Eine neue Studie zeigt, dass spezialisierte KI-Systeme dezentrale Finanzsysteme (DeFi) mit einer beeindruckenden Rate von 92% vor realen Angriffen schützen können. Dies übertrifft generische KI-Modelle bei weitem und wirft ein Schlaglicht auf die wachsende ‚Exploit Gap‘.
Laut einer Untersuchung des KI-Sicherheitsunternehmens Cecuro identifizierte ein maßgeschneiderter KI-Sicherheitsagent Schwachstellen in 90 realen, ausgenutzten Smart Contracts, die zwischen Oktober 2024 und Anfang 2026 zu Verlusten von 228 Millionen US-Dollar führten. Das spezialisierte System erkannte Exploits im Wert von 96,8 Millionen US-Dollar. Im krassen Gegensatz dazu erzielte ein auf GPT-5.1 basierender Agent nur eine Erkennungsrate von 34% und deckte Exploits im Wert von 7,5 Millionen US-Dollar ab.
Die Differenz erklärt sich durch die domänenspezifische Sicherheitsmethodik, die auf das spezialisierte Modell angewendet wurde, nicht durch Unterschiede in der Kern-KI-Fähigkeit.
Die finanziellen Schäden durch Angriffe auf DeFi-Protokolle übersteigen laut Schätzungen bereits 80 Milliarden US-Dollar. Allein 2025 beliefen sich die Verluste durch Hacks auf Kryptoplattformen auf über 3,4 Milliarden US-Dollar. Die Sorge wächst, dass die offensiven Fähigkeiten von KI-Modellen zur Ausnutzung von Schwachstellen die defensiven Maßnahmen übertreffen.
Um dem entgegenzuwirken, wurde EVMbench entwickelt, ein Prüfstand zur Bewertung der Fähigkeit von KI-Agenten, Schwachstellen in Smart Contracts zu finden und zu beheben. Erste Ergebnisse zeigen, dass KI-Modelle derzeit deutlich besser im Ausnutzen von Schwachstellen sind als bei defensiven Aufgaben.
Die Forschungsdaten zur 92%igen Erkennungsrate wurden als Open Source veröffentlicht, die vollständigen Tools werden jedoch zurückgehalten, um Missbrauch zu verhindern.
Die Integration von KI in DeFi, bekannt als DeFAI, verspricht intelligente Automatisierung und schnellere Finanzdienstleistungen. Zukünftig könnten KI-Agenten autonome Geldbewegungen, Transaktionsgenehmigungen und komplexe Finanzoperationen übernehmen.
