Anthropic viser Claude-angrep på kryptografi

Anthropic har publisert et av de mer lederrelevante AI-sikkerhetsfunnene denne sommeren: Claude Mythos Preview er brukt til å finne forbedrede angrep på kryptografiske algoritmer, og Anthropic lanserer samtidig CryptanalysisBench for å måle hvor langt store språkmodeller faktisk er kommet på kryptanalyse.

Dette er ikke en melding om at bank-ID, TLS eller produksjonskrypto plutselig er knekt. Anthropic er tydelige på at funnene ikke krever endringer i produksjonssystemer nå. Men det er likevel viktig. Kryptografi er et område der fremgang normalt krever smal ekspertise, dyp matematikk og langvarig review. Når en frontiermodell, med stillas og noe menneskelig veiledning, kan bidra til nye angrep og betydelige forbedringer på kjente forskningsproblemer, flyttes risikobildet for både CISO, CIO og styre.

Kjernen i saken er todelt. Først beskriver Anthropic et angrep som svekker HAWK, en post-kvantum digital signaturkandidat. HAWK er ikke bredt deployet i produksjon, men typen funn er relevant fordi post-kvantum-migrering allerede er på veikartet hos store virksomheter, leverandører og myndigheter. Når nye algoritmer skal velges, testes og standardiseres, blir modellassistert kryptanalyse en del av trussel- og kvalitetssikringsbildet.

Deretter viser Anthropic til arbeid på en redusert variant av AES. AES er selve arbeidshesten i symmetrisk kryptering, men forskningen handler om round-reduced AES, altså svekkede forskningsvarianter som brukes for å forstå robustheten i algoritmen. Ifølge Anthropic fant Mythos en forbedring som gjorde tidligere beste angrep 200–800 ganger raskere. Det er ikke det samme som å knekke AES i produksjon. Det er derimot et signal om at modeller nå kan bli reelle forskningsverktøy i domener der små forbedringer kan ha stor langsiktig betydning.

For virksomheter er den praktiske CIO/CISO-lesningen enkel: dette er et varsel om at AI ikke bare automatiserer phishing, kodegenerering og sårbarhetsskanning. Den begynner å treffe grunnlaget under sikkerhetsarkitekturen. Kryptografi, protokoller og identitetsinfrastruktur har hittil vært relativt skjermet fra vanlig automatisering fordi terskelen er høy. Anthropic viser at den terskelen blir lavere når frontiermodeller kobles til riktig eval, verifikasjon og agentstillas.

Det interessante er også økonomien. Anthropic oppgir at hvert hovedresultat kostet omtrent 100 000 dollar i API-kostnad å utvikle. Det er dyrt for hobbyister, men lite i forhold til budsjettene til statlige aktører, store sikkerhetsselskaper, hyperscalere og godt finansierte offensive miljøer. Kostnaden kommer trolig ned. Det betyr at modellassistert kryptanalyse går fra akademisk kuriositet til en kapabilitet ledere må anta vil bli brukt, både defensivt og offensivt.

CryptanalysisBench er derfor kanskje like viktig som selve HAWK- og AES-funnene. Benchmarken samler 191 oppgaver på tvers av seks familier av kryptografiske primitiver, med nivåer fra kjente brudd til vanskeligere utfordringer. Poenget er ikke bare å skryte av Claude. Poenget er å etablere en målestokk for et høyrisikoområde der fremgang må kunne reproduseres, diskuteres og sikkerhetsvurderes. For innkjøpere og sikkerhetsledere er dette en påminnelse om at generelle AI-benchmarks ikke er nok. Evne på matematikk, kode og agentarbeid må vurderes mot konkrete domener med reell konsekvens.

Hva bør norske ledere gjøre med dette nå? Ikke starte en panikkmigrering av krypto. Ikke stoppe post-kvantum-arbeid. Men oppdatere risikoregisteret. Leverandører som leverer IAM, VPN, EDR, PKI, betalingssystemer, meldingskryptering eller sikker utviklingsplattform bør kunne forklare hvordan de følger modellassistert kryptanalyse og hvordan de håndterer nye forskningsfunn. Sikkerhetsteam bør også skille tydelig mellom produksjonsbrudd, forskningsfunn og kandidat-algoritmer, ellers ender man med feilprioritert alarm.

Det defensive potensialet er stort. Modeller kan brukes til å teste egne protokoller, finne svakheter tidligere, oversette kryptografisk forskning til praktiske tiltak og hjelpe team som ikke har egne kryptografer. Men styringen må være moden. Når en modell får verktøy, søk, kodekjøring og tid til å lete etter svakheter, må organisasjonen vite hva som logges, hvem som godkjenner eksperimenter, hvilke systemer som er innenfor scope, og hvordan funn disclosure-håndteres.

Den strategiske konklusjonen: Anthropic har ikke publisert en ny forbrukerfunksjon. De har vist et capability-skift. Frontiermodeller beveger seg fra å forklare sikkerhetsforskning til å delta i den. For CIO og CISO er det en ny terskel i AI-risikostyring: de beste modellene kan bli en del av forsvarsapparatet, men de samme egenskapene kan også gjøre avanserte analyser billigere og mer tilgjengelige for aktører du ikke ønsker å møte først.

Kilder og medier

Primærkilde: Anthropic – https://www.anthropic.com/research/discovering-cryptographic-weaknesses Supplerende forskningspapir: https://arxiv.org/abs/2607.18538 Thumbnail: OpenAI Image 2 / hogby.ai