Hlavní rizika autonomních AI agentů pro kryptoměnové systémy

Manipulace s kontextem a promptem

Agent může být oklamán nepřátelským textem vloženým do jeho vstupních kanálů, paměťových modulů nebo externích datových zdrojů. Taxonomie Google DeepMind z roku 2026 („AI Agent Traps") zjistila, že neviditelné injekce HTML obsahu byly úspěšné u 86 % testovaných autonomních agentů . Riziko se posouvá od otázky „Co jsem podepsal?" k otázce „Co můj agent vyvodil a v rámci jakých oprávnění?"

MEV exploitace a amplifikace pomocí flash úvěrů

Autonomní agenti provádějící arbitráž mohou být „sandwichováni" nebo předběhnuti nepřátelskými MEV boty. Útoky využívající flash úvěry vysály v roce 2026 z DeFi protokolů 2,4 miliardy dolarů — to je meziroční nárůst o 340 % — protože boty optimalizované AI zneužívaly arbitrážní cesty .

Autonomní správa klíčů bez lidských branek

Agenti, kteří drží soukromé klíče, analyzují tržní data a samostatně odesílají transakce, vytvářejí zcela novou třídu kontraktního rizika. Protokol může být bezchybně auditován na úrovni Solidity a přesto ztratit finanční prostředky, protože privilegovaný aktér je jazykový model, se kterým lze manipulovat textem .

Objevování zranitelností pomocí AI rychlostí hackerů

Modely AI (např. Anthropic Claude Opus 4.8) umožnily bezpečnostním výzkumníkům i útočníkům objevovat kritické zranitelnosti mnohem rychleji. Shielded Labs našla pomocí AI agenta chybu v poolu Orchard sítě Zcash, která existovala od května 2022 . Severokorejské hackerské skupiny — zodpovědné za 66 % všech ztrát z krypto hacků (643 mil. USD) v H1 2026 — stále častěji využívají AI k automatizaci objevování exploitů .

Útoky na dodavatelský řetězec a frontend

Kritická zranitelnost (CVSS 10.0) v React Server Components (CVE-2025-55182) umožnila útočníkům dosáhnout vzdáleného spuštění kódu na frontendových serverech DApp, které slouží jako proxy pro podepisování místních AI agentů, čímž došlo k zachycení session klíčů .

Reálné incidenty

Projekce ročních ztrát z AI-založených exploitů chytrých kontraktů se při současném trendu pohybují od 10 do 20 miliard dolarů do roku 2027 .

Regulační rámce a technické kontroly

Regulační rámce

• Singapur MAS — V srpnu 2026 potvrdil Monetary Authority of Singapore, že agentická AI spadá pod jeho závazná bankovní pravidla a připravované Guidelines on AI Risk Management (konzultace spuštěna v listopadu 2025). MAS také buduje praktickou infrastrukturu prostřednictvím projektu Project MindForge .

• Americké ministerstvo financí — FS AI RMF — Financial Services AI Risk Management Framework (únor 2026) poskytuje rizikově orientovanou strukturu řízení specificky pro AI v bankovnictví a financích .

• EU AI Act + MiCA — K srpnu 2026 neexistuje jediný finalizovaný návod pro AI agenty v EU. Organizace musí syntetizovat požadavky z EU AI Act a nařízení Markets in Crypto-Assets .

• Singapur IMDA — Model AI Governance Framework pro agentickou AI — Publikováno v srpnu 2026, vyžaduje posouzení rizik předem, technické kontroly napříč životním cyklem agenta a lidský dohled úměrný úrovni autonomie .

• Cloud Security Alliance — Rámec úrovní autonomie a řízení — Pět klíčových principů: autonomie musí být explicitně zdůvodněna, vyšší autonomie vyžaduje silnější kontroly, lidský dohled úměrný riziku, nepřetržité monitorování a jasná odpovědnost .

Doporučené technické kontroly

• Deterministický policy engine pro validaci akcí. Veškerý uživatelský a získaný obsah považujte za nedůvěryhodný. Každou navrhovanou akci agenta validujte proti deterministickému policy enginu — samotná sanitace vstupu nedokáže odstranit nepřátelské instrukce .

• Human-in-the-loop schvalovací branky pro všechny vysoce hodnotné nebo rizikové akce před jejich provedením .

• Oddělení povinností, schvalovací limity a přezkumy přístupů — aplikujte stejné principy finanční kontroly používané pro lidské operátory (např. dvojí autorizace pro velké převody) na AI agenty .

• Filtrování obsahu a monitorování výstupů pro detekci nepřátelských promptů a anomálního chování .

• Úrovňové brány autonomie — agentům by neměla být ve výchozím nastavení udělena maximální autonomie; nižší autonomie s explicitními eskalačními cestami pro vysoce hodnotné akce .

• Auditování specifické pro agenty a vynucování invariantů — nad rámec standardních auditů chytrých kontraktů potřebují agenti runtime monitory, které kontrolují akce proti předdefinovaným invariantům a jističům .

• Kontextově uvědomělá sanitace vstupů a izolace paměti — prevence injekce promptů prostřednictvím externích datových zdrojů nebo paměťových modulů agenta .

• Čtyřvrstvá architektura řízení (navržena v akademickém výzkumu): moduly seberegulace vedle každého modelu, interní model governance, centralizovaný dohled a externí regulatorní reporting .

Hlavní rizika autonomních AI agentů pro kryptoměnové systémy

Manipulace s kontextem a promptem

Agent může být oklamán nepřátelským textem vloženým do jeho vstupních kanálů, paměťových modulů nebo externích datových zdrojů. Taxonomie Google DeepMind z roku 2026 („AI Agent Traps") zjistila, že neviditelné injekce HTML obsahu byly úspěšné u 86 % testovaných autonomních agentů . Riziko se posouvá od otázky „Co jsem podepsal?" k otázce „Co můj agent vyvodil a v rámci jakých oprávnění?"

MEV exploitace a amplifikace pomocí flash úvěrů

Autonomní agenti provádějící arbitráž mohou být „sandwichováni" nebo předběhnuti nepřátelskými MEV boty. Útoky využívající flash úvěry vysály v roce 2026 z DeFi protokolů 2,4 miliardy dolarů — to je meziroční nárůst o 340 % — protože boty optimalizované AI zneužívaly arbitrážní cesty .

Autonomní správa klíčů bez lidských branek

Agenti, kteří drží soukromé klíče, analyzují tržní data a samostatně odesílají transakce, vytvářejí zcela novou třídu kontraktního rizika. Protokol může být bezchybně auditován na úrovni Solidity a přesto ztratit finanční prostředky, protože privilegovaný aktér je jazykový model, se kterým lze manipulovat textem .

Objevování zranitelností pomocí AI rychlostí hackerů

Modely AI (např. Anthropic Claude Opus 4.8) umožnily bezpečnostním výzkumníkům i útočníkům objevovat kritické zranitelnosti mnohem rychleji. Shielded Labs našla pomocí AI agenta chybu v poolu Orchard sítě Zcash, která existovala od května 2022 . Severokorejské hackerské skupiny — zodpovědné za 66 % všech ztrát z krypto hacků (643 mil. USD) v H1 2026 — stále častěji využívají AI k automatizaci objevování exploitů .

Útoky na dodavatelský řetězec a frontend

Kritická zranitelnost (CVSS 10.0) v React Server Components (CVE-2025-55182) umožnila útočníkům dosáhnout vzdáleného spuštění kódu na frontendových serverech DApp, které slouží jako proxy pro podepisování místních AI agentů, čímž došlo k zachycení session klíčů .

Reálné incidenty

Projekce ročních ztrát z AI-založených exploitů chytrých kontraktů se při současném trendu pohybují od 10 do 20 miliard dolarů do roku 2027 .

Regulační rámce a technické kontroly

Regulační rámce

• Singapur MAS — V srpnu 2026 potvrdil Monetary Authority of Singapore, že agentická AI spadá pod jeho závazná bankovní pravidla a připravované Guidelines on AI Risk Management (konzultace spuštěna v listopadu 2025). MAS také buduje praktickou infrastrukturu prostřednictvím projektu Project MindForge .

• Americké ministerstvo financí — FS AI RMF — Financial Services AI Risk Management Framework (únor 2026) poskytuje rizikově orientovanou strukturu řízení specificky pro AI v bankovnictví a financích .

• EU AI Act + MiCA — K srpnu 2026 neexistuje jediný finalizovaný návod pro AI agenty v EU. Organizace musí syntetizovat požadavky z EU AI Act a nařízení Markets in Crypto-Assets .

• Singapur IMDA — Model AI Governance Framework pro agentickou AI — Publikováno v srpnu 2026, vyžaduje posouzení rizik předem, technické kontroly napříč životním cyklem agenta a lidský dohled úměrný úrovni autonomie .

• Cloud Security Alliance — Rámec úrovní autonomie a řízení — Pět klíčových principů: autonomie musí být explicitně zdůvodněna, vyšší autonomie vyžaduje silnější kontroly, lidský dohled úměrný riziku, nepřetržité monitorování a jasná odpovědnost .

Doporučené technické kontroly

• Deterministický policy engine pro validaci akcí. Veškerý uživatelský a získaný obsah považujte za nedůvěryhodný. Každou navrhovanou akci agenta validujte proti deterministickému policy enginu — samotná sanitace vstupu nedokáže odstranit nepřátelské instrukce .

• Human-in-the-loop schvalovací branky pro všechny vysoce hodnotné nebo rizikové akce před jejich provedením .

• Oddělení povinností, schvalovací limity a přezkumy přístupů — aplikujte stejné principy finanční kontroly používané pro lidské operátory (např. dvojí autorizace pro velké převody) na AI agenty .

• Filtrování obsahu a monitorování výstupů pro detekci nepřátelských promptů a anomálního chování .

• Úrovňové brány autonomie — agentům by neměla být ve výchozím nastavení udělena maximální autonomie; nižší autonomie s explicitními eskalačními cestami pro vysoce hodnotné akce .

• Auditování specifické pro agenty a vynucování invariantů — nad rámec standardních auditů chytrých kontraktů potřebují agenti runtime monitory, které kontrolují akce proti předdefinovaným invariantům a jističům .

• Kontextově uvědomělá sanitace vstupů a izolace paměti — prevence injekce promptů prostřednictvím externích datových zdrojů nebo paměťových modulů agenta .

• Čtyřvrstvá architektura řízení (navržena v akademickém výzkumu): moduly seberegulace vedle každého modelu, interní model governance, centralizovaný dohled a externí regulatorní reporting .