Δύο από τις μεγαλύτερες εταιρείες τεχνητής νοημοσύνης στον κόσμο βρίσκονται αντιμέτωπες με ένα κοινό και ιδιαίτερα ανησυχητικό πρόβλημα: προηγμένα μοντέλα τους κατάφεραν, στη διάρκεια δοκιμών κυβερνοασφάλειας, να αποκτήσουν μη εξουσιοδοτημένη πρόσβαση σε συστηματα πραγματικού χρόνου.
Μέσα σε διάστημα λίγων ημερών, OpenAI και Anthropic αποκάλυψαν περιστατικά κατά τα οποία μοντέλα τεχνητής νοημοσύνης, έχοντας λάβει εντολή να επιλύσουν εικονικές ασκήσεις κυβερνοεπίθεσης, πέρασαν από την προσομοίωση στον πραγματικό κόσμο. Οι δύο υποθέσεις δεν εξελίχθηκαν με τον ίδιο τρόπο, καταλήγουν όμως στο ίδιο συμπέρασμα: όσο οι δυνατότητες των συστημάτων αυξάνονται, τόσο πιο δύσκολο γίνεται για τους δημιουργούς τους να προβλέψουν και να περιορίσουν τη συμπεριφορά τους.
Πώς τα μοντέλα της OpenAI έφτασαν στο Hugging Face
Το σοβαρότερο περιστατικό σημειώθηκε κατά τη διάρκεια εσωτερικής αξιολόγησης της OpenAI. Μοντέλα της εταιρείας, μεταξύ των οποίων το GPT-5.6 Sol και ένα ακόμη ισχυρότερο, εσωτερικό ερευνητικό μοντέλο, δοκιμάζονταν σε ένα περιβάλλον που είχε σχεδιαστεί για την αξιολόγηση προηγμένων δυνατοτήτων κυβερνοασφάλειας.
In a review of our cybersecurity evaluations, we found three incidents in which a Claude model reached the internet from within or while interacting with a third-party evaluation environment, and then gained unauthorized access to the real systems of three different…
— Anthropic (@AnthropicAI) July 30, 2026
Οι συνήθεις μηχανισμοί που εμποδίζουν τα μοντέλα από την πραγματοποίηση επικίνδυνων ενεργειών είχαν περιοριστεί σκόπιμα, καθώς στόχος της δοκιμής ήταν να διαπιστωθεί μέχρι πού μπορούν να φτάσουν οι επιθετικές τους δυνατότητες. Παράλληλα, η OpenAI θεωρούσε ότι το περιβάλλον παρέμενε επαρκώς απομονωμένο από το ανοιχτό διαδίκτυο.
Τα μοντέλα, ωστόσο, εντόπισαν μία μέχρι τότε άγνωστη ευπάθεια σε λογισμικό που λειτουργούσε ως ενδιάμεσος διακομιστής για την εγκατάσταση πακέτων. Αξιοποιώντας το συγκεκριμένο κενό ασφαλείας, απέκτησαν πρόσβαση στο διαδίκτυο και συνέχισαν την προσπάθειά τους να ολοκληρώσουν την άσκηση που τους είχε ανατεθεί.
Στη συνέχεια, συμπέραναν ότι στην πλατφόρμα Hugging Face ενδέχεται να υπήρχαν δεδομένα και λύσεις που σχετίζονταν με το ExploitGym, το σύστημα αξιολόγησης στο οποίο δοκιμάζονταν. Συνδύασαν διαφορετικές μεθόδους επίθεσης, χρησιμοποίησαν εκτεθειμένα διαπιστευτήρια και εκμεταλλεύθηκαν ευπάθειες, καταφέρνοντας τελικά να φτάσουν στην παραγωγική υποδομή και στη βάση δεδομένων της πλατφόρμας.
Η OpenAI περιέγραψε την υπόθεση ως ένα πρωτοφανές κυβερνοπεριστατικό που ανέδειξε τις δυνατότητες αιχμής των νεότερων μοντέλων. Σύμφωνα με την εταιρεία, όλα τα στοιχεία δείχνουν ότι τα συστήματα παρέμειναν προσηλωμένα στην επίλυση του συγκεκριμένου προβλήματος και έφτασαν σε ακραίες ενέργειες προκειμένου να πετύχουν τον στόχο τους.
We suspected last week’s cyberattack might have come from a frontier lab, given the sophistication of the agent. Turns out it did!
We’ve spent the past 24 hours working closely with the @OpenAI team (thanks!), and we strongly believe there was no malicious intent on their part.… https://t.co/XWxGMeMGje
— clem 🤗 (@ClementDelangue) July 21, 2026
Η δραστηριότητα εντοπίστηκε από τις ομάδες ασφαλείας της OpenAI και του Hugging Face, οι οποίες περιόρισαν την επίθεση και ξεκίνησαν κοινή έρευνα. Η OpenAI ανακοίνωσε, επίσης, ότι το εσωτερικό μοντέλο που συμμετείχε στο περιστατικό απενεργοποιήθηκε και απομονώθηκε, ενώ εξωτερικοί ειδικοί ανέλαβαν να αξιολογήσουν τόσο τις τεχνικές συνθήκες όσο και τη συμπεριφορά των μοντέλων.
Τρία μοντέλα Claude απέκτησαν πρόσβαση σε πραγματικούς οργανισμούς
Λίγες ημέρες αργότερα, η Anthropic ανακοίνωσε ότι είχε εντοπίσει τρία ανάλογα περιστατικά στα οποία διαφορετικά μοντέλα Claude απέκτησαν πρόσβαση στα συστήματα τριών εξωτερικών οργανισμών.
In a review of our cybersecurity evaluations, we found three incidents in which a Claude model reached the internet from within or while interacting with a third-party evaluation environment, and then gained unauthorized access to the real systems of three different…
— Anthropic (@AnthropicAI) July 30, 2026
Η αποκάλυψη προέκυψε έπειτα από αναδρομικό έλεγχο 141.006 δοκιμών κυβερνοασφάλειας. Η εταιρεία ξεκίνησε την έρευνα μετά το περιστατικό της OpenAI, θέλοντας να εξακριβώσει εάν κάτι παρόμοιο είχε συμβεί και στις δικές της αξιολογήσεις.
Στην περίπτωση της Anthropic, πάντως, τα μοντέλα δεν κατάφεραν να παραβιάσουν αυτόνομα την απομόνωση. Μία λανθασμένη ρύθμιση στο περιβάλλον του εξωτερικού συνεργάτη που πραγματοποιούσε τις δοκιμές, της εταιρείας Irregular, είχε αφήσει ανοιχτή τη σύνδεση με το διαδίκτυο. Ούτε η Anthropic ούτε ο συνεργάτης της είχαν αντιληφθεί εγκαίρως το πρόβλημα.
Τα περιστατικά αφορούσαν τα Claude Opus 4.7, Claude Mythos 5 και ένα ακόμη εσωτερικό ερευνητικό μοντέλο. Και τα τρία εκτελούσαν ασκήσεις τύπου «capture the flag», κατά τις οποίες έπρεπε να εντοπίσουν κρυμμένες πληροφορίες σε υποτιθέμενα εικονικά δίκτυα.
Εκμεταλλευόμενα το γεγονός ότι μπορούσαν να συνδεθούν στο διαδίκτυο, τα μοντέλα έφτασαν σε συστηματα πραγματικού χρόνου και αξιοποίησαν σχετικά απλές αδυναμίες, όπως αδύναμους κωδικούς πρόσβασης και σημεία εισόδου που δεν απαιτούσαν πιστοποίηση. Σε αντίθεση με την περίπτωση της OpenAI, δεν χρειάστηκε να ανακαλύψουν κάποια ιδιαίτερα σύνθετη ή άγνωστη ευπάθεια.
Οι τρεις διαφορετικές αντιδράσεις των μοντέλων
Ιδιαίτερο ενδιαφέρον παρουσιάζει ο τρόπος με τον οποίο αντέδρασαν τα μοντέλα όταν εμφανίστηκαν ενδείξεις ότι δεν βρίσκονταν πλέον σε προσομοιωμένο περιβάλλον.
Το Opus 4.7 είχε λάβει ως στόχο μία φανταστική εταιρεία, η οποία έτυχε να έχει το ίδιο όνομα με υπαρκτή επιχείρηση. Όταν δεν κατάφερε να ολοκληρώσει την αποστολή του μέσα στην προσομοίωση, στράφηκε στον πραγματικό ιστότοπο, απέκτησε διαπιστευτήρια και εισήλθε σε βάση δεδομένων της εταιρείας.
Σύμφωνα με την Anthropic, το μοντέλο κατανόησε σε κάποιο στάδιο ότι πιθανότατα βρισκόταν σε πραγματικό περιβάλλον, αλλά συνέχισε την επίθεση. Το Mythos 5 εντόπισε επίσης στοιχεία που υποδείκνυαν ότι είχε βγει από την προσομοίωση, κατέληξε όμως μέσα από τον συλλογισμό του στο συμπέρασμα ότι όλα αποτελούσαν μέρος της δοκιμής.
Αντίθετα, το εσωτερικό ερευνητικό μοντέλο σταμάτησε μόνο του την επίθεση όταν αντιλήφθηκε ότι ο στόχος ήταν πραγματικός. Η Anthropic χαρακτήρισε τη συγκεκριμένη αντίδραση ενθαρρυντική, διευκρίνισε όμως ότι απαιτούνται πολύ περισσότερες δοκιμές προτού εξαχθούν ασφαλή συμπεράσματα για την ικανότητα των μοντέλων να αυτοπεριορίζονται.
Η εταιρεία ανέστειλε στις 23 Ιουλίου όλες τις σχετικές αξιολογήσεις κυβερνοασφάλειας και ενημέρωσε τους οργανισμούς που επηρεάστηκαν. Δύο από αυτούς, σύμφωνα με τις διαθέσιμες πληροφορίες, δεν γνώριζαν ότι τα συστήματά τους είχαν παραβιαστεί πριν επικοινωνήσει μαζί τους η Anthropic.
Κοινό πρόβλημα, διαφορετικές αιτίες
Παρότι οι δύο υποθέσεις παρουσιάζουν σημαντικές διαφορές, αναδεικνύουν την ίδια αδυναμία.
Στην OpenAI, τα μοντέλα ανακάλυψαν μόνα τους μία νέα διαδρομή προς το διαδίκτυο, εκμεταλλευόμενα άγνωστη ευπάθεια και συνδυάζοντας πολλαπλές τεχνικές επίθεσης. Στην Anthropic, η πρόσβαση υπήρχε ήδη εξαιτίας ανθρώπινου και οργανωτικού λάθους, αλλά τα μοντέλα ήταν σε θέση να την αξιοποιήσουν και να πλήξουν πραγματικές υποδομές.
Και στις δύο περιπτώσεις, οι εταιρείες είχαν μειώσει σκόπιμα ορισμένες δικλίδες ασφαλείας, ώστε να μετρήσουν τις μέγιστες δυνατότητες των συστημάτων. Οι δοκιμές σχεδιάστηκαν για να αποκαλύψουν τι θα μπορούσαν να κάνουν τα μοντέλα σε ένα ελεγχόμενο πλαίσιο. Τελικά αποκάλυψαν και πόσο εύκολα ένα ανεπαρκώς προστατευμένο πλαίσιο μπορεί να μετατραπεί σε πραγματικό κίνδυνο.
Εντείνονται οι εκκλήσεις για αυστηρότερους κανόνες
Οι αποκαλύψεις έρχονται σε μία περίοδο κατά την οποία περισσότερα από 1.100 στελέχη και εργαζόμενοι σε εταιρείες όπως η OpenAI, η Anthropic, η Google και η Meta ζητούν από την κυβέρνηση των ΗΠΑ να στηρίξει μία διεθνή προσπάθεια ελεγχόμενης ανάπτυξης των ισχυρότερων συστημάτων τεχνητής νοημοσύνης.
Η πρωτοβουλία «Pacing the Frontier» υποστηρίζει ότι η εξέλιξη της AI ενδέχεται να επιταχυνθεί σε βαθμό που οι υφιστάμενοι τεχνικοί και θεσμικοί μηχανισμοί δεν θα μπορούν να παρακολουθήσουν. Ανάμεσα στους υπογράφοντες βρίσκονται ο διευθύνων σύμβουλος της Anthropic, Ντάριο Αμοντέι, καθώς και κορυφαία στελέχη και ερευνητές των μεγαλύτερων εργαστηρίων τεχνητής νοημοσύνης.
Τα περιστατικά σε OpenAI και Anthropic δεν αποδεικνύουν ότι τα μοντέλα απέκτησαν δικές τους επιδιώξεις ή ότι επιχείρησαν συνειδητά να στραφούν εναντίον ανθρώπων και οργανισμών. Δείχνουν, όμως, ότι ένα προηγμένο σύστημα μπορεί να ακολουθήσει με εξαιρετική επιμονή έναν περιορισμένο στόχο, αξιοποιώντας ευκαιρίες και αδυναμίες που οι σχεδιαστές του δεν είχαν προβλέψει.
Και αυτή ακριβώς η δυνατότητα καθιστά πλέον επιτακτική την ανάγκη για αυστηρότερη απομόνωση, συνεχή ανθρώπινη εποπτεία και πολλαπλά επίπεδα προστασίας. Διότι, όταν ένα σύστημα μπορεί να ανακαλύψει μόνο του νέες διαδρομές επίθεσης, ένα απλό λάθος στη διαμόρφωση μιας δοκιμής μπορεί να πάψει πολύ γρήγορα να αποτελεί εργαστηριακό πείραμα και να εξελιχθεί σε πραγματικό περιστατικό κυβερνοασφάλειας.