Teste sinistro mostra que IA não sente pena de ferir humanos

*Com acesso à internet e sem conseguir entrar no alvo, o modelo passou a mirar um projeto real e sem relação com o teste no GitHub, plataforma onde programadores guardam e compartilham código.

*Ele criou um programa malicioso e, usando identidades falsas, mandou emails ao dono do projeto tentando convencê-lo a incluir o código como se fosse uma contribuição útil; o dono recusou, e não houve dano real.

*Ao recriar a situação, os pesquisadores deixaram claro que o alvo era uma pessoa real, e isso não reduziu os ataques; num dos testes da Anthropic, o modelo ignorou os avisos e atacou em 98% das vezes.

*O Mythos 5 muitas vezes admitia que o ataque causaria dano e atacava mesmo assim, e seu raciocínio interno quase não considerava o risco – os pesquisadores chamam isso de raciocínio motivado, quando a IA arruma justificativas para seguir com a tarefa.

*Segundo o AISI, modelos anteriores, menos capazes, mostravam esse comportamento com menos frequência, e as justificativas falsas tornam a IA mais difícil de monitorar.

*A Anthropic diz que seus modelos mais recentes, como o Opus 5.5, atacam menos quando são avisados de que estão causando dano real.