Ex-funcionário da Anthropic: Hackers Black Hat preferem Claude e Codex a modelos de código aberto
2026/07/29 08:00:00
Você sabia que cibercriminosos estão ativamente escolhendo modelos de inteligência artificial de código fechado em vez de alternativas de código aberto, apesar das rigorosas medidas de segurança? Hackers black hat dependem principalmente de modelos proprietários de alta capacidade, como o Claude Code da Anthropic e o Codex da OpenAI, enquanto defensores de segurança white hat são forçados a usar principalmente modelos de código aberto. Segundo insights compartilhados pelo ex-funcionário da Anthropic Noah Lebovic em julho de 2026, modelos de código fechado oferecem capacidades automatizadas de ataque superiores que superam em muito a dificuldade de contornar os filtros de segurança. Atores maliciosos adquirem tokens de assinatura com desconto em mercados cinzentos e rotacionam sistematicamente contas comprometidas quando banidos. Por outro lado, equipes legítimas de teste de penetração enfrentam restrições severas de conformidade e filtragem agressiva de conteúdo em plataformas proprietárias, levando-as a adotar modelos de código aberto como o GLM 5.2. Essa disparidade estrutural cria uma vantagem assimétrica persistente em operações cibernéticas, onde as barreiras defensivas restringem acidentalmente profissionais legítimos de cibersegurança sem conseguir deter agentes de ameaça.
Por que os hackers black hat preferem Claude e Codex em vez de modelos de código aberto?
Hackers black hat preferem modelos de IA proprietários como Claude Code e OpenAI Codex, pois suas capacidades avançadas de raciocínio e geração de código superam significativamente as alternativas de código aberto na execução de ataques cibernéticos complexos. Modelos de código fechado de alto nível oferecem desempenho superior na descoberta de vulnerabilidades zero-day, na escrita de cargas de exploração e na automação de tarefas de penetração em múltiplas etapas.
De acordo com declarações do ex-pesquisador da Anthropic Noah Lebovic destacadas em um relatório de julho de 2026 da Beating, os cibercriminosos priorizam inteligência bruta e confiabilidade na execução em vez de atrito com barreiras de segurança. Modelos de alta capacidade reduzem drasticamente o tempo necessário para desenvolver código de exploração funcional de horas para segundos. A lacuna de desempenho entre os principais sistemas proprietários e modelos de código aberto permanece substancial o suficiente para que agentes maliciosos contornem voluntariamente os filtros de segurança em vez de optar por alternativas de código aberto mais fracas.
Como os atores de ameaça contornam restrições de segurança de código fechado?
Agentes de ameaça contornam controles de segurança de código fechado adquirindo tokens de assinatura com desconto em mercados cinzentos e utilizando técnicas avançadas de jailbreak juntamente com rotação rápida de contas. As restrições de segurança atuam meramente como obstáculos operacionais temporários, e não como barreiras absolutas, para atacantes dedicados.
Quando plataformas proprietárias detectam atividades maliciosas e banem contas infratoras, operadores de black hat imediatamente trocam por credenciais novas compradas em grande quantidade em mercados online ilícitos. Além disso, engenharia avançada de prompts permite que atacantes disfarçem intenções maliciosas—apresentando a geração de explorações como pesquisa educacional, testes defensivos ou depuração de software—enganando assim classificadores de segurança a gerar vetores de ataque funcionais.
Qual papel os mercados cinzentos desempenham no cibercrime impulsionado por IA?
Mercados cinzas clandestinos sustentam ciberataques impulsionados por IA, fornecendo acesso barato e anônimo a tokens de modelos proprietários de alto nível e contas empresariais roubadas. Esses mercados ilícitos reduzem as barreiras financeiras e técnicas para a realização de ciberataques automatizados em grande escala.
De acordo com observações de inteligência cibernética citadas pela Beating em julho de 2026, atores de ameaça frequentemente compram chaves de acesso API e instâncias de assinatura com descontos significativos. Essa infraestrutura de acesso barata permite que hackers executem ferramentas contínuas de varredura e exploração automatizadas impulsionadas por Claude e Codex sem medo de encerramento de conta, pois credenciais de substituição custam uma fração do preço de varejo padrão.
Por que as equipes de segurança White Hat são forçadas a usar modelos de código aberto?
As equipes de segurança white hat confiam principalmente em modelos de IA de código aberto, pois requisitos rigorosos de conformidade, políticas de gestão de riscos corporativos e filtragem agressiva de conteúdo de fornecedores impedem o uso de plataformas proprietárias para trabalho de segurança defensiva. Operações legítimas de cibersegurança frequentemente acionam bloqueios de segurança em ferramentas de IA comerciais ao processar cargas úteis de vulnerabilidades reais, amostras de malware e comandos de penetração.
De acordo com divulgações de Noah Lebovic em julho de 2026, três grandes empresas autorizadas de teste de penetração adotaram totalmente modelos de código aberto, como o GLM 5.2, como seus principais motores operacionais. Como os hackers éticos devem operar dentro de limites legais e organizacionais, eles não podem usar táticas de churn de conta no mercado cinza ou jailbreaking para contornar filtros de conteúdo. Modelos de código aberto oferecem controle operacional total, segurança de implantação local e censura zero de conteúdo, tornando-os a única escolha viável para lidar com auditorias de segurança corporativa sensíveis.
Como os filtros de conteúdo obstaculizam operações legítimas de cibersegurança?
Filtros padrão de moderação de conteúdo em plataformas de IA comerciais interrompem o trabalho de segurança defensiva ao tratar comandos de pesquisa legítima de vulnerabilidades e testes de penetração como atividades maliciosas. As plataformas comerciais aplicam bloqueio automatizado de palavras-chave que recusam processar scripts de exploração do mundo real, shellcode ou análise sistemática de vulnerabilidades.
Quando pesquisadores de white hat tentam analisar vetores de ameaça reais ou escrever patches defensivos usando modelos proprietários, os sistemas frequentemente emitem recusas de segurança. Analistas defensivos não podem permitir interrupções operacionais causadas por suspensões repetidas de contas ou sinalizações falsas de segurança, forçando empresas de segurança a hospedar modelos de código aberto sem censura em infraestrutura privada, onde bloqueios automatizados não existem.
Quais vantagens os modelos de código aberto oferecem às equipes de segurança defensiva?
Modelos de IA de código aberto oferecem às equipes de cibersegurança privacidade total de dados, ajuste personalizável e processamento ilimitado de dados de inteligência de ameaças. A implantação local garante que dados corporativos proprietários e divulgações de ameaças zero-day nunca saiam das redes internas da empresa.
As equipes de segurança podem ajustar modelos de código aberto como o GLM 5.2 especificamente com dados de telemetria proprietários, arquiteturas de código interno e feeds de inteligência de ameaças. Esse controle local garante total conformidade com regulamentações rigorosas de proteção de dados, como GDPR e SOC2, eliminando ao mesmo tempo dependências de APIs de terceiros e riscos de registro externo de fornecedores.
| Critérios Operacionais | Modelos de código fechado (Claude / Codex) | Modelos de código aberto (por exemplo, GLM 5.2) |
| Base de Usuários Principal | Hackers Black Hat, Desenvolvedores Comerciais | Equipes White Hat, Defensores Empresariais |
| Nível de Capacidade | Raciocínio e execução de ponta | Alto, fechando rapidamente a lacuna de desempenho |
| Estratégia de Bypass | Rotação de conta, tokens de mercado paralelo | Innecessário (hospedado localmente e sem censura) |
| Viabilidade de Conformidade | Baixo para análise real de exploração | 100% compatível com a soberania local de dados |
| Atrito Operacional | Altas bandeiras de falso positivo para defensores | Nenhum filtro artificial ou banimento de conta |
Quais são as principais diferenças entre IA de código aberto e IA de código fechado em cibersegurança?
A principal diferença entre IA de código aberto e de código fechado em cibersegurança reside no equilíbrio entre desempenho máximo do modelo e controle operacional. Modelos de código fechado oferecem poder de raciocínio inigualável atrás de paredes de API estritas, enquanto modelos de código aberto fornecem transparência total do código, hospedagem local e adaptabilidade total ao domínio.
De acordo com discussões de segurança publicadas nas redes de desenvolvedores em julho de 2026, esse dinamismo cria uma divisão distinta no cenário da cibersegurança. Atacantes priorizam capacidade bruta e utilizam infraestrutura ilícita para contornar restrições de API, enquanto defensores corporativos priorizam privacidade de dados, disponibilidade contínua e manipulação sem restrições de artefatos de segurança sensíveis.
Como a capacidade do modelo afeta a geração automatizada de explorações?
A capacidade superior do modelo aumenta diretamente a taxa de sucesso e a velocidade da geração automatizada de explorações em ambientes de software complexos. Modelos comerciais de alto nível se destacam no raciocínio em múltiplos passos, permitindo que mapeiem arquiteturas de software intricadas, identifiquem vulnerabilidades de múltiplos vetores e escrevam código de exploração totalmente funcional sem intervenção humana.
Em demonstrações de segurança autorizadas lideradas por Noah Lebovic usando o Claude Opus 4.6, o modelo executou com sucesso uma cadeia de ataque end-to-end que violou uma conta bancária alvo e recuperou registros médicos sensíveis. A profundidade de compreensão contextual necessária para cadeias de exploração de alto nível permanece como a principal razão pela qual atores de ameaça insistem em usar modelos proprietários de elite em vez de alternativas menos capazes.
Por que as barreiras de segurança causam uma vantagem assimétrica para os atacantes?
As barreiras de segurança da IA comercial criam uma assimetria estrutural ao impor ônus restritivos aos defensores conformes, sem conseguir impedir atores maliciosos que operam fora dos quadros legais. As barreiras dependem de mecanismos de verificação de intenção que são facilmente enganosos para classificadores baseados em regras, mas altamente disruptivos para fluxos de trabalho legítimos.
Enquanto pesquisadores de segurança éticos seguem os acordos de usuário e enfrentam a suspensão da conta ao acionar alertas de segurança, atores de ameaças incorporam explicitamente a perda de conta em seus custos operacionais. Essa dinâmica deixa equipes de segurança éticas dependendo de modelos de código aberto menos capazes ou fortemente personalizados, enquanto cibercriminosos aproveitam o máximo do poder de IA proprietária por meio de contas descartáveis.
Como o cenário de ameaças cibernéticas por IA evoluirá à medida que modelos de código aberto alcançarem o progresso?
O cenário de ameaças cibernéticas por IA sofrerá uma escalada dramática em ataques automatizados assim que modelos de código aberto alcançarem desempenho equivalente às principais plataformas de código fechado. Modelos de código aberto, sem censura e altamente capazes, eliminarão a necessidade de contas no mercado cinza, fornecendo a atores maliciosos capacidades ofensivas ilimitadas e não monitoradas em hardware local.
De acordo com análises conjuntas realizadas por pesquisadores de segurança da OpenAI e da Anthropic em julho de 2026, a convergência das capacidades de código aberto com os principais benchmarks de código fechado representa um ponto de inflexão significativo. Uma vez que os pesos de código aberto alcancem desempenho de codificação e raciocínio de ponta, a monitorização centralizada de plataformas não será mais um ponto de controle viável para prevenir a guerra cibernética automatizada.
| Fase de Evolução da Ameaça | Características Defensivas | Capacidades Ofensivas |
| Cenário Atual (2026) | Defensores usam código aberto para privacidade; enfrentam lacunas de capacidade | Atacantes exploram código fechado por meio de tokens de mercado cinza |
| Fase de Paridade | Modelos locais de empresa correspondem à capacidade proprietária | Atacantes executam modelos de fronteira sem censura em equipamentos locais |
| Era Autônoma | Correções automáticas em tempo real de IA defensivas | Exploração contínua e totalmente autônoma de zero-day por IA |
Quais riscos surgem quando modelos de código aberto alcançam capacidades de ponta?
Quando modelos de código aberto alcançarem o nível de raciocínio de ponta, as capacidades cibernéticas ofensivas se tornarão plenamente democratizadas, descentralizadas e impossíveis de desativar remotamente. Qualquer pessoa com hardware computacional suficiente possuirá uma arma cibernética autônoma capaz de descobrir e explorar vulnerabilidades de software em escala.
Controles de plataforma centralizada—como limitação de taxa de API, monitoramento de comportamento e suspensão imediata de conta—não conseguem mitigar riscos decorrentes de pesos de modelo executados localmente. Consequentemente, grupos maliciosos poderão executar campanhas de ameaça contínuas e ininterruptas sem deixar rastros digitais em servidores de IA comerciais.
Como a infraestrutura de cibersegurança pode se adaptar a ataques de IA autônoma?
A infraestrutura de cibersegurança deve se adaptar implantando agentes de IA defensivos autônomos e em tempo real que varrem, identificam e corrigem vulnerabilidades mais rapidamente do que modelos ofensivos conseguem explorá-las. A estratégia defensiva deve mudar da resposta humana reativa a incidentes para mitigação automatizada à velocidade de máquinas.
Como os centros de operações de segurança humanos não conseguem acompanhar os vetores de ataque impulsionados por IA, as organizações estão cada vez mais incorporando modelos de código aberto diretamente em suas cadeias de detecção de ameaças. Ao implantar agentes defensivos especializados localmente, as redes empresariais podem neutralizar instantaneamente explorações de dia zero, reconfigurar firewalls e reescrever código vulnerável em tempo real.
Como negociar tokens de IA e cibersegurança na KuCoin?
Negociar criptomoedas relacionadas à inteligência artificial e cibersegurança na KuCoin oferece exposição à crescente interseção entre computação descentralizada, desenvolvimento de IA e protocolos de segurança automatizados. A KuCoin oferece acesso aos principais ativos digitais que suportam redes de IA descentralizadas, computação segura de dados e ferramentas criptográficas focadas em privacidade.
Para começar a negociar tokens de IA e segurança na KuCoin, siga estas instruções operacionais passo a passo:
-
Crie uma conta: Acesse a plataforma oficial da KuCoin e conclua o processo de registro do usuário usando um endereço de e-mail ou número de telefone válido.
-
Verificação de Identidade Completa: Envie os documentos de identificação necessários para cumprir os requisitos de Know Your Customer (KYC), garantindo funcionalidade total da conta e limites de saque elevados.
-
Deposite Fundos: Transfira criptomoedas com segurança ou depósito moeda fiduciária na sua Conta de Financiamento da KuCoin usando formas de pagamento suportadas, como transferências bancárias ou compras com cartão de crédito.
-
Navegue até a Negociação à Vista: Transfira seus fundos para sua Conta de Negociação, acesse a interface "Negociação à Vista" e busque o par de negociação do seu token de IA desejado (como NEAR/USDT, FET/USDT ou RENDER/USDT).
-
Execute uma negociação: Selecione seu tipo de ordem preferido—como uma Ordem Limite para controle preciso de preço ou uma Ordem de Mercado para execução imediata—insira a quantia da negociação e confirme a transação.
A KuCoin oferece recursos de segurança de nível institucional, ferramentas avançadas de gráficos e alta liquidez em centenas de pares de tecnologias de IA e blockchain, tornando-a uma plataforma premium para gerenciar criptoativos na economia digital em evolução.
Conclusão
A divisão estrutural entre como atacantes black hat e defensores white hat utilizam a inteligência artificial destaca uma vulnerabilidade fundamental nos atuais frameworks de segurança da IA. Modelos comerciais de código fechado, como Claude Code e OpenAI Codex, permanecem a escolha preferida dos cibercriminosos devido às suas capacidades avançadas de raciocínio e geração automática de código. Agentes de ameaça contornam facilmente as barreiras da plataforma utilizando tokens de assinatura do mercado cinza e rotação rápida de contas. Por outro lado, equipes de segurança legítimas são sistematicamente empurradas em direção a modelos de código aberto, como GLM 5.2, para evitar bloqueios de conteúdo por falsos positivos, banimentos de contas e violações de conformidade ao processar dados sensíveis de ameaças.
Como destacado por discussões da indústria e insights de pesquisa de ex-funcionários da Anthropic em julho de 2026, as barreiras de segurança existentes impõem forte atrito operacional aos defensores éticos sem conseguir dissuadir atores maliciosos determinados. Essa assimetria tornar-se-á ainda mais crítica à medida que modelos de código aberto alcançarem paridade com sistemas proprietários, transferindo capacidades ofensivas para ambientes descentralizados e não monitorados. Para acompanhar os vetores de ameaça impulsionados por IA, as arquiteturas de cibersegurança devem migrar para sistemas defensivos autônomos e em tempo real, capazes de neutralizar ataques na velocidade da máquina em toda a infraestrutura digital global.
Perguntas Frequentes (FAQs)
Qual é a principal diferença entre hackers black hat e white hat no uso de IA?
Hackers de chapéu preto priorizam a máxima capacidade do modelo para executar ataques, recorrendo a tokens do mercado cinza para acessar modelos de código fechado como Claude e Codex. Hackers de chapéu branco priorizam conformidade, privacidade de dados e operações sem censura, levando-os a usar modelos de código aberto hospedados localmente, como o GLM 5.2.
Por que as barreiras de segurança de IA comerciais não conseguem impedir hackers maliciosos?
As barreiras de segurança comercial falham porque os atores ameaçadores operam fora dos limites legais, usando engenharia de prompts, jailbreaks e contas de mercado cinza compradas em massa para contornar os filtros de segurança. Quando uma conta é sinalizada e banida, os atacantes simplesmente mudam para um novo conjunto de credenciais.
O que é o GLM 5.2 e por que as equipes de teste de penetração estão adotando-o?
GLM 5.2 é um modelo de linguagem de código aberto de alta capacidade utilizado por equipes de segurança ética como alternativa a ferramentas de IA proprietárias. Equipes de teste de penetração o adotam porque pode ser implantado em servidores privados sem filtros de moderação de conteúdo, permitindo que pesquisadores analisem vulnerabilidades de segurança reais de forma segura e legal.
Como os mercados cinzentos facilitam ataques cibernéticos impulsionados por IA?
Mercados cinzentos facilitam ataques cibernéticos de IA ao vender chaves API roubadas, quebradas ou com desconto em grande quantidade para agentes de ameaças. Essa cadeia de suprimentos de baixo custo permite que hackers executem scripts de exploração automatizados e em grande volume em modelos comerciais de alto nível, sem se preocupar com o custo financeiro de bloqueios de conta.
Os modelos de código aberto eventualmente superarão os modelos de código fechado em capacidades de cibersegurança?
Modelos de código aberto estão fechando rapidamente a lacuna de desempenho com modelos proprietários, tornando capacidades avançadas de codificação e raciocínio amplamente acessíveis. Uma vez que modelos de código aberto alcancem paridade de desempenho, equipes de segurança defensivas e atores de ameaças terão acesso a capacidades de IA de ponta operando inteiramente em infraestrutura local, sem supervisão centralizada.
Aviso legal: Esta página foi traduzida usando tecnologia de IA para sua conveniência. Para informações mais precisas, consulte a versão original em inglês.