopo che è stata trovata una debolezza. Uno script di attacco valido diventa un artefatto concreto che gli sviluppatori possono conservare accanto al codice corretto.

Le organizzazioni non dovrebbero lasciare che un modello approvi le proprie conclusioni. La riproduzione indipendente resta necessaria, soprattutto quando il risultato riguarda uno standard o una libreria ampiamente usata.

Una catena di revisione sensata inizia con un attacco eseguibile automaticamente. Un crittografo umano identifica poi se colpisce il progetto, l'implementazione o una condizione artificiale del benchmark.

I manutentori possono quindi riprodurre il risultato nella base di codice interessata. Solo allora i team dovrebbero valutare l'esposizione nei sistemi distribuiti e coordinare la divulgazione.

Questa struttura limita i falsi allarmi senza scartare la ricerca generata dai modelli. Mantiene inoltre il modello nel ruolo in cui il benchmark mostra il valore più chiaro: generare e implementare ipotesi.

L'agilità crittografica diventa più importante con il miglioramento dell'analisi automatizzata. Il termine indica la progettazione di sistemi in modo che algoritmi e chiavi possano essere sostituiti senza ricostruire un intero prodotto.

Il processo di standardizzazione del NIST dimostra già perché la pianificazione della migrazione sia importante. Selezionare un algoritmo è solo l'inizio; la distribuzione attraverso protocolli, hardware e sistemi di lunga durata richiede anni.

L'IA non cambia questa realtà operativa. Può ridurre il tempo tra la pubblicazione di un progetto e la scoperta delle sue debolezze, rendendo più costosa una migrazione lenta.

I team dovrebbero inventariare dove compaiono primitive crittografiche, quali librerie le implementano e se i protocolli possono negoziare sostituzioni più sicure. Gli algoritmi personalizzati meritano attenzione immediata perché non dispongono della storia di revisione degli standard consolidati.

Tuttavia, le organizzazioni non dovrebbero sostituire la crittografia matura soltanto perché un modello produce un'analisi preoccupante. Cambiamenti prematuri possono introdurre nuovi difetti di implementazione e problemi di interoperabilità.

L'opportunità difensiva dipende da prove rigorose. Un attacco che vince un gioco formale merita indagine, mentre una prosa non supportata merita scetticismo.

Il modello di verifica del benchmark offre un modello utile oltre la crittografia. Le valutazioni di sicurezza dell'IA dovrebbero richiedere artefatti riproducibili ogni volta che il compito lo consente.

Ciò è importante perché le affermazioni sui modelli di frontiera influenzano sempre più le regole di accesso, le decisioni di acquisto e le politiche pubbliche. Le misurazioni devono distinguere ragionamento, memorizzazione, capacità di implementazione e uso di risorse in forza bruta.

CryptanalysisBench non risolve completamente questi problemi di misurazione. Li rende visibili in un dominio in cui il successo ha una definizione insolitamente chiara.

Tre segnali mostreranno se la crittoanalisi con IA sta accelerando

La fase successiva dipende da successi su benchmark più difficili, dalla riproduzione indipendente di nuovi attacchi e dall'adozione ordinaria da parte dei team di standardizzazione.

Il primo segnale è il progresso contro l'insieme di sfide irrisolte. I ricercatori dovrebbero monitorare se i modelli futuri producono attacchi non banali contro AES a più round, ChaCha o altri cifrari di livello produttivo.

Un risultato conta di più quando fa avanzare la frontiera crittoanalitica pubblicata senza fare affidamento su un bug dell'harness. Esperti indipendenti dovrebbero confermarne la complessità, i requisiti di dati e il significato pratico.

Nessun singolo risultato su round ridotti significa che la crittografia a piena potenza abbia fallito. Un andamento sostenuto su varianti più forti mostrerebbe che la ricerca assistita dai modelli si sta avvicinando alla crittoanalisi esperta.

Il secondo segnale è la riproduzione indipendente dei risultati su SpoC e KINDI. Altri crittografi devono verificare gli attacchi, cercare nella letteratura precedente e valutare se le ipotesi interessate compaiano altrove.

Una riproduzione riuscita rafforzerebbe l'affermazione che gli agenti di frontiera possano contribuire alla crittoanalisi originale. Una pubblicazione precedente o una dipendenza specifica del benchmark restringerebbe tale conclusione.

Le future versioni del benchmark dovrebbero includere anche obiettivi nuovi, privati o pubblicati di recente che siano successivi all'addestramento dei modelli. Ciò renderebbe la memorizzazione una spiegazione meno plausibile.

Il terzo segnale è l'adozione da parte di organismi di standardizzazione e laboratori di sicurezza. Il benchmark diventa operativamente importante quando i test degli agenti si aggiungono alla revisione del codice e alla crittoanalisi umana come passaggio normale prima della distribuzione.

Questo cambiamento dovrebbe includere regole di divulgazione. I modelli possono generare risultati più rapidamente di quanto gli esperti possano validarli, quindi una coda più lunga senza triage potrebbe rallentare il lavoro difensivo.

Osservate se gli sviluppatori dei modelli condividono trascrizioni, budget di risorse, tentativi falliti e codice di verifica. I risultati sono più facili da considerare affidabili quando soggetti esterni possono distinguere un nuovo attacco matematico da un difetto di codice.

Osservate anche la politica di accesso. Anthropic ha limitato il suo modello cyber più capace a partner selezionati, riflettendo la preoccupazione per l'uso offensivo.

L'accesso limitato può rallentare gli abusi, ma può anche concentrare capacità difensive avanzate in pochi laboratori. Una partecipazione più ampia alla ricerca richiederà ambienti controllati e processi di divulgazione responsabili.

La risposta prudente di Bruce Schneier è il giusto punto di riferimento. Si tratta di risultati iniziali, ma descrivono una capacità con implicazioni dirette per l'infrastruttura digitale.

La domanda utile non è se un LLM possa «violare la crittografia» in astratto. È se ogni generazione di modelli possa sconfiggere obiettivi più difficili, più puliti e più attuali secondo regole verificabili.

I responsabili della sicurezza dovrebbero seguire questa evoluzione e preparare i propri sistemi a una revisione crittografica più rapida. Inventariate gli algoritmi da cui dipende la vostra organizzazione, eliminate i progetti personalizzati e verificate se i protocolli critici supportano la sostituzione.

Per i ricercatori, l’azione immediata è altrettanto concreta. Riprodurre i nuovi attacchi, mettere in discussione le ipotesi del benchmark e proporre obiettivi più ambiziosi prima che le dichiarazioni sulle capacità superino le evidenze.

La vicenda di anthropic schneier resta un segnale d’allarme, non una dichiarazione di collasso della crittografia. Il suo valore sta nel misurare la distanza tra i limitati successi odierni e gli attacchi che costringerebbero l’intero settore a reagire.