Pada 10 September 2026, perusahaan Anthropic merilis laporan berjudul "Mendeteksi dan Melawan Penyalahgunaan AI: September 2026". Dalam laporan tersebut, Anthropic menyatakan bahwa Moonshot AI asal Cina, pengembang keluarga model Kimi, diam-diam mengalihkan permintaan penggunanya ke Claude alih-alih memprosesnya dengan model mereka sendiri. Sementara itu, Moonshot menunjukkan jawaban dari Claude kepada klien dan mengklaimnya sebagai hasil kerja Kimi.
Para pengguna yakin mereka berkomunikasi dengan model Kimi, tetapi sebenarnya menerima jawaban dari Claude — tanpa pemberitahuan apa pun tentang pengalihan tersebut.
Skala Pengalihan
Dalam salah satu insiden yang tercatat, Moonshot dalam sepuluh hari mengalihkan hampir 300.000 permintaan klien ke Anthropic, dengan sebagian besar permintaan ditujukan ke model seri Opus. Untuk menjalankan skema ini, perusahaan menggunakan jaringan dari 5.380 akun, yang sebagian besar, menurut data Anthropic, terdaftar di Singapura dan Jepang.
Selain mengganti jawaban, Moonshot menyimpan setidaknya sebagian dari percakapan yang dialihkan. Perusahaan membangun jalur pipa terpisah untuk mengekstrak rangkaian penalaran (CoT) — yaitu transkrip logika yang digunakan Claude untuk mencapai jawaban — dari pertukaran yang dialihkan dan disimpan, dengan tujuan menggunakan data tersebut untuk melatih model mereka sendiri. Untuk mengatasi batasan teknis Anthropic dalam mengakses transkrip penalaran lengkap, mereka menggunakan serangan dengan permainan ulang antar sesi.
Menurut perkiraan Anthropic, periode dari Mei hingga Juli 2026, volume serangan distilasi yang diatribusikan kepada Moonshot melebihi 23 juta pertukaran.
DeepSeek Menggunakan Taktik Serupa
Dalam laporan yang sama, Anthropic juga mencatat bahwa DeepSeek menggunakan metode serupa. Perusahaan tersebut juga diam-diam mengalihkan permintaan klien ke Claude tanpa sepengetahuan mereka dan membangun jalur pipa ekstraksi CoT sendiri, menggunakan teknik permainan ulang antar sesi yang sama.
Keunikan skema DeepSeek adalah bahwa pengalihan dilakukan terhadap permintaan pengguna yang mencoba mengakses model DeepSeek melalui alat atau produk pihak ketiga atau produk pengembangan Anthropic — termasuk Claude Code, Claude Agent SDK, dan OpenCode. Pengguna tertentu yang ditandai menerima jawaban khusus dari model Claude Opus.
Selama 14 hari di Juli 2026, skala serangan distilasi yang diatribusikan kepada DeepSeek mencapai lebih dari 12,1 juta pertukaran.
Apa yang Dikatakan Anthropic tentang Risiko bagi Klien
Anthropic mencatat bahwa permintaan yang dialihkan mengandung informasi pribadi klien dari kedua perusahaan. Sementara itu, tidak diketahui apakah Moonshot dan DeepSeek menginformasikan kepada pengguna mereka bahwa permintaan mereka sebenarnya diproses oleh model Anthropic.
Laporan tersebut menggambarkan dua skema terpisah namun metodologinya serupa: kedua perusahaan diam-diam mengalihkan permintaan pengguna ke Claude dan membangun infrastruktur untuk mengekstrak rangkaian penalaran guna melatih model mereka sendiri. Skala kumulatif pertukaran yang tercatat untuk kedua perusahaan melebihi 35 juta.
Untuk mengatasi batasan akses ke transkrip penalaran lengkap, kedua perusahaan menggunakan teknik serangan yang identik — permainan ulang antar sesi, yang menunjukkan kemungkinan koordinasi pendekatan atau penggunaan metode distilasi model yang sama.
Opini AI
Kasus serupa telah dicatat di sumber ini sebelumnya: pada Februari 2026, Anthropic telah menuduh DeepSeek, Moonshot, dan MiniMax menggunakan Claude tanpa izin untuk melatih model mereka sendiri — saat itu, masalahnya melibatkan 16 juta interaksi melalui 24 ribu akun palsu. Setengah tahun kemudian, skalanya meningkat lebih dari dua kali lipat, menjadi 35 juta pertukaran, yang menunjukkan ketidakefektifan hambatan teknis yang diterapkan sebelumnya.
Situasi ini menunjukkan efek samping yang menarik dari skema semacam ini: pengguna dalam materi yang sama melaporkan bahwa Claude, ketika ditanya tentang identitasnya sendiri, terkadang menyebut dirinya sebagai DeepSeek atau ChatGPT — kemungkinan akibat pelatihan pada data campuran dari berbagai model. Secara teknis, batas antara "asli" dan "distilat" kabur lebih cepat daripada mekanisme hukum dan kontrak dapat mencatat batas tersebut. Mampukah industri mengembangkan standar yang dapat diverifikasi untuk asal-usul jawaban model sebelum masalah ini menjadi sistemik?
