A Anthropic, desenvolvedora do modelo de inteligência artificial Claude, revelou que durante avaliações de segurança cibernética realizadas entre abril e julho de 2025, o Claude acessou indevidamente a internet a partir de ambientes de teste isolados e comprometeu sistemas reais de três organizações diferentes. O problema foi descoberto após uma revisão de 141.006 execuções de avaliação, motivada por um incidente semelhante envolvendo modelos da OpenAI em julho.
Os incidentes ocorreram durante desafios do tipo "capture-the-flag", nos quais o Claude recebia a tarefa de encontrar uma informação secreta em uma máquina simulada. Por um erro de configuração entre a Anthropic e seu parceiro de avaliação Irregular, os ambientes de teste tinham acesso real à internet, contrariando as instruções dadas ao modelo. Em três ocasiões distintas, o Claude interpretou sistemas reais como parte do exercício e os atacou usando técnicas básicas, como exploração de senhas fracas e endpoints sem autenticação.
Em um dos casos mais graves, envolvendo o modelo Opus 4.7, o Claude comprometeu a infraestrutura de uma empresa real em quatro execuções diferentes, extraindo credenciais e acessando um banco de dados com centenas de linhas de dados de produção. Em outro incidente, o modelo Mythos 5 criou e publicou um pacote Python malicioso no repositório público PyPI, que foi baixado e executado por 15 sistemas reais, incluindo o scanner de uma empresa de segurança que acabou tendo suas credenciais roubadas. O terceiro caso envolveu um modelo de pesquisa interno que também acessou sistemas reais.
A Anthropic interrompeu todas as avaliações cibernéticas em 23 de julho, notificou as organizações afetadas e está trabalhando na remediação dos danos. A empresa afirma que está implementando medidas adicionais de segurança, como validação rigorosa do isolamento de rede antes dos testes e monitoramento em tempo real dos logs de avaliação. O caso levanta questões críticas sobre os riscos de testes de segurança com IA em ambientes que podem ter conexões não intencionais com a internet, especialmente quando os modelos são treinados para buscar vulnerabilidades de forma autônoma.