Ethereum Foundation zet AI-bugjagers in — en die vonden al een fout die 38% van het netwerk had kunnen platleggen
De Ethereum Foundation zet AI-agents in om kwetsbaarheden in het ETH-netwerk op te sporen. De AI van Octane Security vond al een ernstige bug in Nethermind die de productie van 38% van de blokken had kunnen stilleggen.
De ETH$2.398,96▼2,00% Foundation heeft AI-agents losgelaten op het ETH-netwerk om kritieke kwetsbaarheden op te sporen voordat aanvallers ze kunnen bereiken — en de aanpak heeft al een concrete vangst op zijn naam staan.
De AI van Octane Security signaleerde tijdens een audit rond 25 februari 2026 een ernstige liveness-bug in de Nethermind execution client. Het lek is nooit misbruikt. Als dat wel was gebeurd, had het de blokproductie van ongeveer 38% van het netwerk kunnen stilleggen — een systeemgebeurtenis, geen gewone dApp-exploit. Octane Security beschreef de bevinding in een blogpost, en DL News bevestigde de inschatting van de ernst.
Die vangst is nu het bewijs voor een bredere verschuiving binnen de beveiligingsoperatie van de Foundation. Volgens Decrypt verschuift de rol van het beveiligingsteam van het opsporen van bugs naar het verifiëren welke door AI gesignaleerde problemen echt zijn. AI-agents genereren een groot aantal potentiële kwetsbaarheidsmeldingen. Menselijke onderzoekers beoordelen en bevestigen die vervolgens. Het knelpunt is verschoven van ontdekking naar verificatie.
Nethermind is een van de grote execution clients van Ethereum. Een liveness-bug die 38% van de blokproductie treft, zou hebben geleid tot een stilstand op netwerkniveau — niet slechts een geïsoleerde smart contract-exploit. De bug werd ontdekt, gemeld en gepatcht voordat iemand er misbruik van kon maken.
De interesse van de Foundation in AI-gedreven beveiliging dateert van vóór deze vangst. The Defiant meldde in april 2024 dat de Foundation onder meer als doel heeft om AI in te zetten om “catastrofale kwetsbaarheden” te identificeren die kunnen leiden tot hacks van zk-rollups. De roadmap van Ethereum omvat in toenemende mate zk-rollup-schaalvergroting, wat nieuwe cryptografische aanvalsvlakken introduceert die traditionele handmatige audits moeilijk snel genoeg kunnen afdekken. Meer code. Meer complexiteit. Meer aanvalsoppervlak voor bugs die menselijke auditeurs, met hun beperkte aantal, niet volledig in kaart kunnen brengen.
Davide Crapis, AI-lead van de Ethereum Foundation, heeft een visie geformuleerd waarin Ethereum fungeert als coördinatie- en verificatielaag in een door AI gemedieerde wereld, zo meldde Decrypt in maart 2026. In dat kader zijn AI-beveiliging en AI-infrastructuur met elkaar verweven prioriteiten — dezelfde tools die het netwerk kunnen beschermen, kunnen er ook tegen worden ingezet.
Dat tweesnijdende zwaard is niet hypothetisch. Manuel Aráoz, medeoprichter van OpenZeppelin, heeft gewaarschuwd dat AI aanvallers nu helpt om sneller fouten in smart contracts te vinden, waardoor DeFi over de hele linie onveiliger wordt. Dezelfde large-language-model-capaciteiten waarmee een AI-agent een client kan auditen op liveness-bugs, kunnen worden ingezet op de smart contracts van een protocol om uitbuitbare fouten te vinden. De wapenwedloop tussen aanval en verdediging is reëel, en het voordeel van de verdediger is niet gegarandeerd.
De beveiligingsinspanning komt op een moment dat de markt risico nemen niet beloont. ETH noteert momenteel op $1.748, een stijging van 0,88% over 24 uur en 2,78% over 7 dagen, met een marktkapitalisatie van $210,93 miljard en een dominantie van 9,3%. De bredere cryptomarkt staat op een totale marktkapitalisatie van $2.255,48 miljard met een Fear & Greed Index van 22/100 — Extreme Angst. In die omgeving is een liveness-bug die een derde van de blokproductie kan bevriezen precies het soort staartrisico dat de voorzichtigheid van beleggers versterkt, ook wanneer de bug wordt opgespoord vóórdat er misbruik van wordt gemaakt.
De verschuiving van handmatige audits naar AI-ondersteunde beoordeling is geen cosmetische verandering. Traditionele audits zijn traag, duur en beperkt door het aantal beschikbare menselijke experts. AI-agents draaien continu en scannen clientcode en smart contracts op patronen die overeenkomen met bekende categorieën kwetsbaarheden. De afweging zit in de signaal-ruisverhouding: meer meldingen betekent meer vals-positieven, en de menselijke inspanning verschuift van ontdekking naar bevestiging. De Foundation gokt erop dat het aantal echte vangsten — zoals de Nethermind-liveness-bug — de extra beoordelingsinspanning rechtvaardigt.
Voor Ethereum is de rekensom eenvoudig. Het beveiligingsmodel van het netwerk steunt op client-diversiteit — meerdere onafhankelijke implementaties van de execution- en consensuslagen, zodat geen enkele bug de hele chain kan platleggen. Nethermind is een van die implementaties. Een liveness-bug in een client die 38% van de blokproductie dekt, zou dat model op de ergst denkbare manier hebben getest: geen theoretisch randgeval, maar een live stilstand die een derde van de doorvoercapaciteit van het netwerk raakte.
Zk-rollups, account abstraction en nieuwe ontwerpen voor virtuele machines vergroten allemaal het aanvalsoppervlak. Handmatige audits zijn, hoe grondig ook, een eindige hulpbron. De gok van de Foundation is dat AI-agents terrein kunnen bestrijken dat menselijke auditeurs niet kunnen bijbenen, in een tempo dat gelijke tred houdt met de toenemende complexiteit van de protocol-roadmap.
Het risico, zoals Aráoz heeft opgemerkt, is dat dezelfde tools ook beschikbaar zijn voor aanvallers. Een AI-agent die een liveness-bug in Nethermind kan vinden, kan ook worden getraind om reentrancy-fouten in een DeFi-protocol of logica-fouten in een bridge-contract op te sporen. De vraag is of de voorsprong die de Foundation heeft opgebouwd door AI in te zetten voor verdediging, opweegt tegen het voordeel dat aanvallers uit diezelfde technologie halen.
Voorlopig heeft de Foundation een concrete overwinning. De Nethermind-bug werd ontdekt en opgelost voordat iemand er misbruik van kon maken. De volgende test is of AI-agents dat resultaat kunnen opschalen naar het volledige client-ecosysteem — en of de menselijke verificatieketen de omvang van de meldingen die de agents produceren kan bijbenen.