Laços entre Anthropic e Google colocam bancos dos dois lados da expansão da IA

A Anthropic introduziu capacidades cibernéticas avançadas no setor bancário, enquanto sua relação com o Google expande a infraestrutura por trás delas. Esse conflito deixa os bancos se defendendo da IA enquanto financiam seu crescimento.

A conexão entre Anthropic e Google, portanto, é mais do que outra parceria de nuvem. O Google fornece processadores personalizados e participa da iniciativa de segurança da Anthropic. Os bancos usam modelos da Anthropic, se protegem contra sistemas semelhantes e ajudam a financiar os data centers que os executam.

Esse arranjo muda o debate sobre IA dentro das instituições financeiras. A questão imediata deixou de ser se os funcionários devem receber um chatbot. Os bancos precisam decidir como governar modelos que encontram vulnerabilidades, realizam trabalho regulado e criam dependências concentradas.

O modelo cibernético da Anthropic mudou a conversa nos bancos

O Claude Mythos transformou uma preocupação gradual com segurança em um teste imediato da capacidade dos bancos de responder na velocidade das máquinas.

A Anthropic apresentou o Claude Mythos Preview em 7 de abril por meio do Project Glasswing. A iniciativa reuniu inicialmente Anthropic, Google, JPMorgan Chase, Amazon Web Services, Apple, Microsoft e várias empresas de segurança.

O Mythos é um modelo restrito, projetado para identificar e analisar vulnerabilidades de software. A Anthropic não disponibilizou a prévia de forma geral. Em vez disso, concedeu acesso a defensores selecionados e operadores de softwares críticos.

Esse lançamento controlado fez parte da história. Um modelo não precisa de uma interface pública para alterar os cálculos de risco em todo um setor. Suas capacidades demonstradas podem revelar o que sistemas menos restritos talvez sejam capazes de fazer em breve.

A Anthropic afirmou que o Mythos Preview examinou mais de 1.000 projetos de código aberto durante sua implantação inicial. A atualização inicial do Glasswing da empresa disse que o modelo identificou uma estimativa de 23.019 vulnerabilidades.

A Anthropic classificou 6.202 dessas descobertas como de gravidade alta ou crítica. Esses números continuam sendo estimativas da empresa, e não uma auditoria independente abrangente de cada falha relatada.

O valor do modelo também depende de validação. Sistemas automatizados podem sinalizar padrões de código que parecem perigosos sem provar que invasores conseguem explorá-los em produção. As equipes de segurança precisam reproduzir as descobertas, avaliar a exposição e coordenar correções.

Mesmo com essas limitações, a escala altera a gestão normal de vulnerabilidades. Antes, um banco poderia processar descobertas por meio de uma fila moldada por pesquisadores, fornecedores e ciclos programados de correção. Um modelo especializado pode gerar descobertas muito mais rapidamente.

A velocidade cria um problema de duas faces. Os defensores podem inspecionar mais código e priorizar a correção mais cedo. Invasores com capacidades comparáveis também podem pesquisar grandes ambientes de software em busca de fraquezas negligenciadas.

Os bancos enfrentam uma versão particularmente difícil desse problema. Sua infraestrutura frequentemente combina serviços modernos de nuvem, aplicações adquiridas, código interno e sistemas centrais mais antigos. Cada conexão acrescenta outro ponto por onde uma falha pode se disseminar.

O risco vai além das aplicações desenvolvidas por um banco. Instituições financeiras dependem de sistemas operacionais, navegadores, serviços de identidade, softwares de pagamento e inúmeros terceiros. Uma fraqueza em um fornecedor pode afetar muitas instituições simultaneamente.

Essa possibilidade explica a atenção governamental em torno do Mythos. As autoridades não estavam reagindo a um benchmark comum de modelo. Elas enfrentavam uma possível compressão do tempo entre a descoberta de uma vulnerabilidade e a tentativa de exploração.

A mudança central é mensurável no tempo de resposta. Organizações de segurança não conseguem controlar a rapidez com que futuros modelos procuram falhas. Elas conseguem controlar a rapidez com que as equipes verificam, priorizam, corrigem e monitoram essas descobertas.

Para os bancos, o Mythos é menos um produto acabado do que um alerta sobre o ritmo operacional. A próxima vulnerabilidade séria pode chegar a defensores e adversários por meio de sistemas automatizados semelhantes.

Por que a relação entre Anthropic e Google importa

O Google dá à Anthropic acesso a infraestrutura em uma escala capaz de transformar capacidades especializadas de modelos em um sistema comercial duradouro.

A relação entre Anthropic e Google combina investimento, capacidade computacional, distribuição e cooperação técnica. Também demonstra por que os bancos não podem avaliar fornecedores de IA como fornecedores isolados de software.

A Anthropic concordou, em outubro de 2025, em adquirir acesso a até um milhão de unidades de processamento tensor do Google. Uma unidade de processamento tensor, ou TPU, é o processador personalizado do Google para cargas de trabalho de IA.

O acordo valia dezenas de bilhões de dólares, segundo as empresas. Esperava-se que colocasse mais de um gigawatt de capacidade em operação durante 2026, conforme detalhado no acordo de TPUs.

Mais tarde, a Anthropic afirmou ter assinado acordos com Google e Broadcom para cinco gigawatts de capacidade de TPUs de próxima geração. A declaração foi divulgada em maio, junto com um grande anúncio de financiamento.

Ao mesmo tempo, a Anthropic disse que a AWS continuava sendo seu principal provedor de nuvem e parceiro de treinamento. O Claude também estava disponível por meio do Microsoft Azure. Essa abordagem multicloud reduz a dependência de um único canal de entrega sem eliminar a concentração de infraestrutura.

O Google ocupa uma posição incomum nessa estrutura. Desenvolve o Gemini, que concorre com o Claude. Também fornece processadores e capacidade de nuvem que ajudam a Anthropic a treinar e operar modelos concorrentes.

Isso torna a relação estrategicamente útil para ambos os lados. A Anthropic ganha acesso a recursos computacionais especializados. O Google conquista um grande cliente para seus processadores e valida uma infraestrutura que vai além de sua família interna de modelos.

Os bancos devem reconhecer o mesmo padrão em seus próprios portfólios de fornecedores. A concorrência na camada de aplicações pode se apoiar em infraestrutura compartilhada por baixo. Dois serviços de IA aparentemente independentes ainda podem depender de nuvens, processadores ou componentes de segurança sobrepostos.

A relação também une o desenvolvimento de capacidades à coordenação defensiva. O Google participou do Project Glasswing enquanto fornecia infraestrutura à Anthropic. Portanto, aparece tanto a montante dos modelos quanto dentro da rede de resposta aos riscos ao seu redor.

Isso não significa que o Google controle o Claude Mythos ou todas as implementações da Anthropic. Significa que as fronteiras entre fornecedores se tornam menos úteis ao avaliar resiliência. As equipes de risco dos bancos precisam de mapas de dependências técnicas e comerciais, não apenas de inventários de produtos.

Uma instituição pode usar o Claude por meio de uma nuvem, o Gemini por outro contrato e aplicações de fornecedores que chamam qualquer um dos dois modelos. Esse arranjo pode parecer diversificado enquanto preserva pontos comuns de infraestrutura.

A mesma questão se aplica aos sistemas internos de conhecimento. Um banco pode conectar serviços de modelos a pesquisas, políticas, registros de clientes e documentação de engenharia. Cada conexão amplia a utilidade e a exposição do sistema.

Uma boa integração de conhecimento pode ajudar profissionais a recuperar contexto em fontes aprovadas. Em uma instituição regulada, no entanto, cada caminho de recuperação também precisa de controles de acesso, proveniência, regras de retenção e monitoramento.

É por isso que a relação entre Anthropic e Google importa além dos rankings de modelos. Ela representa a estrutura industrial que se forma em torno da IA de fronteira. Desenvolvedores de modelos, operadores de nuvem, projetistas de chips e grandes clientes estão se tornando financeiramente e tecnicamente interdependentes.

Os bancos não podem evitar essa estrutura escolhendo um fornecedor familiar. Eles precisam identificar onde as dependências convergem e decidir quais falhas exigem capacidade alternativa, procedimentos manuais ou proteções contratuais.

Bancos são clientes, defensores e financiadores

Os bancos agora ocupam três posições conflitantes na economia da IA, e cada posição cria obrigações que as outras podem comprometer.

Como clientes, os bancos querem modelos melhores para pesquisa, desenvolvimento de software, trabalho de conformidade e análise de documentos. A Anthropic construiu uma estratégia comercial direta em torno dessas demandas.

Em maio, a empresa apresentou 10 agentes voltados a fluxos de trabalho financeiros. Um agente é um software capaz de planejar e executar várias etapas com intervenção humana limitada.

As ferramentas foram projetadas para tarefas como montar pitchbooks, auditar demonstrações financeiras e redigir memorandos de crédito. A Anthropic afirmou que elas poderiam se conectar ao Claude Code e ao Cowork, refletindo as políticas de uma instituição.

Na época, a Anthropic disse que as instituições financeiras representavam 40 por cento de seus 50 maiores clientes. Finanças era seu segundo maior setor em receita empresarial, atrás de tecnologia, segundo o lançamento dos agentes financeiros.

Essa adoção cria pressão competitiva direta. Um banco que reduz o tempo de revisão de documentos ou de entrega de software pode encurtar os prazos de resposta. Um concorrente mais lento pode ter dificuldade em igualar os níveis de serviço com processos inalterados.

No entanto, os bancos também são defensores. Os sistemas que melhoram a produtividade interna podem se assemelhar àqueles que ajudam invasores a encontrar fraquezas. As equipes de segurança precisam avaliar o modelo, suas ferramentas conectadas e o comportamento de agentes que atuam em diferentes aplicações.

Esse papel exige mais do que filtrar prompts de funcionários. Um agente financeiro pode recuperar informações, gravar arquivos, chamar ferramentas de software ou preparar decisões. Cada permissão cria um caminho que requer controles e evidências.

Um banco não pode tratar o modelo como a única unidade de risco. Precisa inspecionar o fluxo de trabalho completo, incluindo autenticação, recuperação de dados, aprovação humana, validação de resultados e registros de auditoria.

Os bancos também financiam a expansão física que sustenta a IA. Empréstimos, crédito privado, veículos estruturados e projetos de data centers podem expor credores a premissas de demanda no mesmo setor que estão adotando.

Isso cria um ciclo de retroalimentação incomum. Os bancos financiam a infraestrutura usada por empresas de modelos. Essas empresas desenvolvem sistemas que pressionam os bancos a se modernizar. Os bancos então compram mais serviços de IA para atender a essa pressão.

O ciclo não sinaliza automaticamente instabilidade. Data centers são ativos reais, e serviços de modelos podem gerar receitas valiosas. No entanto, o crescimento interconectado pode ocultar quantas exposições dependem de premissas semelhantes.

Um credor pode subscrever um projeto de data center com base na demanda de longo prazo de uma empresa de IA. Outra divisão pode depender dos modelos dessa empresa. As exposições de tecnologia e crédito do banco passam então a compartilhar uma narrativa comum de contraparte.

O papel do Google acrescenta outra camada. Ele pode fornecer chips, serviços de nuvem, suporte a investimentos e concorrência em modelos dentro do mesmo mercado. Os bancos precisam avaliar como esses papéis interagem em situações de estresse.

Este é o verdadeiro alerta. A IA não está mais restrita aos gastos com tecnologia. Ela alcança resiliência operacional, risco de terceiros, defesa cibernética, crédito e planejamento estratégico.

Um modelo fragmentado de governança deixará passar essas conexões. Compras podem medir os termos de fornecedores enquanto a segurança acompanha vulnerabilidades e as equipes de crédito analisam tomadores de infraestrutura. Nenhuma visão isolada captura a exposição combinada.

Os bancos precisam de um mapa em nível empresarial que conecte serviços de IA, dependências de nuvem, fluxos de trabalho materiais, relações de financiamento e planos de contingência. Sem esse mapa, a diversificação pode existir no papel enquanto a concentração cresce por baixo.

A pressão entre Anthropic e Google expõe uma lacuna de velocidade

A principal disputa está entre a mudança impulsionada por modelos e os sistemas de governança bancária que devem controlá-la.

Os controles bancários tradicionais pressupõem que grandes mudanças tecnológicas passam por etapas definidas. As equipes selecionam um fornecedor, testam o sistema, documentam riscos, aprovam a implantação e monitoram o comportamento em produção.

Os modelos de fronteira não permanecem estáticos durante esse ciclo. Os provedores atualizam capacidades, salvaguardas, limites de contexto, integrações e políticas de implantação. Uma análise concluída para uma versão pode não descrever a próxima.

As capacidades cibernéticas avançam ainda mais rápido. Um modelo de descoberta de vulnerabilidades pode examinar código continuamente, enquanto um banco ainda coordena correções por meio de janelas programadas. Essa incompatibilidade torna a velocidade de resposta estrategicamente importante.

A resposta não é eliminar os pontos de controle de revisão. Os bancos lidam com ativos de clientes, dados pessoais e decisões reguladas. Enfraquecer os controles para acompanhar o cronograma de lançamentos de um fornecedor substituiria atrasos por riscos operacionais evitáveis.

A melhor abordagem separa experimentação reversível de decisões materiais de produção. As equipes podem avaliar novas capacidades em ambientes controlados, mantendo usos voltados ao cliente ou de alto impacto sujeitos a aprovações mais rigorosas.

Os bancos também precisam de revisões acionadas por mudanças. Uma atualização material do modelo, uma nova permissão de ferramenta, um conjunto de dados ampliado ou uma política de retenção alterada deve reabrir os controles relevantes. Avaliações anuais, por si só, não conseguem acompanhar esse mercado.

A análise sobre defesa bancária em torno de Mythos ilustra a pressão. Reguladores discutiram o modelo com executivos bancários, enquanto o acesso inicialmente permaneceu limitado a organizações selecionadas.

JPMorgan Chase foi o único banco citado entre os primeiros participantes do Glasswing. Morgan Stanley, Goldman Sachs e Bank of New York Mellon posteriormente confirmaram acesso durante teleconferências de resultados.

Essa distribuição desigual importa. Instituições com acesso antecipado podem estudar a capacidade, examinar seus sistemas e aprimorar procedimentos de resposta. As que não têm acesso precisam se preparar com informações de segunda mão e ferramentas convencionais de teste.

Lacunas internacionais tornam o problema mais difícil. A consultora bancária britânica Harriet Rees afirmou em julho que os principais bancos do Reino Unido não tinham um cronograma claro para receber acesso ao Mythos.

A Anthropic afirmou que havia começado a disponibilizar o Mythos 5 além dos Estados Unidos, em coordenação com o governo dos EUA. O acesso continuou vinculado a organizações confiáveis e a decisões de política.

Isso transforma a disponibilidade do modelo em uma questão de resiliência. Se um sistema restrito identifica novas classes de fraquezas, as instituições fora de sua rede aprovada ainda enfrentam o risco subjacente.

A pressão não é simplesmente Anthropic contra Google, ou Claude contra Gemini. Essas são dinâmicas competitivas secundárias. O principal conflito está entre capacidades que avançam rapidamente e uma coordenação institucional mais lenta.

Executivos bancários devem, portanto, fazer perguntas operacionais. Com que rapidez as equipes conseguem validar uma descoberta urgente gerada por modelo? Quais sistemas podem receber correções emergenciais? Quais fornecedores precisam participar antes que a remediação comece?

Eles também devem testar os caminhos de comunicação. Uma vulnerabilidade grave pode envolver equipes jurídicas, supervisores, clientes, fornecedores de software e órgãos governamentais. Os atrasos frequentemente ocorrem entre organizações, e não dentro de um scanner de segurança.

A relação de infraestrutura entre Anthropic e Google aumenta a probabilidade de que novos modelos recebam ampla capacidade computacional. Isso não garante cada capacidade alegada. Mas torna a espera por uma desaceleração do progresso uma estratégia fraca.

Os bancos precisam de governança que preserve a cautela sem depender de mudanças lentas. A diferença importa porque os atacantes não esperam os calendários dos comitês.

O que os números do modelo não comprovam

Mythos oferece um alerta sério, mas suas descobertas relatadas não estabelecem um sistema ofensivo imparável nem uma solução defensiva completa.

As contagens de vulnerabilidades da Anthropic exigem contexto. Um modelo pode produzir milhares de descobertas candidatas, enquanto apenas um grupo menor se prova explorável, novo, alcançável e importante em implantações reais.

As estimativas de gravidade também dependem de pressupostos. Uma falha classificada como crítica em uma configuração pode ser inacessível em outra. Por outro lado, um problema moderado pode se tornar perigoso quando combinado com credenciais fracas ou outra vulnerabilidade.

Os materiais publicados pela Anthropic reconhecem preocupações de implantação ao restringir sistemas da classe Mythos. Essa política sustenta o argumento de que a capacidade merece atenção. Ela não verifica de forma independente cada alegação de desempenho.

Os bancos devem evitar dois erros opostos. Descartar o modelo porque o provedor relatou seus próprios resultados ignoraria um alerta crível. Tratar cada resultado como confirmado distorceria prioridades e consumiria capacidade limitada de remediação.

Um processo de controle útil registra taxas de validação. As equipes devem medir quantas descobertas podem ser reproduzidas, quantas são novas, quanto tempo leva a verificação e com que rapidez problemas confirmados recebem correções.

Essas medidas operacionais importam mais do que um total de manchete. Elas revelam se um modelo melhora os resultados de segurança ou apenas amplia uma fila de vulnerabilidades já congestionada.

O acesso defensivo também cria risco no tratamento de informações. Um sistema que estuda código-fonte privado pode encontrar credenciais, detalhes de arquitetura ou fraquezas que exigem divulgação rigidamente controlada.

Os bancos precisam de clareza contratual sobre retenção de dados, treinamento de modelos, acesso de suporte e comunicação de incidentes. Também precisam de evidências de que as permissões continuam alinhadas ao papel de cada funcionário.

O panorama mais amplo de adoção contém outro alerta. Uma pesquisa sobre serviços financeiros liderada pela University of Cambridge constatou que a maioria das organizações participantes desenvolveu soluções com base em modelos externos, em vez de treinar internamente modelos fundacionais.

A OpenAI foi o provedor mais utilizado entre os participantes do setor pesquisados, seguida por Google e Anthropic. Essa constatação mostra que os bancos já operam em um mercado com múltiplos provedores.

O mesmo relatório identificou uma lacuna de percepção em relação ao risco. Reguladores deram maior prioridade do que fornecedores de IA a ameaças adversariais e à resiliência cibernética ou operacional.

Essa divergência afeta a implantação. Os fornecedores frequentemente se concentram em controles do modelo e salvaguardas documentadas. Reguladores e bancos precisam considerar falhas em pagamentos, serviços ao cliente, mercados e instituições conectadas.

A concorrência oferece alguma proteção. Os bancos podem comparar Claude, Gemini, modelos da OpenAI e ferramentas especializadas de segurança. Podem direcionar diferentes cargas de trabalho para serviços com controles adequados.

Ainda assim, a troca não é instantânea. O comportamento dos modelos, os prompts, as avaliações, as integrações e os fluxos de trabalho dos funcionários criam bloqueio prático. Mover um processo material pode exigir novos testes e documentação regulatória.

A diversidade de modelos também pode introduzir complexidade adicional. Cada provedor traz contratos, sistemas de monitoramento, políticas de segurança e calendários de atualização diferentes. Mais fornecedores podem aumentar a resiliência, ao mesmo tempo que ampliam o trabalho de governança.

A conclusão apropriada é ponderada. A Anthropic apresentou evidências de uma mudança relevante na descoberta automatizada de vulnerabilidades. O impacto ofensivo completo e o valor defensivo de longo prazo continuam incertos.

Os bancos devem se preparar para uma descoberta mais rápida sem presumir que qualquer modelo isolado resolve o problema. Verificação, correção, segmentação e recuperação continuam essenciais.

Três sinais que os bancos devem observar a seguir

A próxima etapa será definida por resultados de segurança validados, acesso mais amplo e evidências de que os bancos conseguem governar a IA além das fronteiras organizacionais.

O primeiro sinal é a validação independente das descobertas do Mythos. Os bancos devem observar quantas vulnerabilidades relatadas mantêm sua gravidade após análise pelos projetos afetados e por pesquisadores de segurança.

Taxas elevadas de validação reforçariam a tese de que modelos especializados comprimiram permanentemente os prazos de descoberta. Taxas baixas não eliminariam o risco, mas deslocariam a atenção para a qualidade da triagem.

As divulgações mais úteis incluirão mais do que totais. Os avaliadores precisam de dados sobre reprodutibilidade, novidade, explorabilidade, conclusão das correções e tempo até a remediação. Essas medidas conectam a saída do modelo à melhoria defensiva real.

O segundo sinal é a expansão do acesso confiável. A disponibilização da Anthropic além dos Estados Unidos mostrará se uma distribuição restrita pode apoiar ampla resiliência financeira sem liberar indiscriminadamente capacidades sensíveis.

Um programa mais amplo e coordenado reduziria a lacuna entre os participantes iniciais e outras instituições. Uma divisão geográfica prolongada reforçaria os apelos por modelos domésticos, instalações compartilhadas de teste ou acordos internacionais formais.

Os bancos também devem observar se os governos criam critérios consistentes de participação. Aprovações ad hoc podem deixar as instituições incertas sobre cronogramas, responsabilidades e o tratamento de vulnerabilidades descobertas.

O terceiro sinal é a governança dentro das instituições financeiras. Teleconferências de resultados, revisões regulatórias e divulgações de incidentes devem revelar se os bancos conectam a adoção de IA à concentração cibernética e de terceiros.

Evidências de progresso incluiriam inventários de modelos vinculados a processos de negócio, procedimentos de contingência testados, avaliações específicas por versão e fluxos de correção mais rápidos. Declarações genéricas sobre IA responsável revelariam muito menos.

A aliança entre Anthropic e Google continuará central porque a escala da infraestrutura influencia o ritmo de lançamentos futuros. As relações da Anthropic com AWS e Microsoft também significam que a história não pode ser reduzida a uma única dependência exclusiva de nuvem.

Essa estrutura multinuvem oferece opções aos bancos, mas as opções só ajudam quando as equipes conseguem exercê-las. Um provedor de backup não utilizado não constitui resiliência se as cargas de trabalho não puderem ser movidas com segurança.

O mesmo princípio se aplica à supervisão humana. Exigir aprovação parece tranquilizador, mas falha quando os revisores não têm tempo, contexto ou autoridade. Os bancos precisam testar se as pessoas conseguem interromper fluxos de trabalho automatizados em condições realistas.

Os executivos devem fazer uma pergunta final: sua instituição consegue responder a uma fraqueza descoberta por um modelo mais rápido do que um modelo comparável consegue ajudar a explorá-la?

Essa pergunta conecta cibersegurança, gestão de fornecedores, pessoal, infraestrutura e responsabilização executiva. Ela também confere à história Anthropic Google um significado prático além dos rankings de modelos.

Os bancos não precisam prever qual laboratório de IA liderará no próximo ano. Precisam de sistemas operacionais que permaneçam confiáveis quando capacidade, acesso e relações com fornecedores mudam rapidamente.

O alerta, portanto, não é uma instrução para comprar um modelo. É uma exigência para mapear dependências, validar alegações, acelerar a remediação e praticar a recuperação antes que chegue o próximo salto de capacidade.