Zběsilí AI agenti a DeFi: Hrozba 1,1 miliardy dolarů pro kryptoměnové systémy

Autonomní AI agenti představují v kryptoměnových systémech unikátně nebezpečný útočný povrch, protože kombinují nevratné on-chain transakce, autonomní rozhodování a nepřátelské prostředí — což znamená, že kompromitovaný agent může vyprázdnit peněženky, provést neautorizované obchody nebo se stát obětí sofistikovaných extrakčních útoků dříve, než jakýkoli člověk stihne zareagovat . První polovina roku 2026 zaznamenala rekordních 212 on-chain exploitů v celkové hodnotě přes 1,1 miliardy dolarů, přičemž útoky řízené umělou inteligencí urychlují jak objem, tak sofistikovanost ztrát .

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

Incident	Datum	Ztráty	Podrobnosti
Drift Protocol	12. dubna 2026	~285 mil. USD	Flash úvěr + manipulace s orákulem, optimalizováno AI
KelpDAO	23. dubna 2026	~292 mil. USD	Exploit logiky governance kontraktu; společně s Driftem tyto dva incidenty tvoří 44 % ztrát H1 2026
Odstavení Boltz	3. srpna 2026	Nezveřejněno (ztráty absorbovány)	Neúschovný bitcoinový swap/bridge byl odpojen po měsících automatického testování pomocí AI, které překonalo schopnost malého týmu opravovat chyby
Zranitelnost Orchard poolu	Objeveno červen 2026	Opraveno před zneužitím	Kritická chyba nalezená AI agentem (Claude Opus 4.8); existovala od května 2022
212 on-chain exploitů (H1 2026)	Leden–červen 2026	1,1 mld. USD (Blockaid) / 1,32 mld. USD (CertiK)	Rekordní počet incidentů — 3,4× více než za celý rok 2025

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 .