Claude Mythos encontra falha criptográfica em 60 horas

Em resumo: eu leria esta história como um caso sobre custo, foco e revisão humana, não como prova de que a IA consegue quebrar sozinha a criptografia moderna.

Em 60 horas, com um gasto de $100,000, o Claude Mythos ajudou a encontrar uma falha na geração de nonce relacionada ao HAWK. O problema poderia permitir que um invasor usasse assinaturas públicas para avançar até a recuperação da chave privada com um ataque de reticulado. Ao mesmo tempo, o artigo é cuidadoso em um ponto: o AES com número reduzido de rodadas não é o AES completo.

Se eu tivesse que resumir o artigo em poucas linhas, seria assim:

• Alvo: HAWK e AES com número reduzido de rodadas
• Resultado: um problema confirmado de viés de nonce no HAWK
• Risco: nonces fracos em quantidade suficiente podem transformar assinaturas públicas em um caminho para o roubo de chaves
• Custo: $100,000 em uma iniciativa intensiva no estilo de um fim de semana
• Processo: a IA gerou pistas; humanos as filtraram e verificaram
• Lição: comece com baixo custo, valide cedo e use modelos de primeira linha no fim do fluxo de trabalho

O que mais me chama a atenção é a divisão entre busca e prova. O modelo parece ter ajudado a examinar rapidamente o código e as ideias de ataque, com uma taxa de reprodução de exploit na primeira tentativa de 83.1%, citada no texto. Mas a própria mensagem do artigo é clara: as pessoas ainda precisaram confirmar o que era real.

Para desenvolvedores e equipes de segurança, o conselho do artigo é direto:

• use primeiro modelos menores
• defina limites rígidos de orçamento
• valide antes de aumentar os gastos
• trate a saída do modelo como pistas, não como descobertas definitivas

Essa é a parte que eu guardaria. A principal conclusão não é que a IA encontrou algo novo. É que um fluxo de trabalho com escopo bem definido e verificação humana pode transformar um padrão de ataque conhecido em uma descoberta testada, desde que você esteja disposto a investir tempo e dinheiro.

Como a IA encontra vulnerabilidades em bibliotecas criptográficas

2. Como o Claude Mythos usou o tempo e o dinheiro

A cronologia da investigação de 60 horas

A iniciativa de 60 horas avançou em uma sequência clara: definição do ataque, análise orientada pelo modelo, refinamento e verificação no HAWK e no AES com número reduzido de rodadas. No início, a equipe escolheu objetivos específicos de ataque e definiu o que seria considerado uma descoberta confirmada. Em seguida, o Claude Mythos passou a buscar variantes repetidamente, relacionando padrões conhecidos de vulnerabilidade a possíveis falhas no código criptográfico sem usar ferramentas SAST padrão ^[4].

A etapa intermediária concentrou-se em testar possíveis vulnerabilidades e reduzir falsos positivos. Revisores humanos cuidaram dessa filtragem. O Claude Mythos reproduziu exploits na primeira tentativa em 83.1% dos casos, o que significou menos becos sem saída e menos esforço desperdiçado ^[1].

Na fase final, a equipe verificou os candidatos mais fortes em relação ao código-fonte e às premissas criptográficas de cada alvo. Essas verificações prepararam os cenários de ataque descritos a seguir.

Para onde foram os $100,000

Os $100,000 cobriram execuções repetidas do modelo, orquestração do fluxo de trabalho e revisão humana. Em termos simples, o dinheiro não foi gasto em uma única grande tentativa. Ele serviu para repetir o ciclo várias vezes, até que as pistas fracas fossem eliminadas e as mais fortes se sustentassem.

Modelos menores de pesos abertos também podem ajudar na etapa de verificação. Em alguns casos, eles conseguem recuperar cadeias complexas de exploits por apenas $0.11 por milhão de tokens ^[3].

Como a APIMart se encaixa em fluxos de segurança com vários modelos

A APIMart pode encaminhar a geração de hipóteses, a análise e a verificação por um único endpoint compatível com OpenAI. Isso facilita a passagem da descoberta de candidatos para a verificação sem criar uma transferência confusa entre ferramentas.

3. A falha na prática: o que os invasores poderiam fazer

Cenários de ataque possibilitados pela descoberta

A pista mais forte foi uma falha na geração de nonce que transformava assinaturas públicas em um caminho para recuperar a chave privada. O Claude Mythos encontrou uma geração de nonce enviesada na implementação alvo. Quando os nonces não são uniformes, um invasor pode coletar assinaturas ao longo do tempo e executar ataques do Problema do Número Oculto (HNP) baseados em reticulados para recuperar a chave privada ^[5].

Os alvos mais fáceis são sistemas que expõem muitas assinaturas publicamente. Uma taxa de nonces fora do intervalo de cerca de 6% pode ser suficiente para identificar uma geração fraca e justificar uma tentativa de recuperação de chave usando assinaturas públicas ^[5]. Depois que um invasor obtém a chave privada, ele pode falsificar assinaturas e se passar pelo proprietário da chave ^[5]. É isso que torna o problema prático. As próprias assinaturas públicas se tornam a matéria-prima do ataque.

Impacto medido em comparação com referências de ataques anteriores

A principal mudança aqui é operacional. O modelo transformou uma classe conhecida de ataque em um caminho funcional mais rapidamente do que a triagem manual sozinha. Essa velocidade é importante porque o Claude Mythos reproduziu exploits na primeira tentativa em 83.1% dos casos ^[1].

4. O que isso significa para desenvolvedores, equipes de segurança e operações de IA

Onde a IA mais ajuda na pesquisa criptográfica

A IA não inventou uma nova classe de ataque neste caso. O que ela fez foi acelerar o trabalho pesado: encontrar candidatos prováveis, verificar hipóteses e aplicar padrões conhecidos de ataque a uma base de código com forte foco em segurança.

Essa diferença é importante na prática. A IA pode reduzir o espaço de busca, mas não consegue decidir o que realmente constitui um problema. As pessoas ainda precisam ler o código, testar a afirmação e compará-la com o projeto criptográfico.

Em julho de 2026, o agente de auditoria de IA zkao, da zkSecurity, confirmou sete bugs reais na biblioteca experimental de criptografia CIRCL, da Cloudflare, incluindo uma perda crítica de precisão de float64 em RSA de limiar e uma quebra de controle de acesso em criptografia baseada em atributos — todos posteriormente corrigidos no upstream ^[2]. Em termos simples, esta é a divisão: a IA ajuda as equipes a encontrar mais itens para inspecionar, e os revisores humanos decidem quais realmente se confirmam.

Como planejar uma auditoria semelhante sem desperdiçar orçamento

Um bom fluxo de auditoria é bastante simples:

• Comece com modelos mais baratos para encontrar os caminhos de código certos e sinalizar candidatos óbvios
• Verifique essas descobertas em relação ao código-fonte e às premissas criptográficas
• Passe para um modelo principal somente depois que um candidato sobreviver a essa revisão
• Defina limites de orçamento antes do início do trabalho
• Adicione um ponto de validação antecipado para que a equipe possa continuar, mudar de direção ou parar antes de gastar dinheiro em um beco sem saída

Essa ordem é importante. Um modelo de pesos abertos com 3.6 bilhões de parâmetros pode detectar exploits complexos por apenas $0.11 por milhão de tokens ^[3]. Portanto, a computação cara deve entrar no fim do pipeline, não no começo.

É isso que torna a IA útil em auditorias criptográficas. Não se trata apenas de ganhar velocidade. A principal lição da iniciativa Mythos é o equilíbrio entre velocidade, verificação e custo: os $100,000 e as 60 horas produziram uma descoberta confirmada e verificada por humanos porque o processo correspondeu ao nível de rigor exigido pelo alvo.

5. Conclusão: o custo e o valor de segurança da criptoanálise assistida por IA

O Mythos confirmou uma falha de geração de nonce no HAWK usando subagentes LLM para examinar arquivos em paralelo e inspecionar diretamente o código-fonte. A verificação humana foi o que tornou o resultado confiável. O trabalho da IA reduziu o tempo de busca e revelou um possível problema que os revisores puderam confirmar e medir ^[4]. Isso muda o foco. A principal questão não é tanto a novidade, mas sim o custo.

A questão seguinte é a eficiência: quanto essa busca realmente custou? Nessa escala, a pressão orçamentária é difícil de ignorar, e a resposta depende muito do escopo. Uma configuração sensata é usar modelos menores de pesos abertos na primeira passagem e reservar os modelos principais para as partes que exigem raciocínio mais profundo ^[3].

Para as equipes, a conclusão é prática, não abstrata. Mantenha o escopo restrito, valide cedo e trate a saída da IA como pistas, não como respostas finais. Como disse claramente Daniel Stenberg, do Curl:

A IA apoia a revisão humana, não a substitui

Esse ponto aparece claramente em uma auditoria do Curl. O Mythos sinalizou cinco problemas, mas a revisão manual reduziu a lista a um CVE de baixa gravidade e um bug ^[4].

Perguntas frequentes

Essa falha poderia expor uma chave privada em sistemas reais?

Sim. Se alguém explorar uma falha que concede acesso no nível do kernel, poderá assumir o controle de todo o sistema. Isso pode expor dados confidenciais, incluindo chaves privadas armazenadas nessas máquinas.

A pesquisa mostra que a análise assistida por IA pode encontrar e encadear vulnerabilidades complexas. Em termos simples, isso significa que os invasores podem ter mais facilidade para combinar pequenas falhas em uma violação muito maior, o que aumenta o risco de ataques em escala.

Por que a auditoria custou cerca de $100,000?

O custo aproximado de $100,000 veio do uso intenso de computação especializada, ferramentas avançadas e infraestrutura de testes necessários para executar uma análise profunda de segurança durante 60 horas.

Ele também cobriu o trabalho técnico necessário para identificar, verificar e documentar falhas críticas em sistemas criptográficos complexos e de alto risco.

O que os humanos verificaram que a IA não conseguiu verificar?

As pessoas verificaram as descobertas da IA lendo pessoalmente o código-fonte e revisando cada caso manualmente para identificar erros.

Elas constataram que muitos problemas que a IA havia “confirmado” eram, na verdade, falsos positivos ou bugs comuns, não falhas de segurança. Essa revisão adicional ajudou a garantir que as descobertas de alta gravidade fossem precisas antes de qualquer pessoa tratá-las como válidas.