Parceria entre Amazon e Anthropic enfrenta novo teste enquanto Claude encontra fraquezas criptográficas

Pesquisadores parceiros da Amazon e da Anthropic afirmam que o Claude Mythos Preview encontrou dois novos ataques criptográficos, apesar de inicialmente insistir que o alvo mais difícil era quase impossível. Os resultados afetam o HAWK e uma versão de pesquisa de sete rodadas do AES-128. Nenhum dos ataques ameaça sistemas em produção, mas ambos desafiam pressupostos sobre como a IA contribui para a pesquisa matemática avançada.

O detalhe mais revelador não foi a velocidade do ataque nem o orçamento computacional. Foi o quanto o modelo precisou da persistência de seus operadores humanos. Claude tentou repetidamente problemas mais fáceis, descartou caminhos promissores e sugeriu mudar o alvo. Os pesquisadores continuaram direcionando-o para um resultado adequado à publicação.

Essa interação define a verdadeira disputa. A comparação relevante não é simplesmente Claude contra criptógrafos humanos. É a pesquisa persistente e estruturada com IA contra a tendência do modelo de abandonar trabalhos que parecem improdutivos. A descoberta dependeu de ambos os lados, enquanto a verificação humana levou muito mais tempo do que a exploração pela máquina.

Claude encontrou dois ataques, mas nenhum quebra a criptografia implantada

Claude Mythos produziu avanços legítimos de pesquisa sem comprometer a criptografia usada em produtos atuais.

A Anthropic publicou os resultados em 28 de julho de 2026. Sua pesquisa em criptografia descreve um ataque aprimorado de recuperação de chave contra o HAWK e um ataque mais rápido contra o AES-128 de sete rodadas.

HAWK é uma proposta de assinatura digital pós-quântica. Assinaturas digitais permitem que um sistema verifique a identidade de um remetente e confirme que as informações não foram alteradas. Esquemas pós-quânticos buscam preservar essas garantias contra futuros computadores quânticos.

O Instituto Nacional de Padrões e Tecnologia dos EUA começou a buscar algoritmos adicionais de assinatura pós-quântica em 2022. O HAWK chegou à terceira rodada desse processo público de avaliação após sobreviver a duas rodadas anteriores ao longo de cerca de dois anos.

Mythos encontrou uma simetria antes não utilizada na rede subjacente do HAWK. Uma rede é uma malha matemática estruturada cujos problemas computacionais difíceis podem fornecer segurança criptográfica. A simetria, chamada de automorfismo não trivial, permite uma busca mais rápida por uma chave secreta.

O resultado reduz aproximadamente pela metade a força efetiva da chave do HAWK, segundo a Anthropic. Para o conjunto de parâmetros menor, HAWK-256, o trabalho estimado para a recuperação completa da chave caiu de 2^64 operações para 2^38.

Isso não significa que todas as configurações do HAWK agora sejam fáceis de atacar. Chaves maiores ainda exigem uma busca exponencial impraticável. O ataque também é específico do HAWK e não enfraquece outros candidatos a assinaturas pós-quânticas nem a criptografia de redes de forma ampla.

No entanto, manter a segurança pretendida do HAWK exigiria chaves muito maiores. Essa mudança reduziria a eficiência que tornou a proposta atraente. Portanto, o ataque importa para a seleção de padrões, embora o HAWK não tenha entrado em produção.

A segunda descoberta diz respeito ao AES, o Advanced Encryption Standard adotado pelo NIST em 2001. O AES-128 protege dados aplicando 10 rodadas repetidas de transformação. Cada rodada obscurece ainda mais a relação entre o texto simples, a chave e a saída criptografada.

Claude não atacou essas 10 rodadas. Ele atacou uma versão deliberadamente enfraquecida de sete rodadas que pesquisadores usam para medir a margem de segurança da cifra completa.

Essa distinção é decisiva. A criptoanálise de rodadas reduzidas testa se métodos de ataque começam a avançar antes de alcançar o projeto completo de uma cifra. É semelhante a testar sob estresse uma parte de uma ponte, não a demonstrar que a ponte desabou.

O ataque também pressupõe acesso a 2^105 textos simples escolhidos. Em um modelo de texto simples escolhido, um atacante seleciona entradas e recebe suas saídas criptografadas sob uma chave fixa e desconhecida. Só essa exigência de dados torna o experimento impossível na prática.

A Anthropic estima que até uma implementação do ataque teórico exigiria centenas de milhões de dólares. O AES-128 completo continua fora de seu alcance.

Esses limites explicam por que a Anthropic afirmou que nenhum software em produção precisa ser alterado. Eles também impedem a conclusão dramática, mas imprecisa, de que Claude “quebrou o AES”.

O que mudou é mais restrito e mais interessante. Um sistema de IA ampliou uma pesquisa séria de criptoanálise contra dois alvos amplamente estudados. Um resultado prejudicou materialmente um candidato a padrão, enquanto o outro melhorou o melhor método conhecido para um problema clássico de pesquisa.

Essa combinação gera pressão muito além dos projetistas do HAWK. Organismos de padronização, desenvolvedores de modelos, provedores de nuvem e equipes de segurança precisam agora decidir como descobertas geradas por IA devem ser produzidas, verificadas e divulgadas.

Por que a relação entre Amazon e Anthropic importa neste caso

Este experimento transforma a infraestrutura de modelos de fronteira em parte do processo de pesquisa criptográfica, e não apenas em uma forma de executar um chatbot.

A Amazon não foi autora dos dois artigos, e a AWS não anunciou os ataques. O trabalho veio de pesquisadores da Anthropic usando o Claude Mythos Preview. Ainda assim, a relação entre Amazon e Anthropic fornece um contexto comercial e de infraestrutura essencial.

A Amazon investiu um total de US$ 8 bilhões na Anthropic, mantendo uma participação minoritária. A Anthropic também identifica a AWS como sua principal parceira de nuvem e treinamento. Os modelos Claude estão disponíveis para clientes empresariais por meio do Amazon Bedrock.

Essa parceria conecta capacidade de modelos, infraestrutura computacional especializada e distribuição empresarial. A Anthropic trabalha com a AWS em aceleradores Trainium e software relacionado, enquanto a Amazon ganha um importante provedor de modelos para sua plataforma de nuvem.

O trabalho mais recente em criptografia mostra o que a inferência intensiva pode viabilizar. Cada resultado principal consumiu um uso estimado de US$ 100.000 em API. O projeto AES produziu, ao final, um bilhão de tokens de saída, segundo a Anthropic.

Esses números não descrevem cargas de trabalho empresariais normais. Eles mostram um padrão de pesquisa que gasta grandes volumes de computação entre muitos agentes, hipóteses, experimentos, críticas e caminhos malsucedidos.

Para a Amazon, a pergunta importante não é se os clientes reproduzirão esse experimento exato por meio de um prompt padrão do Bedrock. O Mythos Preview não está amplamente disponível, e a Anthropic restringiu o acesso devido às suas capacidades de cibersegurança.

A questão é se a infraestrutura de nuvem se torna um insumo definidor para a pesquisa automatizada. Se descobertas úteis exigirem trabalho sustentado de múltiplos agentes, experimentos repetidos e enormes orçamentos de tokens, os provedores de computação ocuparão uma posição estratégica no fluxo de trabalho.

O investimento da Amazon na Anthropic portanto parece diferente sob essa perspectiva. A parceria não se trata apenas de hospedar assistentes gerais. Ela coloca a AWS próxima a experimentos nos quais modelos pesquisam literatura técnica, operam ferramentas matemáticas e testam ideias originais.

Essa oportunidade também traz responsabilidade. Mais computação permite que pesquisadores defensivos investiguem algoritmos negligenciados. A mesma escala pode acelerar análises ofensivas à medida que modelos ou capacidades equivalentes se disseminam.

A Anthropic havia dito anteriormente que o Mythos poderia encontrar e explorar vulnerabilidades de software em importantes sistemas operacionais e navegadores. A pesquisa sobre projetos criptográficos leva a questão de erros de programação para fraquezas na própria matemática.

Bugs de implementação têm ferramentas concretas de verificação. Um programa que trava, um relatório de sanitizer ou um exploit funcional podem fornecer um resultado objetivo. A criptoanálise inédita é mais difícil porque sua correção depende de pressupostos matemáticos, literatura anterior e estimativas precisas de complexidade.

Isso torna a revisão humana mais importante, não menos. Também torna a estrutura de custos menos previsível. Um modelo pode gerar centenas de ideias plausíveis mais rápido do que especialistas qualificados conseguem rejeitá-las.

Compradores empresariais não devem interpretar o experimento como permissão para delegar decisões de segurança a um modelo. Em vez disso, ele mostra por que a proveniência, os registros de experimentos e a revisão humana devem continuar vinculados a toda alegação consequente.

As equipes de engenharia já têm dificuldade para preservar o contexto por trás de decisões complexas. Uma base de conhecimento pesquisável torna-se mais relevante quando um agente produz milhares de artefatos intermediários que os revisores precisam rastrear.

A corrida por infraestrutura é, portanto, acompanhada por uma corrida por validação. AWS, Anthropic e outras plataformas de modelos podem aumentar o volume de descobertas candidatas. O recurso escasso passa a ser a atenção de especialistas capaz de separar um resultado publicável de ruído matemático confiante.

O mecanismo-chave foi a persistência, não um prompt perfeito

A vantagem decisiva de Claude só apareceu depois que humanos o impediram de redefinir a tarefa em torno de um trabalho mais fácil.

No projeto HAWK, Mythos trabalhou de forma semiautônoma dentro de uma estrutura agentiva. Uma estrutura combina prompts, ferramentas, memória e código para que um modelo possa perseguir um objetivo mais longo em vez de responder apenas uma vez.

O ambiente se assemelhava ao Claude Code e dava suporte a vários agentes de trabalho. Esses agentes podiam consultar artigos publicados e usar ferramentas computacionais como Python e Sage, um sistema de computação simbólica e matemática.

O operador humano tinha experiência em ciência da computação teórica, mas não era especialista em criptografia de redes. A orientação humana concentrou-se principalmente na gestão da pesquisa, como acompanhar ideias e escolher bibliotecas de verificação.

Dois agentes identificaram a direção crucial para o HAWK. Um a descartou prematuramente, enquanto o outro a desenvolveu mais. As trocas contínuas acabaram levando ambos os agentes a reconhecer o ataque viável.

O processo completo de descoberta e verificação do HAWK levou cerca de 60 horas. Mythos realizou uma revisão da literatura, explorou a matemática, executou experimentos computacionais e criou um pipeline de verificação de ponta a ponta.

O processo do AES revela uma divisão de trabalho ainda mais nítida. Um pesquisador da Anthropic criou uma estrutura que permitia a Claude propor hipóteses, testá-las, rejeitar falhas e continuar buscando. A tarefa exigia uma melhoria em relação ao melhor ataque publicado.

Claude resistiu inicialmente. Argumentou que o AES de rodadas reduzidas havia sido estudado de forma aprofundada demais e sugeriu que um resultado diferente exigiria um alvo diferente. Essa resposta fazia sentido em um nível conversacional, mas não ajudava na pesquisa original.

O operador humano respondeu com instruções cada vez mais diretas. As mensagens enfatizavam que o modelo deveria buscar novos ataques, manter o AES-128 com sete rodadas e evitar descobertas de baixo valor. A Anthropic publicou os prompts com seus erros de ortografia e gramática intactos.

Simon Willison destacou essas mensagens em sua análise dos prompts. Sua importância está no que revelam sobre o comportamento dos agentes, não em sua redação.

Os prompts contribuíram com pouco conhecimento criptográfico especializado. Eles forneceram ambição, estabilidade do alvo e permissão para dedicar mais esforço. O modelo já tinha acesso à literatura técnica, às ferramentas e às saídas de agentes anteriores.

Depois de receber essa orientação, Mythos passou três dias produzindo várias centenas de milhões de tokens. Por fim, propôs a Möbius Bridge, um método de impressão digital que elimina uma suposição dispendiosa do ataque anterior.

Um ataque meet-in-the-middle economiza tempo ao calcular em duas direções e comparar estados intermediários. Em geral, ele troca menor tempo de execução por uma grande tabela de cálculos armazenados.

O método anterior para AES de sete rodadas precisava enumerar 256 valores possíveis em uma etapa e verificá-los contra uma tabela. Mythos construiu uma impressão digital que permanece inalterada diante dessa suposição, eliminando a enumeração.

Calcular a nova transformação introduziu trabalho adicional. Claude então desenvolveu otimizações extras para compensar esse custo. A Anthropic estima que o método combinado seja entre 200 e 800 vezes mais rápido, dependendo de como o tempo de execução é medido.

Esse é o mecanismo central por trás do resultado. Claude não respondeu a uma pergunta engenhosa com um ataque pronto. Ele conduziu um grande processo de busca cuja direção útil surgiu depois que humanos bloquearam repetidamente saídas mais fáceis.

Chamar isso de “engenharia de prompts” subestima o fluxo de trabalho. Os pesquisadores definiram objetivos, mantiveram o foco no alvo, alocaram computação, preservaram o trabalho intermediário e exigiram verificação. Essas são funções de gestão de pesquisa.

O processo também desafia a ideia de que um modelo inteligente não deveria precisar de incentivo. Modelos de fronteira são otimizados para produzir respostas úteis, e declarar um problema famoso como difícil pode soar responsável. A pesquisa exige continuar depois dessa resposta socialmente aceitável.

Isso cria um problema sutil de avaliação. Um modelo pode possuir os componentes necessários para uma descoberta, mas falhar porque não aloca esforço suficiente. Benchmarks padrão frequentemente medem se ele resolve um problema fixo em uma única execução limitada.

Agentes de pesquisa de longa duração se comportam de forma diferente. Sua produção depende de estruturas de apoio, trabalhadores paralelos, acesso a ferramentas, gestão de contexto, feedback e um orçamento para tentativas fracassadas. A capacidade pertence, em parte, ao sistema que cerca o modelo.

O resultado do AES não mostra que qualquer usuário determinado pode transformar um prompt curto em criptoanálise de elite. Ele mostra que uma orquestração persistente pode revelar capacidades do modelo escondidas pelo pessimismo inicial.

A verificação humana se tornou o verdadeiro gargalo

O modelo gerou pesquisa mais rápido do que a equipe da Anthropic conseguiu estabelecer que ela estava correta, era inédita e útil.

A Anthropic afirma que Mythos concebeu o ataque AES aprimorado em aproximadamente uma semana. Dois pesquisadores então passaram quase um mês ganhando confiança no resultado.

A empresa também diz que esses pesquisadores dedicaram várias centenas de horas a aprender criptografia suficiente para validar a alegação e preparar o artigo. A Anthropic observa explicitamente que eles não eram especialistas em criptografia.

Essa divulgação merece tanta atenção quanto o próprio ataque. A pesquisa matemática não se torna confiável porque um modelo fornece equações, código e uma explicação com tom autoritativo. Revisores precisam verificar cada premissa e comparar o método com décadas de trabalhos anteriores.

HAWK ofereceu um caminho de validação mais concreto. A equipe pôde implementar o método de recuperação de chave de ponta a ponta e verificar se ele recuperava uma chave escolhida. Isso torna o resultado mais fácil de testar do que um ataque AES vasto e teórico.

Para AES, ninguém consegue executar o ataque completo sob as premissas de recursos declaradas. A revisão depende, em vez disso, de provar a correção do algoritmo, verificar sua complexidade e validar experimentalmente componentes menores.

A Anthropic afirma que consultou acadêmicos, compartilhou o resultado do HAWK com seus projetistas em junho e coordenou a publicação por meio de uma lista de discussão do NIST. Também informou parceiros do governo dos EUA e da indústria antes do lançamento.

Essas medidas reduzem a probabilidade de um erro óbvio. Elas não substituem uma revisão por pares mais ampla. Os dois artigos e o código associado agora dão a criptógrafos independentes a oportunidade de contestar as alegações.

A natureza pública da revisão criptográfica importa. A segurança normalmente vem de análises adversariais repetidas, não da confiança na organização que anuncia um resultado. Especialistas precisam tentar reproduzir o raciocínio e identificar premissas ocultas.

O CyberScoop relatou que a executiva da Keyfactor, Ellen Boehm, considerou a descoberta uma evidência de que o processo de avaliação pós-quântica está funcionando. Algoritmos candidatos entram em competições públicas justamente para que pesquisadores possam encontrar fraquezas antes da implantação.

Essa interpretação evita a lição errada sobre HAWK. Seu revés não significa que a padronização pós-quântica falhou. Significa que um candidato público recebeu um teste rigoroso antes de se tornar infraestrutura.

A história das competições do NIST sustenta essa visão. SIKE, um candidato pós-quântico anterior, sobreviveu a anos de atenção antes que pesquisadores encontrassem um ataque devastador que rodava em um laptop.

A IA adiciona uma nova fonte de pressão adversarial. Organismos de padronização podem usar modelos para testar mais construções e explorar mais variações. Projetistas também podem aplicar as mesmas técnicas antes de submeter uma proposta.

No entanto, uma maior capacidade de busca produz um problema de filas. Se modelos geram ataques muito mais rápido do que especialistas conseguem avaliá-los, o acúmulo cresce. Resultados incorretos podem absorver meses de atenção, enquanto descobertas genuínas podem esperar sem ser notadas.

Modelos também podem criar uma falsa sensação de verificação ao escrever testes que confirmam suas próprias premissas equivocadas. Implementações e revisores independentes continuam necessários porque consistência interna não é o mesmo que correção.

A parceria entre Amazon e Anthropic está próxima desse gargalo porque escalar modelos e oferecer sessões mais longas de agentes amplia o fluxo a montante. A infraestrutura pode aumentar a produção de candidatos mais rápido do que as comunidades acadêmicas conseguem ampliar o número de revisores qualificados.

A resposta adequada não é suprimir toda exploração automatizada. É construir sistemas de revisão ao lado dela. Esses sistemas precisam de registros completos, código reproduzível, modelos de ameaça explícitos, literatura versionada e registros claros de intervenção humana.

CryptanalysisBench representa uma tentativa de tornar o desempenho dos modelos mais mensurável. A Anthropic criou o benchmark com pesquisadores acadêmicos para empacotar problemas criptográficos em um formato que diferentes modelos possam tentar resolver.

Os benchmarks ainda captarão apenas parte do panorama. O resultado mais forte da Anthropic dependeu de um humano persistente que se recusou a deixar Claude mudar de alvo. Portanto, os desenhos de avaliação precisam medir tanto o trabalho autônomo quanto o desempenho sob supervisão realista de pesquisa.

O que os resultados não provam

Os ataques são suficientemente críveis para serem estudados, mas limitados demais para sustentar alegações de que Claude quebrou a criptografia moderna ou substituiu criptógrafos.

A primeira limitação é o impacto prático. HAWK é um candidato, e não um padrão implantado. AES de sete rodadas é um objeto de estudo deliberadamente enfraquecido. O AES-128 completo usa 10 rodadas e permanece inalterado.

A segunda limitação é a viabilidade computacional. O ataque AES pressupõe 2^105 textos simples escolhidos, uma quantidade de dados muito além do que seria possível coletar em qualquer ambiente realista. Sua melhoria de 200 a 800 vezes não transforma um ataque impossível em algo utilizável.

A terceira limitação diz respeito à autonomia. Mythos realizou a maior parte da exploração técnica de forma independente, mas pessoas selecionaram os alvos, construíram as estruturas de apoio, monitoraram o progresso, redirecionaram o modelo e validaram a produção.

Descrever o trabalho como totalmente autônomo apagaria essas contribuições. Descrevê-lo como meramente uma descoberta humana escrita por IA também seria impreciso. A unidade útil é o sistema de pesquisa combinado.

A quarta limitação é a validação externa. A Anthropic lançou artigos, código e artefatos selecionados de raciocínio, mas a comunidade criptográfica mais ampla apenas começou a examiná-los. A revisão independente determinará se cada melhoria alegada resiste ao escrutínio.

O raciocínio divulgado também não é um registro completo de todos os tokens internos. A Anthropic afirma que o documento foi reescrito por Claude para fornecer um relato mais legível de uma sessão bem-sucedida. Muitas outras sessões não produziram nenhuma descoberta.

Essa seleção torna o artefato útil para compreender o caminho bem-sucedido, mas mais fraco para estimar taxas de sucesso. Os leitores não podem inferir com que frequência gastos semelhantes produzem pesquisa publicável.

A quinta limitação é a generalização. Uma simetria em HAWK não implica que a mesma fraqueza exista em toda a criptografia de reticulados. Uma melhoria de impressão digital contra sete rodadas de AES não implica um caminho pelas três restantes.

As rodadas criptográficas são projetadas para que a complexidade se acumule. O progresso contra uma versão reduzida ajuda a medir as margens de segurança, mas as rodadas finais podem permanecer além de toda técnica conhecida.

As alegações preliminares de acompanhamento da Anthropic também exigem cautela. A empresa relata um ataque a LEA de 13 rodadas que roda em um desktop e outro contra Serpent-128 de seis rodadas. Nenhum deles alcança as versões completas dessas cifras.

A equipe planeja divulgar mais detalhes após trabalho adicional. Até lá, esses resultados continuam sendo alegações da empresa, e não conclusões plenamente inspecionáveis.

Há também uma questão econômica. Gastar aproximadamente US$ 100.000 por resultado pode fazer sentido para um laboratório de fronteira que estuda padrões importantes. É menos acessível para grupos universitários, mantenedores e equipes menores de segurança.

Esse desequilíbrio poderia concentrar o acesso inicial à criptoanálise assistida por IA entre empresas de modelos, provedores de nuvem em hiperescala, governos e fornecedores bem financiados. As organizações que produzem resultados também poderiam controlar os sistemas necessários para reproduzi-los.

O acesso restrito ao Mythos complica ainda mais a replicação independente. Pesquisadores podem inspecionar os artefatos publicados, mas não necessariamente conseguem executar novamente o mesmo modelo e estrutura de apoio.

Essas restrições não anulam as conclusões. Elas definem o que as conclusões significam. Claude Mythos parece capaz de contribuir com ideias originais dentro de um programa de pesquisa cuidadosamente gerido. Ele não estabeleceu uma capacidade geral de derrotar criptografia implantada sob demanda.

O ceticismo adequado deve mirar as alegações ao redor, não o valor de testar algoritmos. Uma revisão mais rigorosa antes da implantação é benéfica, quer a ideia útil venha de uma pessoa, de um modelo ou de sua colaboração.

Observadores de Amazon e Anthropic devem acompanhar três sinais

A próxima fase será decidida pela replicação independente, pela confiabilidade mensurável da pesquisa e pelas regras de divulgação para descobertas com impacto operacional real.

O primeiro sinal é como criptógrafos externos avaliam os artigos sobre HAWK e AES. Cálculos reproduzidos, estimativas de complexidade corrigidas e implementações independentes mostrarão se os resultados resistem à pressão de especialistas.

Uma forte replicação sustentaria a alegação da Anthropic de que modelos de fronteira podem contribuir com criptoanálise inédita. Correções importantes enfraqueceriam a narrativa mais ampla sobre capacidade, mesmo que os experimentos continuem informativos.

O segundo sinal é o desempenho no CryptanalysisBench e em avaliações semelhantes. Pesquisadores precisam de resultados de múltiplos modelos, execuções repetidas, orçamentos documentados e diferentes níveis de orientação humana.

Um benchmark deve distinguir descoberta de redescoberta. Também deve registrar sessões fracassadas, consumo de tokens, uso de ferramentas e as intervenções que mudaram a direção de um agente.

Se várias famílias de modelos produzirem ataques novos e validados sob condições controladas, a criptoanálise por IA se tornará uma capacidade de toda a indústria. Se o sucesso continuar raro e dependente de infraestrutura específica do Mythos, a conclusão permanecerá mais restrita.

O terceiro sinal é como Anthropic, Amazon, organismos de padronização e governos lidam com uma descoberta que afeta software implantado. Esses dois ataques permitiram uma divulgação ordenada porque nenhum deles colocava em risco um sistema de produção.

Uma quebra prática criaria escolhas mais difíceis. Pesquisadores precisariam notificar fornecedores, coordenar correções ou migrações, restringir detalhes técnicos e decidir quando o público merece ser alertado.

A Anthropic já afirma ter consultado líderes do governo e da indústria sobre o trabalho atual. O próximo teste é saber se essas relações produzirão regras transparentes antes de uma crise, em vez de controles improvisados depois dela.

Para desenvolvedores e líderes de segurança corporativa, a ação imediata não é substituir a criptografia nem entrar em pânico com o AES. É melhorar a visibilidade sobre onde algoritmos criptográficos, bibliotecas, chaves e protocolos entram em seus sistemas.

As equipes também devem se preparar para avaliar alegações de segurança geradas por máquinas. Isso significa preservar materiais de origem, experimentos, prompts, código e decisões dos revisores, em vez de aceitar um relatório final bem-acabado.

Em última análise, a história de Amazon e Anthropic diz respeito a influência. A Amazon fornece capital, infraestrutura de nuvem e um caminho para a distribuição empresarial. A Anthropic fornece um modelo restrito capaz de sustentar buscas técnicas incomumente profundas.

O trabalho criptográfico do Claude mostra o que essa combinação pode viabilizar, mas também expõe seu fator limitante. A computação pode gerar descobertas candidatas em enorme escala. A confiança ainda avança na velocidade de uma revisão humana cuidadosa.

A questão para os próximos meses é, portanto, específica: especialistas independentes validarão esses ataques e reproduzirão o padrão de pesquisa com outros modelos? Essas evidências determinarão se este foi um experimento excepcional ou o início de um método repetível para auditar a matemática que sustenta a segurança digital.