Claude recuperou R$ 2 milhões em Bitcoin perdidos há 11 anos
A IA da Anthropic usou raciocínio contextual para cruzar pistas e reconstruir uma senha esquecida. Entenda como isso funciona tecnicamente.
Um usuário conhecido como cprkrn ficou 11 anos sem acessar uma carteira de Bitcoin que guardava quase R$ 2 milhões. Ele lembrava fragmentos da senha, mas não o suficiente para entrar. A solução veio de um lugar inesperado: ele pediu ajuda ao Claude, o modelo de linguagem da Anthropic, e conseguiu recuperar o acesso.
O que aconteceu tecnicamente
O problema era clássico de criptografia: sem a senha exata, não tem força bruta viável em carteiras Bitcoin bem configuradas. O que o Claude fez não foi "adivinhar" a senha no sentido computacional. Ele atuou como um motor de raciocínio contextual.
O usuário forneceu ao Claude tudo que lembrava: fragmentos de texto, hábitos da época, padrões que costumava usar em senhas, datas relevantes, expressões que gostava. O modelo cruzou essas informações, identificou padrões prováveis e sugeriu combinações candidatas em ordem de probabilidade.
Pensa assim: é como dar a um detetive um crachá rasgado, uma foto desfocada e um bilhete de metrô antigo. Um humano comum não chegaria a lugar nenhum. Um LLM (Large Language Model, ou modelo de linguagem de grande escala) treinado em padrões humanos de comportamento consegue inferir conexões que não são óbvias.
Isso é diferente de um ataque de dicionário tradicional. Ferramentas como hashcat ou john the ripper testam combinações em força bruta. O Claude ajudou a reduzir o espaço de busca com raciocínio, antes de qualquer tentativa técnica.
O que isso revela sobre LLMs modernos
Modelos como o Claude (Opus 4.6, Sonnet 4.6) não são apenas "geradores de texto bonito". Eles têm capacidade de raciocínio dedutivo sobre contextos fragmentados, o que os torna úteis em problemas que envolvem:
- Reconstrução de informações parciais
- Inferência de comportamento humano a partir de padrões
- Síntese de múltiplas fontes contraditórias
Esse caso é um exemplo real de agente cognitivo: o modelo age como um parceiro de raciocínio, não apenas como um buscador de respostas prontas.
Impacto para devs
Se você escreve código hoje, esse caso tem implicações diretas:
1. LLMs como camada de inferência
Você pode integrar um LLM numa pipeline para lidar com dados incompletos ou ambíguos, algo que regras tradicionais if/else não resolvem bem. Por exemplo:
# Em vez de regras fixas para inferir intenção do usuário:
resultado = claude.messages.create(
model="claude-sonnet-4-6",
messages=[{
"role": "user",
"content": f"Com base nesses fragmentos: {fragmentos}, qual é a sequência mais provável?"
}]
)
2. Raciocínio como serviço
Casos como esse mostram que vale a pena pensar em LLMs não apenas para gerar texto, mas para resolver problemas de inferência que antes exigiam um especialista humano.
3. Privacidade e cuidado
Atenção: o usuário compartilhou dados pessoais sensíveis com um modelo externo. Em projetos reais, considere rodar modelos locais (como Llama 4 ou DeepSeek R1) quando os dados não podem sair do seu ambiente.
Conclusão
Um homem recuperou quase R$ 2 milhões porque tratou uma IA como parceira de raciocínio, não como um buscador. Isso muda o que você deveria esperar de um LLM no seu stack. A pergunta não é mais "ele gera texto bom?", mas "ele resolve problemas de inferência que eu não consigo codificar em regras?"