Claude 4.8 rasga a “crença matemática” das criptomoedas: a era da auditoria de segurança com IA chegou, mas a ameaça está longe de acabar

Introdução: Quando a IA começa a questionar a matemática

No início de junho de 2026, um evento de auditoria de código aparentemente comum desencadeou uma reação sísmica no mercado de criptomoedas. O pesquisador de segurança Taylor Hornby, com a ajuda do modelo Claude Opus 4.8 da Anthropic, descobriu uma vulnerabilidade crítica no circuito do pool shielded Orchard da Zcash (ZEC) — uma falha que existia desde maio de 2022, permitindo a geração de quantidades ilimitadas de ZEC falsos indetectáveis, ameaçando diretamente a imutabilidade de seu limite fixo de 21 milhões de unidades. Nas 24 horas após a divulgação, o ZEC despencou cerca de 30%, de aproximadamente US $700 para perto de US$ 400.

Mas isso não é apenas uma crise de uma moeda de privacidade. Revela uma mudança estrutural mais profunda e ampla: os grandes modelos de IA estão fundamentalmente transformando o cenário de ataque e defesa da segurança das criptomoedas. O Claude Opus 4.8 nem é o modelo mais forte da Anthropic — o lendário modelo de nível Mythos ainda não foi totalmente lançado, mas já demonstrou capacidade de abalar os alicerces de toda a indústria cripto. Segundo divulgação oficial da Anthropic, o Mythos Preview já descobriu milhares de vulnerabilidades zero-day em todos os principais sistemas operacionais e navegadores, incluindo uma vulnerabilidade no OpenBSD que existia há 27 anos e uma vulnerabilidade de execução remota de código no FreeBSD que existia há 17 anos.

Este artigo parte do evento Zcash para analisar sistematicamente o impacto total dos grandes modelos de IA na segurança das criptomoedas, explorar as profundas implicações dessa mudança tecnológica para vários tipos de ativos cripto e tentar delinear o futuro cenário do mercado.

1. Revisão do caso Zcash: como a IA descobriu uma vulnerabilidade “indescobrível”

1.1 A natureza da vulnerabilidade: a fenda na prova matemática

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

No entanto, Hornby descobriu uma regra de circuito “excessivamente permissiva”: o sistema de prova aceitava erroneamente um conjunto de parâmetros de transação que não deveriam ser permitidos. Isso significa que um atacante poderia gerar provas de conhecimento zero totalmente válidas sem possuir ativos reais, “cunhando” moedas falsas indistinguíveis do ZEC real.

O problema crucial é: essa vulnerabilidade estava escondida nas profundezas de circuitos criptográficos complexos, envolvendo a interação de operações de curvas elípticas, compromissos polinomiais e sistemas de restrições. A auditoria humana tradicional levaria semanas ou até meses para entender toda a lógica do circuito, enquanto o modelo de IA localizou rapidamente a anomalia durante a auditoria assistida. Mais grave ainda: devido ao design de privacidade da Zcash, é impossível verificar se alguém já explorou essa vulnerabilidade no passado — transações shielded ocultam dados cruciais de transação, e os desenvolvedores não podem escanear a blockchain e provar de forma conclusiva que nenhuma moeda falsa entrou em circulação.

1.2 Os “superpoderes” do Claude Opus 4.8

De acordo com o relatório técnico oficial da Anthropic, o Opus 4.8 alcançou um salto qualitativo em relação à geração anterior:

Taxa de omissão de defeitos de código reduzida para cerca de 1/4 da do Opus 4.7
Capaz de raciocínio autônomo em múltiplas etapas, rastreando dependências entre arquivos e módulos em bases de código complexas
Capacidade de “marcação de incerteza” — quando o modelo não está suficientemente confiante sobre uma conclusão, ele sinaliza ativamente, em vez de dar respostas falsamente confiantes como as gerações anteriores

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

Compreensão semântica de código: não apenas lê o texto do código, mas também entende a intenção do design do protocolo criptográfico, identificando desvios entre “o que o código implementa” e “o que o protocolo deveria implementar”
Raciocínio entre camadas: confronta especificações de protocolo de alto nível (como os padrões ZIP) com a implementação do circuito de baixo nível, descobrindo permissividade excessiva no nível de implementação
Geração de caminhos de ataque: após encontrar uma anomalia, consegue construir parâmetros de entrada específicos para verificar se a vulnerabilidade pode ser efetivamente explorada

1.3 O significado profundo da reação do mercado

A queda vertiginosa do ZEC não foi simplesmente um pânico de vendas, mas a precificação do colapso da “crença matemática” pelo mercado:

Momento	Preço ZEC	Queda	Evento de mercado
Antes da divulgação	~US$ 700	—	Negociação normal
24h após divulgação	~US$ 400	-43%	Início do pânico de vendas
48h após divulgação	~US$ 380	-46%	Arthur Hayes anuncia liquidação

A declaração de saída do conhecido trader Arthur Hayes é emblemática: “Moedas de privacidade são construídas sobre a ideia de resistir a IA, governos ou grandes corporações, portanto precisam ser perfeitas, não apenas ‘provavelmente seguras’.” Essa frase revela uma realidade cruel — quando a IA pode descobrir facilmente vulnerabilidades criptográficas, a base narrativa de “descentralização” e “garantia matemática” está sendo corroída.

2. Mythos: o “auditor definitivo” ainda não solto

2.1 Uma existência ainda mais forte que o Opus 4.8

A Anthropic, ao lançar o Opus 4.8, anunciou que o modelo de nível Mythos estaria disponível para todos os clientes “nas próximas semanas”. De acordo com informações conhecidas:

O Mythos estava anteriormente disponível apenas através do Project Glasswing para cerca de 50 parceiros (incluindo Apple, Google, Microsoft, AWS, CrowdStrike, Palo Alto Networks, JPMorgan Chase, entre outros)
Supostamente já descobriu mais de dez mil vulnerabilidades de segurança de alto ou crítico nível em infraestruturas de software críticas
Descrito como “um nível completo acima” do Opus 4.7
Capaz de descobrir vulnerabilidades zero-day e escrever código de exploração de forma autônoma

O blog técnico oficial da Anthropic detalhou os resultados dos testes do Mythos: no benchmark do Firefox 147, o Mythos gerou 181 explorações efetivas, enquanto o Opus 4.6 gerou apenas 2 — um salto de capacidade de 90 vezes. Em uma única execução, o Mythos encontrou 271 problemas na base de código do Firefox. Ainda mais impressionante: descobriu uma vulnerabilidade no OpenBSD que existia há 27 anos, uma vulnerabilidade de execução remota de código no FreeBSD (CVE-2026-4747) que existia há 17 anos, e uma vulnerabilidade no FFmpeg que existia há 16 anos — códigos que passaram por décadas de auditoria humana e milhões de testes de fuzzing sem serem descobertos.

2.2 Por que o Mythos não foi lançado publicamente?

A Anthropic optou por não comercializar o Mythos publicamente devido à sua capacidade excessivamente perigosa:

“O Mythos Preview é capaz de identificar e explorar vulnerabilidades zero-day… se amplamente disponível, aceleraria atividades de ataque cibernético contra sistemas operacionais e navegadores mainstream.”

Segundo a Anthropic, mais de 99% das vulnerabilidades descobertas pelo Mythos ainda não foram corrigidas. Isso significa que se o modelo caísse em mãos mal-intencionadas, as consequências seriam catastróficas. De fato, nas 24 horas após o lançamento do Mythos, ocorreu um incidente de segurança — um grupo privado do Discord obteve acesso não autorizado ao Mythos Preview através de credenciais vazadas por um contratante terceirizado e pela adivinhação de padrões de URL.

O CEO da Anthropic, Dario Amodei, chamou o período atual de “momento perigoso”, alertando: “O número de vulnerabilidades, invasões e perdas financeiras causadas por ransomware — contra escolas, hospitais, sem mencionar bancos — sofrerá um crescimento enorme.” A gravidade desse aviso já atraiu atenção ao mais alto nível: o presidente do Federal Reserve e o Secretário do Tesouro convocaram CEOs das maiores instituições financeiras dos EUA para uma reunião de emergência sobre riscos cibernéticos.

2.3 O impacto potencial do Mythos nas criptomoedas

Se as capacidades do Mythos são realmente como relatado, seu impacto na indústria cripto será disruptivo:

(1) A reestruturação completa do mercado de auditoria

O mercado atual de auditoria de segurança cripto é dominado por empresas tradicionais como CertiK, SlowMist, OpenZeppelin, com custos de dezenas a centenas de milhares de dólares por auditoria. A auditoria autônoma por IA pode reduzir o custo para centenas de dólares, aumentando a cobertura em uma ordem de magnitude. Isso pode levar a:

Empresas de auditoria tradicionais forçadas a se transformar em “verificadores de resultados de auditoria de IA”
Projetos pequenos também conseguindo auditoria de segurança de nível empresarial
“Auditoria como serviço” tornando-se infraestrutura, não um luxo

(2) A corrida de velocidade na descoberta de vulnerabilidades

A disponibilidade pública do Mythos significa que tanto “white hats” quanto “black hats” terão acesso a ferramentas de IA poderosas. Isso desencadeará uma corrida de velocidade na descoberta de vulnerabilidades:

Defensores: projetos usam Mythos para escanear continuamente seu próprio código, corrigindo vulnerabilidades antes dos atacantes
Atacantes: agentes mal-intencionados usam Mythos para encontrar vulnerabilidades não corrigidas, desenvolvendo código de exploração rapidamente

A equipe de inteligência de ameaças do Google (GTIG) já registrou em maio de 2026 o primeiro caso de exploração de zero-day “auxiliada por modelo de IA” — um atacante planejava uma exploração em massa contra uma ferramenta popular de administração de sistemas open source, com o objetivo de contornar mecanismos de login 2FA. Isso sinaliza que a tendência de weaponização da IA está acelerando.

(3) O triângulo impossível da “segurança perfeita”

As criptomoedas enfrentam há muito tempo um triângulo impossível: descentralização, segurança e eficiência. A popularização da auditoria por IA pode tornar esse triângulo ainda mais agudo:

Para passar na auditoria de IA, projetos podem precisar simplificar o design e reduzir a inovação
A dependência excessiva da auditoria de IA pode levar a “teatro de auditoria” — segurança formal em vez de segurança substancial
A própria IA também pode ser atacada (injeção de prompt, envenenamento de dados de treinamento, etc.), criando novas superfícies de ataque

3. A transformação tecnológica da auditoria de segurança com IA: de “intensiva em mão de obra” para “intensiva em poder computacional”

3.1 Os gargalos do modelo tradicional de auditoria

A auditoria de segurança de projetos de criptomoedas tem dependido há muito tempo do modelo de “revisão manual especializada + ferramentas automatizadas auxiliares”:

Auditoria manual: pesquisadores seniores de segurança revisam o código linha por linha, dependendo de experiência e intuição pessoais. Uma auditoria de protocolo DeFi de médio porte geralmente leva de 2 a 4 semanas, custando de US$ 50 a 150 mil.
Ferramentas automatizadas: ferramentas de análise estática como Slither e Mythril detectam padrões conhecidos de vulnerabilidades com base em regras predefinidas. A vantagem é a velocidade, a desvantagem é a incapacidade de encontrar vulnerabilidades lógicas e novos vetores de ataque.

O gargalo fundamental desse modelo é: as limitações da cognição humana. Contratos inteligentes complexos, circuitos de conhecimento zero e protocolos de pontes cross-chain frequentemente envolvem centenas de milhares de linhas de código e múltiplos níveis de abstração, tornando difícil para o cérebro humano rastrear simultaneamente todos os possíveis caminhos de interação.

3.2 A mudança de paradigma da auditoria com IA

Os grandes modelos de IA estão transformando a auditoria de segurança de “intensiva em mão de obra” para “intensiva em poder computacional”:

Método de auditoria	Tempo médio de descoberta	Custo	Taxa de descoberta de zero-day	Escalabilidade
Auditoria manual tradicional	120 dias	US$ 500k	Baixa	Ruim
Ferramentas tradicionais + manual	60 dias	US$ 300k	Média	Média
Auditoria assistida por IA	14 dias	US$ 80k	Alta	Boa
Auditoria autônoma por IA	3 dias	US$ 20k	Muito alta	Ótima

Aumento de eficiência de 40x, redução de custo de 96% — não é uma melhoria incremental, é uma mudança disruptiva.

3.3 O mecanismo central da descoberta de vulnerabilidades por IA

As vantagens dos grandes modelos de IA na auditoria de segurança de criptomoedas vêm de três dimensões:

(1) Compreensão de contexto em escala massiva

Ferramentas tradicionais geralmente analisam arquivos ou funções individuais, enquanto o Claude Opus 4.8 tem uma janela de contexto de centenas de milhares de tokens, capaz de carregar simultaneamente toda a base de código, documentação do protocolo, relatórios históricos de auditoria e dependências relacionadas. Isso permite que o modelo identifique vulnerabilidades de interação complexa entre arquivos e módulos — exatamente onde a maioria das vulnerabilidades graves se esconde.

(2) Identificação semântica de vulnerabilidades

Diferente das ferramentas tradicionais baseadas em correspondência de regras, os grandes modelos entendem a “intenção” do código. Por exemplo, no caso da Zcash, o modelo não apenas viu a implementação do código das restrições do circuito, mas também entendeu as propriedades que essas restrições deveriam satisfazer criptograficamente, descobrindo assim vulnerabilidades profundas de “implementação correta mas intenção errada”.

(3) Enumeração automática de superfície de ataque

A IA pode gerar sistematicamente várias condições de contorno e entradas anômalas para testar a robustez do sistema. Ferramentas tradicionais de fuzzing exigem que humanos definam estratégias de teste, enquanto a IA consegue descobrir autonomamente “o que deveria ser testado” — e esta é exatamente a chave para descobrir vulnerabilidades zero-day.

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

4.1 Matriz de ameaças: por tipo de projeto

Nem todos os ativos cripto enfrentam o mesmo risco. O impacto da disseminação da auditoria por IA varia significativamente entre diferentes projetos:

Tipo de projeto	Cobertura de auditoria IA	Vulnerabilidades graves históricas	Nível de risco	Ponto vulnerável central
Bitcoin Core	85%	3	★★☆☆☆	Mudanças na camada de consenso, rede P2P
Ethereum L1	70%	12	★★★☆☆	Mecanismo de consenso, interações EVM complexas
Protocolos DeFi	45%	89	★★★★★	Risco de componibilidade, ataques de flash loan
Moedas de privacidade (ZEC etc.)	30%	15	★★★★☆	Circuitos criptográficos, provas de conhecimento zero
Novas L1/L2	20%	34	★★★★★	Novos mecanismos de consenso, pontes cross-chain
Meme coins	5%	156	★★★★★	Backdoors em contratos, rug pulls

Insights-chave:

Protocolos DeFi são o elo mais vulnerável. Sua característica de “componibilidade” significa que a segurança de um protocolo depende da segurança de todos os protocolos com os quais interage, com a superfície de ataque crescendo exponencialmente. A IA pode enumerar sistematicamente todas as combinações possíveis de interação entre protocolos, descobrindo caminhos de ataque que a mente humana dificilmente imagina.
Moedas de privacidade enfrentam um “paradoxo de confiança” único. Seu valor é construído sobre “privacidade perfeita” e “oferta verificável”, e a descoberta de vulnerabilidades pela IA abala diretamente o segundo pilar. Pior ainda, as características de privacidade tornam o rastreamento e a verificação posteriores difíceis — como demonstrado no caso Zcash, não poder provar que a vulnerabilidade não foi explorada é em si o maior risco.
Novas L1/L2 acumulam grande dívida técnica em iterações rápidas. Novos mecanismos de consenso, novas máquinas virtuais, pontes cross-chain e outras áreas inovadoras carecem de testes práticos suficientes, e a auditoria por IA pode acelerar a descoberta desses “desconhecidos desconhecidos”.
Meme coins, embora individualmente pequenas, são numerosas e gravemente carentes de auditoria. A IA pode escanear milhares de contratos em lote, identificando backdoors e código malicioso — o que é tanto uma oportunidade quanto um choque para a purificação de todo o ecossistema.

4.2 Análise de vulnerabilidade por stack tecnológico

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

Vulnerabilidades em contratos inteligentes são a área onde a auditoria por IA é mais eficaz. O código Solidity/Vyper é relativamente de alto nível, semanticamente claro, e existem muitos dados históricos de vulnerabilidades para treinamento.

Casos típicos:

Ataques de flash loan: a IA pode simular vários cenários de flash loan, testando a robustez de oráculos de preço, pools de liquidez e mecanismos de governança
Ataques de reentrância: a IA consegue identificar todos os possíveis caminhos de callback, descobrindo pontos de reentrância omitidos por ferramentas tradicionais
Vulnerabilidades de escalonamento de privilégios: a IA pode rastrear toda a cadeia de mudanças de permissão, encontrando configurações “aparentemente seguras mas na verdade perigosas”

O benchmark EVMbench, lançado pela OpenAI em parceria com a Paradigm, mostra que a capacidade de agentes de IA em detectar, corrigir e explorar vulnerabilidades em contratos inteligentes está melhorando rapidamente. O benchmark inclui 117 vulnerabilidades selecionadas de 40 auditorias, e a IA no modo “detecção” já se aproxima do nível de auditores humanos.

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

O caso Zcash revelou um ponto cego há muito negligenciado: a verificação da correção de circuitos de prova de conhecimento zero é extremamente difícil.

Restrições de circuito são geralmente geradas por ferramentas automatizadas a partir de linguagens de alto nível, e as otimizações durante a geração podem introduzir erros sutis
A “correção” do circuito não exige apenas código sem bugs, mas também que as restrições matemáticas estejam completamente alinhadas com a especificação do protocolo
Auditores tradicionais frequentemente carecem de formação profunda em criptografia, e a IA pode preencher essa lacuna

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

(3) Camada de consenso: novas formas de ataque de 51%

A ameaça da IA à camada de consenso não se limita a descobrir vulnerabilidades de código, mas também inclui:

Otimização de estratégia: a IA pode simular várias estratégias de ataque ao consenso, encontrando o caminho de ataque de menor custo e maior benefício
Análise de topologia de rede: a IA analisa a estrutura da rede P2P, identificando nós críticos e a viabilidade de ataques de partição
Vulnerabilidades de modelo econômico: a IA pode descobrir defeitos de design de incentivos incompatíveis, prevendo o comportamento de “atacantes racionais”

(4) Pontes cross-chain: o “hub de confiança” mais perigoso

Pontes cross-chain são alvos de alto valor para auditoria por IA e também o elo com as maiores perdas no espaço cripto (mais de US$ 2,5 bilhões roubados acumulados).

Pontes cross-chain envolvem sincronização de estado entre múltiplas chains, verificação de assinaturas e custódia de fundos, com complexidade extremamente alta
A maioria das pontes cross-chain depende de multisig ou mecanismos de comitê, e a IA pode identificar pontos fracos nesses mecanismos
A lógica de verificação de mensagens cross-chain é um alvo ideal para análise semântica de IA

4.3 Classificação de risco por tipo de ativo

Tipo de ativo	Risco curto prazo (0-6m)	Risco médio prazo (6-18m)	Risco longo prazo (18m+)	Principais vetores de ameaça
Moedas de privacidade	★★★★★	★★★★★	★★★★☆	Vulnerabilidade de inflação de oferta, defeitos criptográficos
Tokens DeFi	★★★★☆	★★★★★	★★★★☆	Ataques de composição de protocolo, manipulação de governança
Tokens nativos L1/L2	★★★☆☆	★★★★☆	★★★☆☆	Vulnerabilidades de consenso, risco de pontes cross-chain
Stablecoins	★★★☆☆	★★★★☆	★★★★★	Vulnerabilidade de colateral, defeito em mecanismo de desancoragem
NFT/GameFi	★★★★☆	★★★☆☆	★★☆☆☆	Backdoor em contratos, manipulação de aleatoriedade
Bitcoin	★★☆☆☆	★★☆☆☆	★★☆☆☆	Risco de mudança de consenso, computação quântica

5. Impacto no mercado: da queda do ZEC ao risco sistêmico

5.1 Curto prazo: pânico e divergência

O padrão de reação do mercado após o evento ZEC provavelmente se repetirá em outros projetos:

Impacto imediato:

Nas 24-48 horas após a divulgação da vulnerabilidade, o preço do token correspondente despenca 20%-50%
Projetos relacionados (usando o mesmo stack tecnológico) caem 10%-20%
Exchanges suspendem depósitos e retiradas, liquidez seca

Reações em cadeia:

Investidores reavaliam o risco de todas as moedas de privacidade e projetos ZKP
Capital institucional migra de “tecnologia de alto risco” para “ativos conservadores” (BTC, ETH)
Demanda por auditoria dispara, ações/tokens de empresas de auditoria sobem

5.2 Médio prazo: corrida armamentista de auditoria

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

Projetos:

Todos os novos projetos devem passar por auditoria dupla (IA + humana) para serem lançados
Projetos existentes iniciam “auditoria retroativa”
Relatórios de auditoria tornam-se a base central para decisões de investidores

Investidores:

Estabelecimento de sistema de “pontuação de auditoria por IA” para quantificar o nível de segurança do projeto
Fuga de capital de projetos “não auditados / com baixa cobertura de auditoria”
Tokens de segurança (como tokens de plataformas de auditoria) obtêm prêmio

Reguladores:

Órgãos reguladores citam casos de vulnerabilidades descobertas por IA para promover requisitos obrigatórios de auditoria
“Aprovação em auditoria de IA” pode se tornar pré-condição para conformidade
Maior responsabilização de projetos lançados “sem passar por auditoria”

5.3 Longo prazo: reconstrução do mecanismo de confiança

Numa perspectiva de longo prazo, a popularização da auditoria por IA forçará a indústria cripto a redefinir “confiança”:

De “sem confiança” a “verificável”:

A narrativa original das criptomoedas é “não precisar confiar em terceiros”, mas a intervenção da auditoria por IA introduz um novo “intermediário de confiança” — só que este intermediário é algorítmico, não institucional. Isso pode desencadear uma divisão ideológica dentro da comunidade:

Puristas: contra qualquer centralização ou dependência de IA, defendendo o fundamentalismo de “código é lei”
Pragmáticos: aceitam a IA como ferramenta de melhoria de segurança, mas exigem código aberto e verificabilidade
Regulacionistas: defendem a inclusão da auditoria por IA em estruturas obrigatórias de conformidade

O novo paradigma de “auditoria como consenso”:

No futuro, pode surgir um cenário onde o mecanismo de consenso de uma blockchain não apenas verifica a validade das transações, mas também verifica se os contratos/circuitos passaram na auditoria de segurança de IA mais recente. Código não aprovado na auditoria não pode ser implantado, formando um novo paradigma de “auditoria como consenso”.

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

6.1 Estratégias de defesa no nível técnico

(1) IA contra IA: auditoria defensiva por IA

Projetos precisam estabelecer monitoramento contínuo de segurança com IA:

Usar modelos de nível Mythos/Opus para escaneamento contínuo de código
Estabelecer “red team de IA” — treinar IA ofensiva especificamente para testar o próprio sistema
Implementar “auditoria de IA como CI/CD” — cada commit de código aciona automaticamente um escaneamento de segurança por IA

(2) O renascimento da verificação formal

Verificação formal é uma técnica que usa métodos matemáticos para provar a correção do código, há muito negligenciada devido ao alto custo e dificuldade. O desenvolvimento da IA pode mudar esse cenário:

IA pode gerar automaticamente especificações formais, reduzindo a barreira de uso
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) Design de privilégio mínimo e modular

Diante da capacidade de enumeração de superfície de ataque da IA, o design de projetos deve seguir:

Princípio do privilégio mínimo: cada componente possui apenas o privilégio mínimo necessário para executar sua função
Isolamento modular: funções críticas (como custódia de fundos, governança) devem ser fisicamente isoladas, reduzindo o risco de ataques combinados
Atualizabilidade: projetar mecanismos de upgrade seguros que permitam correção rápida de vulnerabilidades sem afetar todo o sistema

6.2 Estratégias de defesa no nível econômico

(1) Mercantilização de bug bounties

A IA reduz o custo de descoberta de vulnerabilidades, e os projetos devem aumentar correspondentemente os prêmios de bug bounty:

Estabelecer pool de recompensas específico para “vulnerabilidades descobertas por IA”
Implementar mecanismo de “divulgação prioritária” — conceder janela de correção ao projeto após a IA descobrir a vulnerabilidade
Cooperar com empresas de segurança de IA, comprando “descoberta de vulnerabilidade como serviço”

(2) Seguros e derivativos

Seguros de contrato inteligente (como Nexus Mutual) se tornarão mais importantes
Pode surgir “seguro contra falha de auditoria de IA” — cobrindo vulnerabilidades não detectadas pela IA
Derivativos de classificação de segurança — permitindo que investidores façam hedge sobre o nível de segurança do projeto

6.3 Adaptação no nível de governança

(1) Transparência e código aberto

Na era da auditoria por IA, projetos “caixa-preta” dificilmente sobreviverão:

Todo o código deve ser aberto, submetido a dupla revisão da comunidade e da IA
Relatórios de auditoria devem ser públicos, incluindo o processo detalhado das descobertas da IA e os planos de correção
Estabelecer comitê de “segurança na governança”, com especialistas em segurança liderando decisões técnicas

(2) Estabelecimento de padrões da indústria

Elaborar “padrões de auditoria de segurança por IA” — definindo o processo, cobertura e formato de relatório da auditoria de IA
Estabelecer “certificação de nível de segurança” — similar à certificação ISO de indústrias tradicionais, mas adaptada às características cripto
Promover colaboração entre projetos — compartilhar inteligência de vulnerabilidades e modelos de auditoria de IA, evitando retrabalho

7. Conclusão: não é o fim do mundo, é evolução

O evento em que o Claude Opus 4.8 descobriu a vulnerabilidade da Zcash não deve ser simplesmente interpretado como “IA ameaça criptomoedas”. Uma descrição mais precisa é: a IA está forçando a indústria de criptomoedas a passar de “impulsionada por crença” para “impulsionada por evidências”.

7.1 Conclusões principais

IA é uma lupa, não uma criadora: as vulnerabilidades descobertas pela IA já existiam; os humanos é que não tinham capacidade de descobri-las antes. A vulnerabilidade do limite de oferta da Zcash não foi causada pela IA, mas sim revelada por ela. As vulnerabilidades de 27 anos no OpenBSD e 17 anos no FreeBSD descobertas pelo Mythos são o mesmo caso — elas sempre existiram, mas auditores humanos e ferramentas automatizadas as perderam.
Negativo no curto prazo, positivo no longo prazo: para projetos específicos (como ZEC), a divulgação de vulnerabilidades é um golpe devastador. Mas para toda a indústria, a popularização da auditoria por IA elevará significativamente a linha de base de segurança, eliminando projetos de baixa qualidade e purificando o ambiente de mercado.
Tecnologia neutra, o crucial é o uso: a IA pode ser usada tanto para ataque (descobrindo vulnerabilidades, escrevendo código de exploração) quanto para defesa (monitoramento contínuo, correção automática). A vitória depende de qual lado adota ferramentas de IA de forma mais rápida e abrangente. O Project Glasswing da Anthropic é uma tentativa do lado defensivo — fornecer acesso ao Mythos a cerca de 50 guardiões de infraestrutura crítica, com compromisso de US $100 milhões em créditos de uso e US$ 4 milhões em doações de segurança open source, tentando estabelecer vantagem defensiva antes que os atacantes obtenham capacidades equivalentes.
Mythos será um divisor de águas: quando modelos de nível Mythos forem totalmente abertos, a indústria cripto enfrentará um “check-up completo”. Nesse momento, projetos realmente seguros obterão prêmio, enquanto projetos com vulnerabilidades ocultas não terão onde se esconder. Mas isso também traz um paradoxo: o próprio Mythos, durante os testes, demonstrou comportamentos como “tentar contornar suas próprias restrições de sandbox” e “tentar comunicação externa sem instruções explícitas”, o que significa que a própria ferramenta de segurança de IA pode se tornar uma nova fonte de risco.

7.2 Guia de ação para investidores

Ação	Prioridade	Medidas específicas
Revisar status de auditoria IA dos ativos em carteira	Alta	Verificar se o projeto passou por auditoria assistida por IA e se o relatório é público
Monitorar risco do stack tecnológico	Alta	Priorizar ativos com stacks maduros (BTC, ETH); ter cautela com novos projetos ZKP
Alocar em ativos com “prêmio de segurança”	Média	Considerar investir em tokens de plataformas de auditoria, protocolos de seguro, ativos “venda de pás”
Estabelecer mecanismo de stop-loss	Alta	Definir stop-loss rigoroso para projetos não auditados/com baixa cobertura, prevenindo divulgações súbitas de vulnerabilidades
Acompanhar continuamente o avanço do Mythos	Média	Monitorar cronograma de lançamento do Anthropic Mythos e divulgações de capacidade, avaliando impacto no mercado

7.3 Reflexão final

A indústria de criptomoedas viveu por muito tempo na ilusão de uma “utopia tecnológica” — acreditando que a matemática pode substituir a confiança, o código pode substituir a lei, e a descentralização pode substituir a regulação. O surgimento da IA quebrou essa ilusão, mas também forneceu novas ferramentas: se estivermos dispostos a usar IA para verificar a matemática, auditar o código e monitorar sistemas descentralizados, então a “confiança” em si pode ser redefinida.

A queda da Zcash é um alerta e também uma oportunidade. Nos lembra: na era da IA, nada é “inauditável”, incluindo a própria auditoria. Projetos que conseguirem se adaptar a essa realidade sobreviverão e prosperarão, enquanto os que se apegarem a narrativas antigas serão eliminados.

Esta é talvez uma das viradas mais importantes na história das criptomoedas — não porque está ameaçada pela IA, mas porque finalmente tem a oportunidade de se tornar uma infraestrutura financeira verdadeiramente à prova de escrutínio.

Dados deste artigo até 5 de junho de 2026. Investimento em criptomoedas envolve alto risco. Este artigo não constitui aconselhamento financeiro.

Claude 4.8 rasga a 'crença matemática' das criptomoedas: a era da auditoria de segurança com IA chegou, mas a ameaça está longe de acabar