Parceria de segurança entre Anthropic e Google enfrenta um novo teste enquanto Claude Mythos supera a pesquisa humana em criptografia

A Anthropic afirma que o Claude Mythos Preview encontrou dois ataques criptográficos em poucos dias, apesar de anos de escrutínio humano anterior. A parceria de segurança entre Anthropic e Google agora enfrenta uma questão mais difícil do que a descoberta de vulnerabilidades de software. Os defensores conseguem validar e absorver pesquisas geradas por máquinas antes que capacidades semelhantes se espalhem entre atacantes?

Os resultados não significam que o Claude tenha quebrado a criptografia que protege serviços bancários online, mensagens privadas ou dados corporativos. Um ataque tem como alvo o HAWK, uma proposta de assinatura digital ainda não implantada e sob revisão federal. O outro aprimora um ataque contra o AES-128 de sete rodadas, uma variante de pesquisa deliberadamente enfraquecida da cifra de dez rodadas usada em produção.

Essa distinção importa, mas não elimina a inversão central. A criptoanálise há muito depende de uma pequena comunidade de especialistas que combinam intuição matemática com meses ou anos de revisão. Segundo relatos, Mythos produziu um ataque sério contra o HAWK em 60 horas e aprimorou a pesquisa sobre AES de rodadas reduzidas em uma semana.

O Google entra na história por meio do Project Glasswing, a colaboração restrita de segurança da Anthropic com grandes organizações de tecnologia e infraestrutura. O programa dá a parceiros avaliados acesso a capacidades avançadas do Claude para pesquisa defensiva. As descobertas mais recentes elevam os riscos para todos os participantes porque falhas criptográficas criam um problema de divulgação diferente dos bugs comuns de software.

Claude Mythos encontrou dois tipos diferentes de fraqueza

A mudança importante não é que a IA consegue explicar criptografia. É que um sistema de IA teria ajudado a criar nova criptoanálise verificável.

A Anthropic divulgou as descobertas em 28 de julho de 2026. Seus pesquisadores disseram que o Mythos Preview contribuiu para ataques contra o HAWK e uma versão reduzida do Advanced Encryption Standard, ou AES.

HAWK é um esquema de assinatura digital pós-quântica. Assinaturas digitais permitem que um destinatário verifique quem assinou uma mensagem e se alguém a alterou. Esquemas pós-quânticos buscam resistir a ataques de computadores convencionais e de futuros computadores quânticos.

O National Institute of Standards and Technology vem avaliando o HAWK por meio de seu processo para assinaturas adicionais. O HAWK é um candidato, não um padrão aprovado, e as organizações atualmente não dependem dele para segurança em produção.

Segundo a Anthropic, o Mythos identificou um automorfismo não trivial na rede subjacente do HAWK. Um automorfismo é uma simetria que mapeia uma estrutura matemática de volta para si mesma, preservando relações importantes.

Essa simetria deu aos pesquisadores um atalho para recuperar uma chave privada do HAWK. O ataque reduziu a força efetiva do esquema a ponto de manter o nível de segurança pretendido exigir chaves substancialmente maiores.

Esperava-se que o menor conjunto de parâmetros do HAWK exigisse cerca de 2^64 operações para ser atacado. O método relatado reduz essa estimativa para aproximadamente 2^38 operações. Isso ainda representa uma computação substancial, mas altera a avaliação de segurança do candidato.

A descoberta também desafia uma razão principal para considerar o HAWK. Chaves maiores poderiam compensar a fraqueza, mas esse ajuste reduziria as vantagens de eficiência que ajudaram a tornar a proposta atraente.

A Anthropic afirma que o Mythos encontrou o ataque central ao HAWK após cerca de 60 horas. Pesquisadores humanos forneceram orientação ocasional, revisaram a saída e transformaram o trabalho do modelo em um resultado formal.

O segundo projeto envolveu o AES-128, a cifra simétrica amplamente implantada usada para proteger dados. A criptografia simétrica usa a mesma chave secreta para criptografar e descriptografar informações.

O AES-128 em produção aplica dez rodadas de transformação a cada bloco de dados. Criptógrafos também estudam versões com rodadas reduzidas porque essas variantes expõem quanta proteção cada rodada adicional oferece.

O Mythos atacou uma variante de sete rodadas, não a cifra completa. Sua principal contribuição foi uma técnica matemática chamada Möbius Bridge, que eliminou uma consulta intensiva em memória de um ataque existente.

Combinada a outras mudanças, a abordagem teria tornado o melhor ataque contra o AES de sete rodadas entre 200 e 800 vezes mais rápido. Ainda exige mais de 2^105 textos claros escolhidos, ou seja, mensagens selecionadas especificamente para análise.

Essa exigência de dados está além do alcance prático. Portanto, o resultado melhora o estado da arte acadêmico sem ameaçar o AES-128 completo.

A Anthropic afirma que cada esforço de pesquisa consumiu uso substancial do modelo. Mais importante do que o total de recursos é o que esse uso proporcionou: exploração persistente de muitos caminhos matemáticos possíveis, sem fadiga humana.

São dois resultados diferentes. O trabalho sobre o HAWK altera a avaliação de um candidato ativo em padronização. O trabalho sobre AES avança a análise de um alvo de pesquisa enfraquecido, enquanto mantém intacta a criptografia de produção.

Juntos, eles criam a tensão central do artigo. Claude não quebrou a internet, mas teria comprimido uma pesquisa criptográfica séria em um fluxo de trabalho no ritmo da máquina.

Por que a parceria entre Anthropic e Google agora importa mais

A pesquisa criptográfica transforma o Project Glasswing, de um programa de defesa de software, em um teste inicial de governança para descobertas científicas na velocidade das máquinas.

A Anthropic apresentou o Claude Mythos Preview e o Project Glasswing em abril de 2026. A iniciativa reuniu organizações incluindo Google, Apple, Microsoft, Cisco, CrowdStrike, Amazon Web Services, NVIDIA e a Linux Foundation.

A parceria foi projetada para encontrar e corrigir vulnerabilidades graves antes que sistemas de IA amplamente disponíveis dessem aos atacantes capacidades comparáveis. A Anthropic inicialmente limitou o acesso ao Mythos porque o modelo poderia, segundo relatos, descobrir e explorar fraquezas de software com pouca orientação.

A avaliação de cibersegurança anterior da empresa disse que o Mythos conseguia inspecionar grandes bases de código, identificar bugs antes desconhecidos e desenvolver exploits funcionais. Também relatou fraquezas em implementações de protocolos e bibliotecas criptográficas.

Encontrar uma implementação defeituosa difere de atacar a matemática subjacente. Um bug de software geralmente afeta versões específicas de um programa. Os responsáveis pela manutenção podem corrigir o código, distribuir uma atualização e acompanhar a adoção.

Uma fraqueza em um projeto criptográfico tem um raio de impacto maior. Se as organizações implantarem amplamente o projeto, substituí-lo pode exigir mudanças em software, hardware, protocolos, certificados, dados arquivados e sistemas de conformidade.

O HAWK não está implantado, o que torna esta a versão favorável da história. A fraqueza surgiu durante a avaliação, antes de a proposta se tornar incorporada à infraestrutura.

É exatamente isso que um processo aberto de padronização deve alcançar. Os candidatos passam por revisão pública contínua para que projetos fracos possam ser modificados ou rejeitados antes da adoção.

Ellen Boehm, vice-presidente sênior de estratégia e inovação em IA da Keyfactor, disse ao CyberScoop que a descoberta mostra o processo de avaliação funcionando. Sua avaliação coloca o Mythos dentro do sistema de revisão existente, em vez de tratá-lo como substituto desse sistema.

A relação entre Anthropic e Google importa porque o Google opera software, navegadores, serviços de nuvem, sistemas de identidade e infraestrutura que dependem de criptografia. A empresa também emprega pesquisadores que projetam e analisam protocolos de segurança.

A participação do Google não significa que seus pesquisadores produziram ou endossaram independentemente as descobertas sobre HAWK e AES. As informações públicas estabelecem apenas que o Google participa do Project Glasswing e recebeu acesso dentro dessa estrutura defensiva.

Ainda assim, o Google representa o tipo de organização que deve reagir se a criptoanálise automatizada ganhar escala. Ele mantém infraestrutura suficiente para compreender tanto a oportunidade defensiva quanto o ônus da migração.

A pressão não se limita ao Google. Organismos de padronização devem decidir como aceitar, reproduzir e documentar submissões assistidas por IA. Fornecedores devem acompanhar onde os algoritmos aparecem em seus produtos. Equipes de segurança devem se preparar para mais descobertas do que revisores humanos conseguem processar rapidamente.

A parceria entre Anthropic e Google, portanto, oferece um modelo inicial de acesso controlado. Ela conecta desenvolvedores de modelos a organizações capazes de validar descobertas e coordenar correções.

Essa abordagem também concentra informação e capacidade entre um pequeno grupo. Organizações fora da parceria precisam confiar que os participantes divulgarão resultados relevantes com rapidez, precisão e justiça.

A pesquisa criptográfica torna essa preocupação mais urgente. Um fornecedor de software geralmente pode receber um relatório privado de bug e emitir uma correção. Uma fraqueza matemática recém-descoberta pode afetar simultaneamente fornecedores concorrentes, governos, pesquisadores e processos de padronização.

O desafio já não é apenas encontrar falhas antes dos atacantes. É construir uma cadeia de revisão capaz de acompanhar o ritmo sem dar a um consórcio privado influência excessiva sobre decisões públicas de segurança.

O verdadeiro avanço é a compressão da pesquisa

Mythos não eliminou os criptógrafos humanos. Ele mudou quanto trabalho exploratório uma pequena equipe humana pode tentar em um período fixo.

A criptoanálise combina teoria, experimentação, implementação e fracassos repetidos. Pesquisadores formulam hipóteses, testam casos menores, escrevem código, inspecionam resultados, revisam premissas e decidem qual caminho merece mais atenção.

Os modelos de linguagem agora podem participar de todo esse ciclo. Eles podem ler especificações, derivar equações, implementar experimentos, invocar ferramentas matemáticas, comparar resultados e preservar resultados intermediários úteis.

Esse alcance importa mais do que qualquer resposta isolada. A automação tradicional funciona bem quando os pesquisadores já conhecem o procedimento exato de busca. Modelos de ponta podem propor e testar procedimentos diferentes enquanto respondem a evidências inesperadas.

O caso do HAWK teria começado com o Mythos identificando uma simetria estrutural na rede do esquema. Um pesquisador humano então ajudou a orientar a investigação e a avaliar se a observação sustentava um ataque real.

Esse fluxo de trabalho complica alegações simples sobre autonomia. O modelo contribuiu com uma ideia-chave e realizou grande parte da análise, mas os humanos selecionaram o alvo da pesquisa, configuraram o ambiente, revisaram as saídas e prepararam o resultado.

“Autônomo”, portanto, deve descrever partes do processo, não todo o projeto científico. O Mythos poderia continuar a exploração técnica sem comandos constantes. Ele não escolheu de forma independente o objetivo social ou o padrão de publicação.

O projeto de AES com rodadas reduzidas demonstra uma forma diferente de valor. O alvo havia recebido ampla análise humana, e o modelo não revelou uma quebra prática. Ele encontrou uma rota mais eficiente por meio de um ataque teórico altamente restrito.

A aceleração relatada veio em parte da eliminação de uma tabela de consulta contendo 256 entradas. Isso não removeu a enorme exigência de dados do ataque, mas melhorou suas características de tempo e memória.

Essa distinção revela por que a pesquisa assistida por IA pode avançar antes que os modelos se tornem universalmente confiáveis. Um ataque candidato muitas vezes pode ser verificado por meio de equações, código executável ou um experimento formal de segurança.

A criptoanálise oferece um feedback incomumente claro. Ou um método proposto de recuperação de chaves recupera a chave nas condições declaradas, ou não. Pesquisadores podem descartar muitos caminhos alucinatórios sem precisar confiar na prosa do modelo.

O recém-lançado CryptanalysisBench oferece evidências mais amplas dessa mudança de capacidade. Seus autores avaliaram 191 tarefas que abrangem seis famílias de primitivas criptográficas.

Cinco modelos de ponta resolveram entre 65 e 86 por cento das tarefas envolvendo esquemas com ataques práticos conhecidos. Claude Mythos 5 obteve 42 sucessos em 49 tarefas de Nível 1, o melhor resultado relatado.

O benchmark também incluiu esquemas mais difíceis, sem falhas práticas conhecidas. Mythos 5 quebrou 61 esquemas ao considerar variantes completas e escalonadas, em comparação com 37 do Claude Opus 4.8.

Esses números não mostram que os modelos conseguem derrotar a criptografia moderna usada em produção. O nível de desafio continua em grande parte sem solução, e muitas vitórias no benchmark envolvem configurações enfraquecidas ou esquemas com falhas conhecidas.

Os resultados mostram que os modelos conseguem navegar por ambientes de pesquisa técnica, implementar ataques e, às vezes, encontrar problemas de design ainda não relatados. Esse é um patamar mais alto do que resumir artigos existentes.

A comparação com humanos também exige cautela. Uma execução de modelo de 60 horas não equivale a um criptógrafo trabalhando por 60 horas. O sistema pode usar grandes quantidades de computação, experimentação paralela e amplo conhecimento prévio codificado durante o treinamento.

A comparação relevante diz respeito ao tempo decorrido de pesquisa e ao resultado da equipe. Um pequeno grupo teve acesso a muito mais trabalho exploratório do que poderia ter produzido manualmente durante a mesma semana.

Isso é compressão de pesquisa. O modelo transforma computação em tentativas adicionais, enquanto os humanos decidem em quais tentativas vale acreditar.

Esse equilíbrio pressiona os laboratórios a redesenhar suas operações de pesquisa. A especialização passa a se concentrar na escolha de alvos, na construção de avaliações, na identificação de erros sutis do modelo e na conversão de resultados provisórios em afirmações defensáveis.

O julgamento humano continua essencial, mas entra mais tarde no ciclo. Pesquisadores passam menos tempo gerando cada candidato e mais tempo validando um fluxo muito maior de candidatos.

As Descobertas Não Quebram a Criptografia de Produção

O motivo mais forte para cautela também é o mais simples: nenhum dos ataques publicados compromete um sistema criptográfico que as pessoas usam hoje.

HAWK continua sendo uma proposta. Seus projetistas podem revisar os parâmetros, responder à análise ou retirar a configuração afetada sem obrigar usuários a migrar sistemas já implantados.

A especificação do HAWK descreve um sistema compacto de assinatura baseado em premissas de reticulados. Essas premissas sempre exigiram escrutínio público antes da padronização.

O resultado do Mythos contribui para esse escrutínio. Ele não implica que toda assinatura baseada em reticulados tenha a mesma fragilidade. O ataque depende da estrutura matemática específica do HAWK.

Também não invalida os padrões pós-quânticos já concluídos pelo NIST. HAWK faz parte de um processo separado que examina opções adicionais de assinaturas digitais.

O resultado sobre AES exige uma ressalva ainda mais forte. AES-128 de sete rodadas é uma variante de pesquisa projetada para ser mais fraca do que a forma implantada de dez rodadas.

Atacar menos rodadas ajuda criptógrafos a medir a margem de segurança de uma cifra. O progresso contra sete rodadas pode ser matematicamente valioso sem estabelecer um caminho pelas dez rodadas completas.

O ataque assistido por Mythos também pressupõe um volume extraordinário de textos claros escolhidos. Um cenário de texto claro escolhido permite que o atacante selecione mensagens e observe suas saídas criptografadas.

Sistemas reais restringem o acesso, alternam chaves, limitam dados e adicionam protocolos em torno da cifra subjacente. Esses controles tornam as condições teóricas publicadas ainda menos práticas.

Portanto, chamar o resultado de uma “quebra do AES” induziria os leitores ao erro. Trata-se de uma melhoria contra AES com número reduzido de rodadas, e não de um comprometimento do AES-128 como implantado.

A mesma cautela se aplica às alegações de que a IA superou todos os criptógrafos humanos. O modelo trabalhou dentro de uma estrutura projetada por humanos e recorreu a décadas de pesquisa publicada incorporada ao seu ambiente de treinamento.

Os pesquisadores não estabeleceram publicamente com que frequência Mythos seguiu pistas falsas, quantas execuções falharam ou como o desempenho muda sob um orçamento computacional fixo. Histórias de sucesso revelam capacidade, mas não fornecem uma medida completa de produtividade.

A reprodutibilidade apresenta outro problema. Especialistas independentes precisam de detalhes suficientes para verificar a matemática e o código. Transcrições do modelo podem ajudar, mas longos rastros de agentes podem ser mais difíceis de auditar do que uma derivação convencional.

O ceticismo público tem se concentrado no nível de supervisão especializada. Críticos argumentam que alegações criptográficas extraordinárias merecem revisão por especialistas reconhecidos antes de receberem um enquadramento promocional amplo.

Essa crítica não deve ser descartada como resistência à automação. Erros criptográficos podem sobreviver à revisão por pares, e um ataque plausível pode ocultar uma premissa equivocada sobre o adversário ou o modelo de segurança.

A confirmação externa fortalece o caso. Relatos indicam que os projetistas do HAWK reconheceram o mérito do ataque, enquanto criptógrafos independentes revisaram o resultado sobre AES de rodadas reduzidas.

A publicação formal e a continuidade da revisão por pares continuam necessárias. Um rastro de modelo impressionante é evidência de um processo de pesquisa, não um substituto para uma prova completa.

As evidências do benchmark também expõem limitações claras. Até Mythos falhou em alguns esquemas com ataques conhecidos, e as tarefas mais difíceis voltadas à produção continuam em aberto.

Os modelos podem desperdiçar seu orçamento implementando um conceito correto, mirar no jogo de segurança errado ou explorar fragilidades em uma estrutura de testes. Essas são falhas conhecidas de agentes, com riscos excepcionalmente altos.

Portanto, uma organização de segurança deve tratar a criptoanálise gerada por IA como pesquisa não confiável até que especialistas a reproduzam. Essa política captura o valor defensivo sem transformar alegações de fornecedores em fatos operacionais.

A Criptoanálise em Velocidade de Máquina Muda o Gargalo dos Defensores

Uma descoberta mais rápida ajuda os defensores apenas quando validação, divulgação e migração conseguem avançar a uma velocidade comparável.

A segurança de software já enfrenta esse desequilíbrio. Ferramentas automatizadas podem gerar mais descobertas potenciais do que os mantenedores conseguem revisar. Mythos estende a mesma pressão a sistemas matematicamente complexos.

O primeiro gargalo é a validação. Um modelo pode explorar muitas hipóteses rapidamente, mas criptógrafos qualificados continuam escassos. Cada alegação séria pode exigir uma revisão cuidadosa de provas, código, premissas de parâmetros e modelos de ameaça.

O segundo gargalo é a divulgação. O status não implantado do HAWK simplificou a coordenação, mas descobertas futuras podem afetar primitivas amplamente usadas. Publicar cedo demais poderia expor sistemas antes que os fornecedores preparassem mitigações.

Esperar tempo demais também cria riscos. Um pequeno conjunto de empresas ou governos poderia possuir conhecimento que afeta todos, enquanto organizações externas continuam incapazes de avaliar sua exposição.

O terceiro gargalo é o inventário criptográfico. Muitas empresas não sabem de quais algoritmos, tamanhos de chave, certificados, bibliotecas ou dispositivos embarcados dependem.

Uma fragilidade recém-descoberta é difícil de gerenciar sem esse mapa. As equipes não conseguem priorizar a migração se não conseguem localizar cada uso afetado.

É aqui que a colaboração entre Anthropic e Google se torna operacionalmente significativa. Google e outros parceiros da Glasswing mantêm sistemas grandes o suficiente para testar se descobertas geradas por máquinas podem fluir para programas reais de remediação.

A parceria pode ajudar a desenvolver métodos de revisão, padrões de evidência e procedimentos de divulgação. Também pode revelar se grandes organizações conseguem processar descobertas sem sobrecarregar os mantenedores.

No entanto, o controle de acesso não resolve o problema subjacente de difusão. Uma capacidade criptanalítica comparável não permanecerá exclusiva de um modelo ou de uma parceria indefinidamente.

CryptanalysisBench avaliou sistemas fechados e de pesos abertos. O modelo aberto GLM-5.2 ficou atrás do Mythos, mas ainda resolveu 32 das 49 tarefas de Nível 1.

Essa diferença importa, mas a direção mais ampla importa mais. Múltiplas famílias de modelos já conseguem executar partes relevantes de um fluxo de trabalho de ataque.

A vantagem ofensiva depende do que acontece em seguida. Se os defensores usarem sistemas avançados para examinar candidatos antes da implantação, a IA poderá fortalecer os padrões. Se os atacantes obtiverem modelos capazes antes que a migração melhore, a descoberta poderá superar o reparo.

A criptografia torna a remediação tardia especialmente perigosa. Substituir um componente de navegador pode levar semanas. Substituir uma primitiva incorporada em hardware e certificados de longa duração pode levar anos.

Dados criptografados arquivados criam outra exposição. Um adversário pode coletar informações agora e descriptografá-las depois se um ataque futuro enfraquecer a proteção subjacente.

As descobertas atuais não criam esse cenário para AES. Elas reforçam o valor da agilidade criptográfica, isto é, a capacidade de substituir algoritmos sem reconstruir um sistema inteiro.

Organizações de padronização também precisarão de regras mais claras para submissões assistidas por IA. Pesquisadores devem divulgar versões dos modelos, estruturas de apoio, orçamentos computacionais, intervenções humanas, execuções malsucedidas e métodos de verificação.

Esses detalhes permitem que revisores distingam um resultado científico de uma demonstração seletiva. Também tornam as tendências de capacidade mais fáceis de medir entre modelos.

A resposta mais útil no curto prazo não é pânico nem restrição generalizada. É ampliar a capacidade humana e institucional em torno da descoberta automatizada.

Mais validadores, ferramentas reprodutíveis, canais de divulgação mais claros e inventários criptográficos completos determinarão se a pesquisa em velocidade de máquina beneficiará primeiro os defensores.

O Que Observar Após os Resultados de Criptografia do Claude Mythos

Três sinais mostrarão se este episódio se tornará uma mudança duradoura na pesquisa ou continuará sendo uma demonstração excepcional.

O primeiro sinal é o tratamento dado ao HAWK dentro do processo do NIST. Os revisores precisam determinar se parâmetros revisados preservam eficiência e confiança suficientes para que o candidato continue.

Uma reformulação significativa ou remoção fortaleceria o argumento de que Mythos alterou uma decisão real de padronização. Um ajuste restrito de parâmetros indicaria uma descoberta útil, porém mais limitada.

Qualquer um dos resultados ainda validaria os testes antes da implantação. A questão central é se a análise assistida por IA se tornará uma parte normal da avaliação de futuros candidatos.

O segundo sinal é a reprodução independente dos ataques ao HAWK e ao AES de rodadas reduzidas. Criptógrafos externos precisam verificar as premissas, derivações, implementação e desempenho relatado.

Uma reprodução clara fortaleceria a alegação da Anthropic de que Mythos contribuiu para uma pesquisa genuína. Correções substanciais restringiriam o resultado e exporiam fragilidades no atual processo de validação.

O terceiro sinal é a próxima geração de benchmarks controlados. Pesquisadores devem se concentrar em esquemas de força completa, problemas de teste não publicados e tarefas protegidas contra contaminação por dados de treinamento.

CryptanalysisBench já separa ataques conhecidos de esquemas mais difíceis e audita rastros em busca de sinais de memorização. Seus níveis não saturados oferecem um ponto de partida útil.

O progresso nesses níveis seria mais informativo do que repetir ataques já resolvidos. Um modelo que encontre consistentemente novas falhas sob orçamentos fixos sustentaria uma alegação mais forte sobre pesquisa científica automatizada.

A parceria de segurança entre Anthropic e Google também deve divulgar como as organizações participantes lidam com descobertas criptográficas. Evidências úteis incluiriam cronogramas de validação, resultados de divulgação e a proporção de relatórios do modelo rejeitados por especialistas.

Os leitores devem resistir aos dois extremos convenientes. Claude Mythos não quebrou a criptografia do dia a dia, mas descartar o trabalho porque seus alvos não estavam implantados ou foram reduzidos seria ignorar o propósito da pesquisa criptográfica.

As margens de segurança são estudadas antes de desaparecerem. Padrões candidatos são atacados antes que os usuários dependam deles. Os resultados mais recentes sugerem que a IA pode contribuir de forma significativa para ambas as atividades.

Desenvolvedores e compradores corporativos devem perguntar se suas organizações conseguem identificar todos os algoritmos críticos que utilizam. Também devem perguntar com que rapidez essas dependências podem mudar quando um padrão perde credibilidade.

Pesquisadores devem observar se equipes independentes reproduzem o trabalho e se o NIST altera o status do HAWK. Esses resultados dirão mais do que qualquer manchete dramática.

A conclusão mais confiável é mais restrita e mais consequente. Segundo relatos, Mythos condensou anos de expertise acumulada em dias de exploração direcionada, enquanto os humanos continuaram responsáveis pela verificação.

Essa combinação pressiona todas as instituições de segurança construídas em torno de um ciclo de pesquisa mais lento. O próximo teste é saber se os defensores conseguem redesenhar seus processos antes que a descoberta em velocidade de máquina se torne amplamente disponível.