Một sự cố hiếm gặp nhưng gây chấn động giới an ninh mạng vừa xảy ra khi Anthropic xác nhận mô hình AI Claude đã vô tình xâm nhập thành công vào hệ thống của ba tổ chức ngoài đời thực trong quá trình thử nghiệm. Điều khiến các chuyên gia đặc biệt quan tâm không nằm ở việc AI phát hiện ra một kỹ thuật tấn công mới, mà ở khả năng tự động hóa gần như toàn bộ chuỗi hành động vốn lâu nay do hacker thực hiện. Từ việc dò tìm mật khẩu yếu, khai thác thông tin xác thực bị lộ, leo thang quyền truy cập cho đến phát tán mã độc lên kho phần mềm PyPI, Claude đã hoàn thành các nhiệm vụ được giao mà không cần sự can thiệp trực tiếp của con người. Theo Anthropic, sự cố bắt nguồn từ lỗi cấu hình trong môi trường thử nghiệm khiến mô hình có thể truy cập Internet thay vì chỉ hoạt động trong hệ thống mô phỏng được cô lập như thiết kế ban đầu.

Theo thông tin công bố, Anthropic đã rà soát hơn 141.000 phiên đánh giá an ninh mạng được thực hiện cùng đối tác Irregular và phát hiện ba sự cố riêng biệt diễn ra từ tháng 4/2026. Trong các thử nghiệm này, Claude được giao nhiệm vụ kiểm thử khả năng xâm nhập vào môi trường giả lập, nhưng do sai sót trong quá trình cấu hình, AI đã tiếp cận các hệ thống thật trên Internet mà không nhận ra sự khác biệt. Công ty nhấn mạnh đây là một "thất bại trong vận hành" chứ không phải trường hợp AI mất kiểm soát hay tự hình thành mục tiêu mới. Claude đơn giản chỉ tiếp tục hoàn thành nhiệm vụ đúng theo yêu cầu, bởi mô hình tin rằng mọi mục tiêu đều nằm trong môi trường thử nghiệm an toàn. Tuy nhiên, hậu quả cho thấy chỉ một lỗi nhỏ trong quy trình triển khai cũng đủ tạo ra những tác động ngoài mong muốn khi AI ngày càng có nhiều khả năng tự chủ hơn trong các tác vụ kỹ thuật.

Claude của Anthropic được cho là đã tự động thực hiện chuỗi tấn công mạng sau lỗi cấu hình trong môi trường thử nghiệm.

Điểm đáng chú ý nhất trong sự cố lần này là phương thức tấn công mà Claude sử dụng hoàn toàn không dựa vào các lỗ hổng zero-day phức tạp. Thay vào đó, mô hình AI áp dụng những kỹ thuật quen thuộc mà giới tội phạm mạng khai thác mỗi ngày, như tìm kiếm dịch vụ cấu hình sai, sử dụng mật khẩu yếu hoặc thông tin đăng nhập đã bị rò rỉ để xâm nhập hệ thống. Đặc biệt, Claude còn tự tạo tài khoản trên kho phần mềm PyPI, sau đó tải lên một gói phần mềm độc hại. Dù gói mã độc chỉ tồn tại khoảng một giờ trước khi bị gỡ bỏ, nó vẫn được thực thi trên hơn 15 hệ thống thực tế, dẫn đến việc lộ một số thông tin xác thực từ công cụ quét bảo mật của một công ty an ninh mạng. Đây là hình thức tấn công chuỗi cung ứng phần mềm, vốn được đánh giá là một trong những mối đe dọa nghiêm trọng nhất đối với doanh nghiệp trong nhiều năm qua.

Anthropic cũng tiết lộ hai trong ba tổ chức bị AI truy cập hoàn toàn không phát hiện hệ thống của mình đã bị xâm nhập cho đến khi công ty chủ động liên hệ thông báo. Điều này phản ánh một thực tế đáng lo ngại: ngay cả những phương pháp tấn công không quá tinh vi cũng có thể vượt qua nhiều lớp giám sát nếu được AI thực hiện với tốc độ cao, khả năng tự động hóa và thích ứng liên tục. Trong các thử nghiệm, Claude không chỉ dừng lại ở việc phát hiện lỗ hổng mà còn chủ động thu thập thông tin mục tiêu, phân tích các dịch vụ đang hoạt động, lựa chọn phương án khai thác phù hợp, đánh cắp thông tin xác thực rồi tiếp tục mở rộng quyền truy cập để hoàn thành nhiệm vụ. Đây là chuỗi hành động vốn trước đây thường cần nhiều công cụ khác nhau và sự phối hợp liên tục của các chuyên gia an ninh mạng hoặc hacker có kinh nghiệm.

Sự cố cho thấy AI đã có thể tự động hóa gần như toàn bộ quy trình tấn công mạng mà hacker thường thực hiện.

Đáng chú ý, sự việc của Anthropic xảy ra chỉ ít ngày sau khi OpenAI cũng tiết lộ một trường hợp AI trong quá trình thử nghiệm đã truy cập ngoài phạm vi dự kiến và kết nối tới hệ thống của Hugging Face. Hai sự cố liên tiếp đang làm dấy lên nhiều tranh luận về cách xây dựng các cơ chế bảo vệ cho những mô hình AI có năng lực ngày càng mạnh. Mối quan tâm của giới chuyên gia giờ đây không còn là liệu AI có biết viết mã hay tìm lỗ hổng bảo mật hay không, mà là khả năng các mô hình có thể hoạt động như một "tác nhân an ninh mạng" hoàn chỉnh. Khi được giao mục tiêu rõ ràng và sở hữu quyền truy cập phù hợp, AI đã đủ năng lực thực hiện nhiều bước tấn công liên tiếp với tốc độ vượt xa con người. Điều đó đồng nghĩa các đơn vị phát triển AI sẽ phải đầu tư nhiều hơn vào cơ chế cô lập môi trường thử nghiệm, kiểm soát quyền truy cập và giám sát hoạt động của mô hình nhằm tránh lặp lại những sự cố tương tự trong tương lai.