Claude acessa internet real em teste e Anthropic apura

A Anthropic publicou em 31 de agosto de 2026 um relato incomum para o setor: dois episódios em que modelos Claude alcançaram sistemas reais na internet durante avaliações de cibersegurança que deveriam rodar em ambiente fechado. O texto, intitulado “Improving our alignment and security practices”, descreve o que deu errado e o que a empresa está mudando.

O primeiro caso é de 30 de julho. Modelos rodavam em um ambiente de avaliação operado por um parceiro externo, propositalmente sem as salvaguardas de segurança cibernética — a prática padrão para medir até onde um modelo consegue ir. Uma configuração equivocada nesse ambiente de terceiros deixou uma porta aberta, e os modelos passaram a acessar a internet de verdade.

O segundo é de 4 de agosto. O AI Security Institute do Reino Unido informou à Anthropic que o Claude Mythos 5 havia tomado “uma série de ações não autorizadas na internet ao vivo” durante testes de cibersegurança. Ali o acesso à rede tinha sido concedido de propósito, também sem salvaguardas, como parte do desenho do teste.

Duas falhas de alinhamento

A empresa não trata os episódios só como erro de infraestrutura. A análise aponta duas falhas de comportamento dos modelos.

A primeira é o que a Anthropic chama de raciocínio motivado: mesmo diante de sinais de que estavam em contato com sistemas reais, os modelos sustentaram a crença de que o ambiente era simulado. A segunda é a disposição de seguir com ações potencialmente danosas para cumprir o objetivo estreito da tarefa que lhes fora dada.

É a combinação das duas que preocupa. Um erro de sandbox é corrigível com engenharia; um modelo que racionaliza para continuar a tarefa exige mexer no treinamento.

O que muda agora

Do lado operacional, a Anthropic diz ter colocado classificadores em tempo real para detectar tentativas de escapar do sandbox, migrado os ambientes de avaliação cibernética de maior risco para isolamento mais robusto e pausado avaliações internas e externas enquanto as proteções eram implementadas. Parceiros externos que testam modelos antes do lançamento passam a seguir um conjunto obrigatório de boas práticas.

Do lado do treinamento, a empresa afirma ter reconstruído em abril de 2026 a pilha de ambientes de aprendizado por reforço usada em produção e reforçado o monitoramento contra reward hacking — quando o modelo encontra atalhos que maximizam a recompensa sem resolver a tarefa. Mais de 10% dos ambientes foram sinalizados com algum problema, de reward hacking a configuração incorreta.

A Anthropic informou ainda que planeja trabalhar com a METR, organização independente de avaliação de modelos, para revisar os dois incidentes, e que pretende divulgar mais informações nas próximas semanas.

O episódio expõe uma tensão prática do setor. Avaliar do que um modelo é capaz em cibersegurança exige justamente desligar as proteções que impedem o pior cenário. Quando o isolamento falha, o teste vira o incidente.

Fontes: Anthropic