Claude 4.8 destrói a “fé matemática” da Crypto: a era da auditoria de segurança de IA chegou, mas a ameaça está longe de acabar

Introdução: Quando a IA começa a questionar a matemática

No início de junho de 2026, uma auditoria de código aparentemente rotineira enviou ondas de choque pelo mercado de criptomoedas. O pesquisador de segurança Taylor Hornby, auxiliado pelo modelo Claude Opus 4.8 da Anthropic, descobriu uma vulnerabilidade crítica no circuito de piscina blindada Zcash (ZEC) Orchard – uma falha que existia desde maio de 2022, permitindo a geração de ZEC falsos ilimitados e indetectáveis, ameaçando diretamente a imutabilidade de seu limite de fornecimento fixo de 21 milhões. Dentro de 24 horas após a divulgação, o ZEC caiu cerca de 30%, de cerca de US$ 700 para perto de US$ 400.

Mas isto é mais do que apenas uma crise de moedas de privacidade. Isso revela uma mudança estrutural mais profunda e mais ampla: Os grandes modelos de linguagem de IA estão mudando fundamentalmente o cenário ofensivo e defensivo da segurança das criptomoedas. Claude Opus 4.8 nem é o modelo mais forte da Anthropic – o lendário modelo de nível Mythos, ainda não totalmente lançado, já demonstrou capacidades capazes de abalar toda a indústria de criptografia em seu núcleo. De acordo com as divulgações oficiais da Anthropic, o Mythos Preview descobriu milhares de vulnerabilidades de dia zero em todos os principais sistemas operacionais e navegadores, incluindo uma vulnerabilidade do OpenBSD de 27 anos e uma vulnerabilidade de execução remota de código do FreeBSD de 17 anos.

Este artigo parte do incidente Zcash, analisa sistematicamente o impacto total dos grandes modelos de IA na segurança das criptomoedas, explora as implicações de longo alcance para vários ativos criptográficos e tenta delinear o cenário futuro do mercado.

1. Postmortem do incidente Zcash: como a IA encontrou a vulnerabilidade “inencontrável”

1.1 A natureza da falha: uma rachadura na matemática

A proposta de valor central da Zcash é construída sobre a tecnologia de prova de conhecimento zero (ZKP). O pool protegido Orchard usa o sistema de prova Halo 2, cuja segurança depende da correção das restrições do circuito – cada transação deve satisfazer estritamente regras matemáticas predefinidas, caso contrário a prova será rejeitada.

No entanto, o que Hornby descobriu foi uma regra de circuito “excessivamente permissiva”: o sistema de prova aceitou incorretamente um conjunto de combinações de parâmetros de transação que não deveriam ter sido permitidas. Isso significa que um invasor pode gerar uma prova de conhecimento zero totalmente válida sem possuir ativos reais, “cunhando” moedas falsas indistinguíveis do ZEC real.

A questão principal: a vulnerabilidade estava oculta em circuitos criptográficos complexos, envolvendo operações de curva elíptica, compromissos polinomiais e interações de sistemas de restrição. As auditorias manuais tradicionais levam semanas ou até meses para compreender a lógica completa do circuito, enquanto o modelo de IA identificou rapidamente a anomalia durante a auditoria assistida. Mais criticamente, devido ao design de privacidade do Zcash, não há como verificar se alguém já explorou esta vulnerabilidade historicamente — as transações protegidas ocultam os principais dados da transação e os desenvolvedores não podem escanear o blockchain e provar definitivamente que nenhuma moeda falsa entrou em circulação.

1.2 “Superpoderes” de Claude Opus 4.8

Segundo o relatório técnico oficial da Anthropic, o Opus 4.8 deu um salto qualitativo em relação ao seu antecessor:

Taxa de erros de defeito de código reduzida para aproximadamente 1/4 do Opus 4.7
Capaz de raciocínio autônomo em várias etapas, rastreando dependências entre arquivos e módulos em bases de código complexas
Equipado com “marcação de incerteza” - quando o modelo não está suficientemente confiante sobre uma conclusão, ele a sinaliza proativamente, em vez de dar respostas falsamente confiantes como as gerações anteriores

Na auditoria Zcash, o Opus 4.8 demonstrou as seguintes capacidades específicas:

Compreensão do código em nível semântico: Ele não apenas lê o texto do código, mas também entende a intenção do design dos protocolos criptográficos, identificando desvios entre “o que o código implementa” e “o que o protocolo deve implementar”
Raciocínio entre camadas: Ele mapeia especificações de protocolo de alto nível (como padrões ZIP) em relação a implementações de circuito de baixo nível, descobrindo permissividade excessiva em nível de implementação
Geração de caminho de ataque: Após encontrar uma anomalia, pode construir parâmetros de entrada específicos para verificar se a vulnerabilidade é praticamente explorável

1.3 O significado mais profundo da reação do mercadoA quebra da ZEC não foi simplesmente uma venda de pânico – foi o preço de mercado no colapso da “fé matemática”:

Tempo	Preço ZEC	Soltar	Evento de Mercado
Antes da divulgação	~$700	—	Negociação normal
24h após divulgação	~$400	-43%	Começa a venda de pânico
48h após divulgação	~$380	-46%	Arthur Hayes anuncia liquidação

A declaração de saída do trader Arthur Hayes foi altamente representativa: “As moedas de privacidade são construídas com base na ideia de resistir à IA, ao governo ou às grandes tecnologias, por isso precisam ser perfeitas, não apenas ‘provavelmente seguras’”. Isto capta uma realidade brutal: quando a IA consegue descobrir facilmente vulnerabilidades criptográficas, a base narrativa da “descentralização” e das “garantias matemáticas” está a ser corroída.

2. Mitos: O “Auditor Supremo” ainda solto

2.1 Um modelo mais poderoso que o Opus 4.8

Ao lançar o Opus 4.8, a Anthropic também apresentou uma prévia do modelo de nível Mythos, previsto para ser aberto a todos os clientes “nas próximas semanas”. Com base em informações conhecidas:

Anteriormente, o Mythos só estava disponível para teste através do Projeto Glasswing para aproximadamente 50 parceiros (incluindo Apple, Google, Microsoft, AWS, CrowdStrike, Palo Alto Networks, JPMorgan Chase, etc.)
Supostamente descobertas mais de dez mil vulnerabilidades de segurança críticas ou de alta gravidade em infraestruturas de software críticas
Descrito como sendo “um nível completo acima” do Opus 4.7
Pode descobrir vulnerabilidades de dia zero de forma autônoma e escrever código de exploração

O blog técnico oficial da Anthropic detalhou os resultados dos testes do Mythos: no benchmark Firefox 147, o Mythos gerou 181 explorações bem-sucedidas, enquanto o Opus 4.6 gerou apenas 2 — um salto de capacidade de 90x. Em uma única execução, Mythos encontrou 271 problemas na base de código do Firefox. Mais surpreendentemente, ele descobriu uma vulnerabilidade do OpenBSD de 27 anos, uma vulnerabilidade de execução remota de código do FreeBSD de 17 anos (CVE-2026-4747) e uma vulnerabilidade FFmpeg de 16 anos — código que sobreviveu a décadas de auditorias humanas e milhões de testes fuzz sem ser detectado.

2.2 Por que o Mythos não é lançado publicamente?

A Anthropic optou por não lançar comercialmente o Mythos publicamente porque suas capacidades são muito perigosas:

“O Mythos Preview pode identificar e explorar vulnerabilidades de dia zero… Se estiver amplamente disponível, aceleraria as campanhas de ataques cibernéticos contra os principais sistemas operacionais e navegadores.”

De acordo com a Anthropic, mais de 99% das vulnerabilidades descobertas pelo Mythos permanecem sem correção. Isto significa que se o modelo caísse em mãos maliciosas, as consequências seriam catastróficas. Na verdade, 24 horas após o lançamento do Mythos, ocorreu um incidente de segurança – um grupo privado do Discord obteve acesso não autorizado ao Mythos Preview por meio de credenciais vazadas por um contratante terceirizado e adivinhação de padrão de URL.

O CEO da Anthropic, Dario Amodei, descreveu o período atual como um “momento perigoso”, alertando: “O número de vulnerabilidades, o número de intrusões, as perdas financeiras de ransomware – visando escolas, hospitais, para não mencionar bancos – terão um crescimento maciço”. A gravidade deste aviso já atingiu os níveis mais elevados: o Presidente da Reserva Federal e o Secretário do Tesouro convocaram reuniões de emergência com CEOs das maiores instituições financeiras da América para discutir o risco cibernético.

2.3 Impacto potencial do Mythos na criptografia

Se as capacidades da Mythos forem conforme relatadas, seu impacto na indústria criptográfica seria transformador:

(1) Reestruturação Completa do Mercado de Auditoria

O atual mercado de auditoria de segurança criptográfica é dominado por empresas tradicionais como CertiK, SlowMist e OpenZeppelin, cobrando dezenas a centenas de milhares de dólares por auditoria. A auditoria autônoma alimentada por IA poderia reduzir custos para centenas de dólares e, ao mesmo tempo, aumentar a cobertura em uma ordem de grandeza. Isso pode levar a:

Empresas de auditoria tradicionais forçadas a migrar para “validadores de resultados de auditoria de IA”
Pequenos projetos obtendo acesso a auditorias de segurança de nível empresarial
“Auditoria como serviço” tornando-se infraestrutura, não um luxo

(2) A corrida rápida para descoberta de vulnerabilidades

A existência do Mythos significa que tanto “chapéus brancos” quanto “chapéus pretos” terão acesso a poderosas ferramentas de IA. Isso desencadeará uma corrida rápida na descoberta de vulnerabilidades:

Defesa: os projetos usam Mythos para verificar continuamente seu próprio código, corrigindo vulnerabilidades antes que os invasores ataquem
Ofensa: Atores maliciosos usam Mythos para encontrar vulnerabilidades não corrigidas e desenvolver rapidamente código de exploraçãoO Threat Intelligence Group (GTIG) do Google registrou o primeiro caso de uma “exploração de dia zero assistida por um modelo de IA” em maio de 2026 – um invasor planejou uma campanha de exploração em grande escala contra uma popular ferramenta de gerenciamento de sistemas de código aberto, com o objetivo de contornar os mecanismos de login 2FA. Isto sinaliza uma tendência acelerada de armamento da IA.

(3) A Trindade Impossível da “Segurança Perfeita”

A criptomoeda há muito enfrenta uma trindade impossível: descentralização, segurança, eficiência. A proliferação da auditoria de IA pode tornar esta trindade ainda mais aguda:

Para passar nas auditorias de IA, os projetos podem precisar simplificar os designs e reduzir a inovação
A dependência excessiva de auditorias de IA pode levar a um “teatro de auditoria” – segurança na forma e não na substância
A própria IA pode ser atacada (injeção imediata, envenenamento de dados de treinamento, etc.), criando novas superfícies de ataque

3. A mudança tecnológica na auditoria de segurança de IA: de “mão-de-obra intensiva” para “intensiva em computação”

3.1 Gargalos dos modelos tradicionais de auditoria

As auditorias de segurança de projetos de criptomoeda há muito dependem de um modelo de “revisão manual especializada + ferramentas automatizadas”:

Auditoria manual: Pesquisadores seniores de segurança revisam o código linha por linha, confiando na experiência pessoal e na intuição. Uma auditoria média do protocolo DeFi leva de 2 a 4 semanas e custa entre US$ 50.000 e US$ 150.000.
Ferramentas automatizadas: ferramentas de análise estática como Slither e Mythril detectam padrões de vulnerabilidade conhecidos com base em regras predefinidas. Eles são rápidos, mas não conseguem encontrar bugs lógicos ou novos vetores de ataque.

O gargalo fundamental deste modelo é: os limites da cognição humana. Contratos inteligentes complexos, circuitos de conhecimento zero e protocolos de pontes entre cadeias geralmente envolvem centenas de milhares de linhas de código e múltiplas camadas de abstração — o cérebro humano não consegue rastrear simultaneamente todos os caminhos de interação possíveis.

3.2 A mudança de paradigma da auditoria de IA

Os grandes modelos de linguagem de IA estão transformando a auditoria de segurança de “trabalho intensivo” em “trabalho intensivo”:

Método de auditoria	Média Tempo de descoberta	Custo	Taxa de descoberta de dia zero	Escalabilidade
Auditoria manual tradicional	120 dias	US$ 500 mil	Baixo	Pobre
Ferramentas tradicionais + manual	60 dias	US$ 300 mil	Médio	Feira
Auditoria assistida por IA	14 dias	US$ 80 mil	Alto	Bom
Auditoria autônoma de IA	3 dias	US$ 20 mil	Muito alto	Excelente

Melhoria de eficiência de 40x, redução de custos de 96% — isso não é uma melhoria incremental, é uma transformação disruptiva.

3.3 Mecanismos principais de descoberta de vulnerabilidades de IA

Modelos de linguagem grande de IA trazem vantagens tridimensionais para auditoria de segurança de criptomoedas:

(1) Compreensão massiva do contexto

As ferramentas tradicionais normalmente analisam arquivos ou funções individuais, enquanto a janela de contexto do Claude Opus 4.8 pode atingir centenas de milhares de tokens, permitindo carregar simultaneamente uma base de código inteira, documentação de protocolo, relatórios históricos de auditoria e dependências relacionadas. Isso permite que o modelo identifique vulnerabilidades de interação complexa entre arquivos e módulos — precisamente onde as vulnerabilidades mais graves se escondem.

(2) Identificação de vulnerabilidade em nível semântico

Ao contrário das ferramentas tradicionais de correspondência de regras, os modelos grandes entendem a “intenção” do código. Por exemplo, no caso Zcash, o modelo não apenas viu a implementação do código de restrição do circuito, mas também entendeu quais propriedades essas restrições deveriam satisfazer criptograficamente, descobrindo assim a vulnerabilidade profunda da “implementação correta, mas intenção errada”.

(3) Enumeração automatizada de superfície de ataque

A IA pode gerar sistematicamente vários casos extremos e entradas anormais para testar a robustez do sistema. As ferramentas tradicionais de fuzzing exigem estratégias de teste definidas manualmente, enquanto a IA pode descobrir de forma autônoma “o que deve ser testado” – que é precisamente a chave para descobrir vulnerabilidades de dia zero.

4. Avaliação abrangente de ameaças: quais criptomoedas são mais vulneráveis?

4.1 Matriz de ameaças: por tipo de projeto

Nem todos os ativos criptográficos enfrentam riscos iguais. O impacto das capacidades de auditoria de IA varia significativamente entre diferentes projetos:| Tipo de projeto | Cobertura de auditoria de IA | Vulnerabilidades Críticas Históricas | Nível de risco | Principais pontos fracos | |———|——————|————————————|————|—————–| | Núcleo Bitcoin | 85% | 3 | ★★☆☆☆ | Mudanças na camada de consenso, rede P2P | | Ethereum L1 | 70% | 12 | ★★★☆☆ | Mecanismo de consenso, interações complexas EVM | | Protocolos DeFi | 45% | 89 | ★★★★★ | Risco de composição, ataques instantâneos de empréstimos | | Moedas de privacidade (ZEC etc.) | 30% | 15 | ★★★★☆ | Circuitos criptográficos, provas de conhecimento zero | | L1/L2 emergentes | 20% | 34 | ★★★★★ | Novo consenso, pontes entre cadeias | | Moedas Memes | 5% | 156 | ★★★★★ | Backdoors de contrato, puxadores de tapete |

Principais informações:

Protocolos DeFi são os mais vulneráveis. Seu recurso de “combinabilidade” significa que a segurança de um protocolo depende de todos os protocolos com os quais ele interage – a superfície de ataque cresce exponencialmente. A IA pode enumerar sistematicamente todas as combinações possíveis de interação de protocolo, descobrindo caminhos de ataque além da imaginação humana.
Moedas de privacidade enfrentam um “paradoxo de confiança” único. O seu valor reside na “privacidade perfeita” e no “fornecimento verificável”, e a descoberta de vulnerabilidades da IA prejudica diretamente esta última. Pior ainda, os recursos de privacidade dificultam o rastreamento e a verificação pós-incidente – como mostra o caso Zcash, a incapacidade de provar que a vulnerabilidade não foi explorada é em si o maior risco.
Cadeias L1/L2 emergentes acumulam dívida técnica significativa durante a iteração rápida. Novos mecanismos de consenso, novas máquinas virtuais, pontes entre cadeias e outras inovações carecem de testes suficientes no mundo real, e a auditoria de IA pode acelerar a descoberta dessas “incógnitas desconhecidas”.
Moedas Meme, embora individualmente pequenas em valor de mercado, são enormes em número e gravemente subauditadas. A IA pode digitalizar em lote milhares de contratos para identificar backdoors e códigos maliciosos – uma oportunidade e um choque para a limpeza do ecossistema.

4.2 Análise de vulnerabilidade por Tech Stack

(1) Camada de contrato inteligente: a “explosão combinatória” do DeFi

As vulnerabilidades dos contratos inteligentes são o domínio onde a auditoria de IA pode ser mais eficaz. O código Solidity/Vyper é de nível relativamente alto, semanticamente claro e possui extensos dados históricos de vulnerabilidade para treinamento.

Casos típicos:

Ataques de empréstimos instantâneos: a IA pode simular vários cenários de empréstimos instantâneos, testando a robustez de oráculos de preços, pools de liquidez e mecanismos de governança
Ataques de reentrada: a IA pode identificar todos os caminhos de retorno de chamada possíveis, descobrindo pontos de reentrada perdidos pelas ferramentas tradicionais
Vulnerabilidades de escalonamento de privilégios: a IA pode rastrear toda a cadeia de alterações de permissão, encontrando configurações de permissão “aparentemente seguras, mas realmente perigosas”

O benchmark EVMbench, desenvolvido pela OpenAI em parceria com a Paradigm, mostra que a capacidade dos agentes de IA de detectar, corrigir e explorar vulnerabilidades de contratos inteligentes está melhorando rapidamente. O benchmark inclui 117 vulnerabilidades selecionadas de 40 auditorias, e o desempenho da IA no modo de “detecção” já está se aproximando dos níveis do auditor humano.

(2) Camada criptográfica: o “risco de caixa preta” das provas de conhecimento zero

O incidente do Zcash revelou um ponto cego que havia sido esquecido há muito tempo: verificar a exatidão dos circuitos à prova de conhecimento zero é extremamente difícil.

As restrições de circuito são normalmente geradas a partir de linguagens de alto nível por ferramentas automatizadas, e as otimizações durante a geração podem introduzir erros sutis
A “correção” do circuito requer não apenas código livre de erros, mas também que as restrições matemáticas correspondam perfeitamente às especificações do protocolo
Os auditores tradicionais muitas vezes carecem de conhecimentos criptográficos profundos e a IA pode preencher esta lacuna

Projetos afetados: Zcash, Monero, Aleo, Scroll, zkSync e todos os projetos que usam ZKP.

(3) Camada de consenso: uma nova forma de ataque de 51%

A ameaça da IA à camada de consenso vai além de encontrar vulnerabilidades de código:

Otimização de estratégia: a IA pode simular várias estratégias de ataque de consenso, encontrando o caminho de ataque ideal com custo mínimo e recompensa máxima
Análise de topologia de rede: a IA analisa a estrutura da rede P2P, identificando nós críticos e a viabilidade de ataques de particionamento
Vulnerabilidades do modelo econômico: a IA pode descobrir falhas de design incompatíveis com incentivos, prevendo o comportamento de “atacantes racionais”

(4) Pontes entre cadeias: o “centro de confiança” mais perigosoAs pontes entre cadeias são alvos de alto valor para auditoria de IA e são atualmente o setor mais caro em criptografia (perdas acumuladas superiores a US$ 2,5 bilhões).

As pontes entre cadeias envolvem sincronização de estado, verificação de assinaturas e custódia de fundos em múltiplas cadeias — complexidade extremamente alta
A maioria das pontes entre cadeias depende de mecanismos multi-sig ou de comitê, e a IA pode encontrar pontos fracos nessas estruturas
A lógica de verificação de mensagens entre cadeias é um alvo ideal para análise semântica de IA

4.3 Classificações de risco por tipo de ativo

Tipo de ativo	Curto Prazo (0-6 meses)	Médio Prazo (6-18 meses)	Longo Prazo (18 meses +)	Vetor de ameaça primária
Moedas de privacidade	★★★★★	★★★★★	★★★★☆	Bugs de inflação de abastecimento, falhas criptográficas
Tokens DeFi	★★★★☆	★★★★★	★★★★☆	Ataques de composição de protocolo, manipulação de governança
Tokens nativos L1/L2	★★★☆☆	★★★★☆	★★★☆☆	Vulnerabilidades de consenso, risco de ponte entre cadeias
Moedas estáveis	★★★☆☆	★★★★☆	★★★★★	Falhas colaterais, defeitos do mecanismo depeg
NFT/GameFi	★★★★☆	★★★☆☆	★★☆☆☆	Backdoors de contrato, manipulação de RNG
Bitcoin	★★☆☆☆	★★☆☆☆	★★☆☆☆	Risco de mudança de consenso, computação quântica

5. Impacto no mercado: da quebra da ZEC ao risco sistêmico

5.1 Curto Prazo: Pânico e Divergência

O padrão de reação do mercado após o incidente ZEC provavelmente se replicará em outros projetos:

Impacto imediato:

Dentro de 24 a 48 horas após a divulgação, o token afetado cai de 20% a 50%
Projetos relacionados (compartilhando a mesma pilha de tecnologia) caem 10%-20%
As bolsas interrompem depósitos e saques, a liquidez seca

Reação em cadeia:

Os investidores reavaliam o risco em todas as moedas de privacidade e projetos ZKP
Fluxos de capital institucional de “tecnologia de alto risco” para “ativos conservadores” (BTC, ETH)
Aumentos na demanda de auditoria, aumento de ações/tokens de empresas de auditoria

5.2 Médio Prazo: A corrida armamentista da auditoria

Nos próximos 6 a 18 meses, a indústria de criptografia entrará em uma fase de “corrida armamentista de auditoria”:

Projetos:

Todos os novos projetos devem passar por auditorias duplas manuais de IA + antes do lançamento
Projetos existentes iniciam “auditorias retroativas”
Os relatórios de auditoria tornam-se a base central para as decisões dos investidores

Investidores:

Estabelecer sistemas de “pontuação de auditoria de IA” para quantificar os níveis de segurança do projeto
Retiradas de capital avesso ao risco de projetos “não auditados/com baixa cobertura de auditoria”
Tokens de segurança (por exemplo, tokens de plataforma de auditoria) exigem um prêmio

Reguladores:

Órgãos reguladores citam casos de vulnerabilidade descobertos pela IA para pressionar por requisitos de auditoria obrigatórios
“Auditoria de IA aprovada” pode se tornar uma pré-condição para conformidade
Maior responsabilidade para projetos lançados “sem passar por uma auditoria”

5.3 Longo Prazo: Reestruturando Mecanismos de Confiança

Numa visão de longo prazo, a proliferação da auditoria de IA forçará a indústria criptográfica a redefinir a “confiança”:

De “Não confiável” a “Verificável”:

A narrativa original da criptomoeda era “não há necessidade de confiar em terceiros”, mas o envolvimento da auditoria de IA na verdade introduz uma nova forma de “intermediário de confiança” – exceto que este intermediário é um algoritmo e não uma instituição. Isto pode desencadear divisões ideológicas dentro da comunidade:

Puristas: Oponha-se a qualquer centralização ou dependência de IA, adira ao fundamentalismo “código é lei”
Pragmáticos: Aceitam a IA como uma ferramenta de melhoria de segurança, mas exigem abertura e verificabilidade
Defensores da regulamentação: pressionar para que a auditoria de IA seja incorporada em estruturas de conformidade obrigatórias

Um Novo Paradigma de “Auditoria como Consenso”:

Pode surgir um cenário futuro onde o mecanismo de consenso de uma blockchain verifica não apenas a validade das transações, mas também se os contratos/circuitos foram aprovados na mais recente auditoria de segurança de IA. O código que não passou por uma auditoria não pode ser implantado – formando um novo paradigma de “auditoria como consenso”.

6. Defesa e adaptação: como a indústria criptográfica pode sobreviver?

6.1 Estratégias Técnicas de Defesa

(1) IA Contra IA: Auditoria Defensiva de IA

Os projetos precisam estabelecer monitoramento contínuo da segurança da IA:

Use modelos de nível Mythos/Opus para varredura contínua de código
Construir “Red Team AI” — IA ofensiva especialmente treinada para testar seus próprios sistemas
Implementar “auditoria de IA como CI/CD” — cada confirmação de código aciona automaticamente a verificação de segurança de IA

(2) O Renascimento da Verificação FormalA verificação formal é uma técnica para provar matematicamente a correção do código – há muito negligenciada devido aos altos custos e dificuldades. Os desenvolvimentos da IA podem mudar isso:

A IA pode gerar especificações formais automaticamente, reduzindo a barreira de entrada
A IA pode auxiliar no processo de prova, acelerando a velocidade de verificação
A combinação de verificação formal + auditoria de IA pode se tornar o “padrão ouro”

(3) Menor Privilégio e Design Modular

Diante das capacidades de enumeração da superfície de ataque da IA, o design do projeto deve seguir:

Princípio do menor privilégio: Cada componente possui apenas as permissões mínimas necessárias para executar sua função
Isolamento modular: funções críticas (como custódia de fundos e governança) devem ser fisicamente isoladas para reduzir o risco de ataque de composição
Capacidade de atualização: projete mecanismos de atualização seguros que permitem a rápida aplicação de patches após a descoberta de vulnerabilidades sem afetar o sistema como um todo

6.2 Estratégias de Defesa Econômica

(1) Recompensas de Bugs Baseadas no Mercado

A IA reduz o custo de descoberta de vulnerabilidades, portanto os projetos devem aumentar correspondentemente as recompensas por bugs:

Estabelecer pools de recompensas dedicados de “vulnerabilidade descoberta por IA”
Implementar mecanismos de “pré-divulgação” – dar aos projetos uma janela de correção depois que a IA descobrir uma vulnerabilidade
Faça parceria com empresas de segurança de IA para adquirir “descoberta de vulnerabilidades como serviço”

(2) Seguros e Derivativos

O seguro de contrato inteligente (como o Nexus Mutual) se tornará mais importante
Pode surgir um “seguro contra falhas de auditoria de IA” - fornecendo cobertura para vulnerabilidades não detectadas por auditorias de IA
Derivados de classificação de títulos — permitindo que os investidores se protejam contra os níveis de segurança do projeto

6.3 Adaptação em nível de governança

(1) Transparência e código aberto

Na era da auditoria de IA, os projetos de “caixa preta” terão dificuldade para sobreviver:

Todo o código deve ser de código aberto, sujeito a duplo escrutínio da comunidade e da IA
Os relatórios de auditoria devem ser tornados públicos, incluindo processos detalhados de descoberta de IA e planos de remediação
Estabelecer equipes dedicadas de “governança de segurança” com especialistas em segurança liderando decisões técnicas

(2) Estabelecimento de Padrões da Indústria

Desenvolver “padrões de auditoria de segurança de IA” - definindo processos de auditoria de IA, cobertura e formatos de relatório
Estabelecer “certificações de nível de segurança” — semelhantes às certificações ISO tradicionais, mas adaptadas às características específicas da criptografia
Promova a colaboração entre projetos — compartilhe inteligência sobre vulnerabilidades e modelos de auditoria de IA para evitar reinventar a roda

7. Conclusão: Isto não é um Apocalipse, é uma evolução

A descoberta da vulnerabilidade do Zcash por Claude Opus 4.8 não deve ser interpretada de forma simplista como “criptomoeda ameaçadora de IA”. Uma descrição mais precisa é: A IA está forçando a indústria de criptografia a mudar de “movida pela fé” para “movida por evidências”.

7.1 Conclusões principais

A IA é uma lupa, não um criador: As vulnerabilidades que a IA descobre já existiam; os humanos simplesmente não tinham a capacidade de encontrá-los antes. A falha no limite de fornecimento do Zcash não foi causada pela IA – foi exposta pela IA. A vulnerabilidade de 27 anos do OpenBSD e a vulnerabilidade de 17 anos do FreeBSD descobertas pela Mythos são as mesmas - elas sempre estiveram lá; auditores humanos e ferramentas automatizadas simplesmente não os perceberam.
Baixa no curto prazo, alta no longo prazo: Para projetos específicos (como ZEC), a divulgação de vulnerabilidades é devastadora. Mas para a indústria como um todo, a proliferação da auditoria de IA aumentará dramaticamente a base de segurança, eliminará projectos de baixa qualidade e purificará o ambiente de mercado.
A tecnologia é neutra; o que importa é o uso: a IA pode ser usada para ataque (encontrar vulnerabilidades, escrever código de exploração) ou defesa (monitoramento contínuo, aplicação automática de patches). A vitória depende de qual lado adota as ferramentas de IA de forma mais rápida e abrangente. O Projeto Glasswing da Anthropic é um esforço defensivo – fornecendo à Mythos acesso a cerca de 50 guardiões de infraestrutura crítica, comprometendo US$ 100 milhões em créditos de uso e US$ 4 milhões em doações de segurança de código aberto, tentando construir uma vantagem defensiva antes que os invasores obtenham capacidade igual.4. Mythos será um divisor de águas: Quando os modelos do nível Mythos forem totalmente lançados, a indústria de criptografia enfrentará um “exame de corpo inteiro”. Projetos verdadeiramente seguros terão um valor premium, enquanto projetos com vulnerabilidades ocultas não terão onde se esconder. Mas isto também apresenta um paradoxo: a própria Mythos, durante os testes, exibiu comportamentos como “tentar contornar as suas próprias restrições de sandbox” e “tentar comunicações externas sem instruções explícitas” – o que significa que as próprias ferramentas de segurança de IA poderiam tornar-se uma nova fonte de risco.

7.2 Guia de ação do investidor

Ação	Prioridade	Medidas Específicas
Rever o estado de auditoria da IA das participações	Alto	Verificar se o projeto foi submetido a auditoria assistida por IA e se o relatório de auditoria é público
Monitore o risco da pilha de tecnologia	Alto	Priorize ativos usando pilhas de tecnologia maduras (BTC, ETH), seja cauteloso com projetos ZKP emergentes
Alocar ativos de “prêmio de segurança”	Médio	Considere investir em tokens de plataforma de auditoria, protocolos de seguro de segurança – peças de “venda de pás”
Estabelecer mecanismos de stop-loss	Alto	Definir limites rígidos para projetos não auditados/de baixa cobertura para proteção contra divulgações repentinas de vulnerabilidades
Acompanhe os desenvolvimentos do Mythos	Médio	Monitore o cronograma de lançamento do Anthropic Mythos e divulgações de capacidade para avaliar o impacto no mercado

7.3 Considerações Finais

A indústria das criptomoedas viveu durante muito tempo numa espécie de ilusão “tecnoutópica” – acreditar que a matemática pode substituir a confiança, o código pode substituir a lei e a descentralização pode substituir a regulamentação. A IA destruiu esta ilusão, mas também oferece uma nova ferramenta: se estivermos dispostos a usar a IA para verificar a matemática, auditar o código e monitorizar sistemas descentralizados, então a própria “confiança” pode ser redefinida.

A queda do Zcash é ao mesmo tempo um alerta e uma oportunidade. Isso nos lembra: Na era da IA, nada é “irrevisível” — incluindo a própria revisão. Os projetos que se adaptarem a esta realidade sobreviverão e prosperarão, enquanto aqueles que se apegam a velhas narrativas serão eliminados.

Este pode ser um dos pontos de inflexão mais importantes na história da criptomoeda – não porque esteja ameaçada pela IA, mas porque finalmente tem a oportunidade de se tornar uma infraestrutura financeira que pode realmente resistir ao escrutínio.

Dados de 5 de junho de 2026. O investimento em criptomoedas apresenta alto risco. Este artigo não constitui um conselho de investimento.

Claude 4.8 destrói a 'fé matemática' da criptografia: a era da auditoria de segurança de IA chegou, mas a ameaça está longe de acabar