Ethereum laat AI bugs vinden, maar autonome audits blijven vooralsnog een mythe
AI vond een echte fout in software waar Ethereum op leunt. Dat is groot genoeg om serieus te nemen, maar niet groot genoeg om menselijke auditors af te schrijven.
De Ethereum Foundation liet meerdere AI-agents zoeken in protocolcode, cryptografische software en contracten. Eén bevinding werd officieel geregistreerd als CVE-2026-34219.
De les is scherp. AI kan de zoektocht naar bugs enorm verbreden. Maar de echte waarde zat niet in het vinden van meldingen, maar in het wegfilteren van overtuigende onzin.
Echte fout in de peer-to-peerlaag
De kwetsbaarheid zat in rust-libp2p Gossipsub. Dat is onderdeel van de peer-to-peerlaag waarmee Ethereum-consensusclients berichten door het netwerk verspreiden.
Volgens de Ethereum Foundation ging het om een op afstand te triggeren panic in libp2p’s Gossipsub. De fout is later vastgelegd als CVE-2026-34219.
Een kwaadwillende peer kon een speciaal PRUNE-bericht sturen met een extreem hoge wachttijd. Die waarde werd opgeslagen, waarna bij een latere heartbeat een overflow kon ontstaan.
Het gevolg was uitval van het proces. Geen gestolen coins, geen gehackte wallets, geen kapotte blockchain.
Wel een serieus beschikbaarheidsrisico. Als nodes door een netwerkpeer kunnen uitvallen, raakt dat aan de stabiliteit van software die rond Ethereum draait.
GitHub beschrijft de bug in de rust-libp2p-advisory als een remote unauthenticated denial of service. De kwetsbaarheid raakte versies vóór 0.49.4 en is in die versie gepatcht.
AI vond de route, mensen bewezen de bug
De Ethereum Foundation maakte één regel leidend: een kandidaat telt pas als bevinding wanneer die reproduceerbaar is tegen de echte code.
Dat klinkt streng. Het is nodig.
Een AI-agent kan een rapport schrijven dat technisch overtuigend oogt. Hij kan een aanvalspad beschrijven, ernst inschatten en zelfs een proof-of-concept leveren.
Maar dat is nog geen bewijs.
Soms werkt een fout alleen in een debugbuild. Soms bouwt de agent een interne toestand die echte netwerkinvoer nooit kan bereiken. Soms bewijst formele verificatie iets dat wiskundig klopt, maar niet de eigenschap die eigenlijk getest moest worden.
Daarom eiste de Foundation een zelfstandig uitvoerbare reproducer. Iemand anders moest de fout kunnen draaien zonder de oorspronkelijke redenering te vertrouwen.
Een AI-rapport is geen auditresultaat. Het is een bewering die nog moet bloeden tegen echte code.
Dat is de kern. De taal kan glad zijn, maar de test beslist.
Filteren werd het zware werk
De Foundation liet veel agents parallel op dezelfde code los. Sommige agents brachten aanvalsvlakken in kaart. Andere probeerden een hypothese te reproduceren. Een aparte validatiefase haalde dubbelingen, onbereikbare paden en ruis eruit.
Volgens de Foundation waren veel kandidaten fout, dubbel of buiten scope. Dat is geen mislukking van de methode. Het is precies hoe de methode werkt.
AI verhoogt het aantal mogelijke vondsten. Daardoor stijgt ook het aantal meldingen dat iemand moet afwijzen.
Dat maakt de beveiligingsrol anders. Minder tijd gaat naar handmatig zoeken. Meer tijd gaat naar testopzet, reproduceerbaarheid en de vraag of een echte aanvaller het pad kan bereiken.
De Foundation noemt het zelf helder: AI verving de onderzoeker niet. Het werk verschoof van bugs vinden naar resultaten vertrouwen.
Zelfverzekerde ruis is gevaarlijk
Een klassieke fuzzer geeft een foutmelding en een stacktrace. Dat is droog, maar beperkt.
Een AI-agent levert een compleet verhaal. Call chain, impact, ernstscore, oorzaak, patchsuggestie. Precies dat maakt de output bruikbaar én riskant.
Een professioneel rapport kan vertrouwen wekken voordat de aannames zijn gecontroleerd. Zeker bij teams die snel willen shippen.
De Foundation noemt typische valkuilen: aanvalspaden die er bereikbaar uitzien maar het niet zijn, tests die slagen om de verkeerde reden en severityscores die groter worden omdat het verhaal dramatisch klinkt.
Dat probleem raakt crypto hard. Smart contracts, bridges en clientsoftware beheren geld en vertrouwen. Een vals veilig gevoel is daar duur.
EVMbench toont kracht én grens
Breder onderzoek wijst dezelfde kant op. OpenAI en Paradigm introduceerden EVMbench, een benchmark waarin AI-agents smart-contractkwetsbaarheden moeten vinden, patchen en exploiteren in afgeschermde omgevingen.
EVMbench gebruikt 117 kwetsbaarheden uit 40 audits en test drie taken: detectie, patching en exploitatie. In zo’n gecontroleerde omgeving kunnen agents dus veel meer dan oppervlakkige codecommentaar geven.
Maar vervolgonderzoek remt het hypeverhaal af. In Re-Evaluating EVMBench concluderen onderzoekers dat prestaties sterk wisselen per model, agentopzet en dataset.
Bij nieuwere realistische incidenten slaagde geen agent erin om in alle geteste combinaties zelfstandig een volledige exploitketen uit te voeren. De onderzoekers zien agents vooral als hulpmiddel in een human-in-the-loop-proces.
Dat is precies de lijn uit het Ethereum-experiment. AI vergroot bereik. Mensen blijven nodig voor protocolkennis, vijandig denken en prioriteit.
Aanvallers krijgen dezelfde schaal
De keerzijde is ongemakkelijk. AI helpt niet alleen verdedigers.
Een agent die kwetsbaarheden kan vinden en exploits kan bouwen in een testomgeving, kan ook door aanvallers worden gebruikt. De drempel voor technisch onderzoek daalt aan beide kanten.
Voor crypto is dat extra gevoelig. Veel code is open-source. Veel contracten zijn publiek. Veel systemen draaien met grote waarde op vaste adressen.
Dat betekent niet dat elke AI-agent morgen een protocol leegtrekt. Het betekent wel dat teams die AI niet gebruiken voor verdediging een snelheidsnadeel kunnen krijgen.
Niet omdat AI alles beter weet. Omdat AI meer hypotheses kan testen dan een mensenteam alleen.
De auditor wordt strenger, niet overbodig
De rol van beveiligingsonderzoekers wordt daardoor zwaarder op een andere plek.
Zij moeten goede invarianten formuleren. Een invariant is een eigenschap die altijd waar moet blijven, bijvoorbeeld dat een saldo niet negatief wordt of dat een peer geen ongeldige toestand kan afdwingen.
Zij moeten testomgevingen bouwen die echte productiecondities benaderen. Zij moeten bijhouden welke agent welk resultaat produceerde, tegen welke versie en met welke tools.
Herleidbaarheid wordt dus belangrijker. Een bevinding moet maanden later opnieuw te draaien zijn.
Ook patches moeten harder worden beoordeeld. Een AI kan een bug dichten en tegelijk een nieuwe fout openen. Bij smart contracts kan zo’n fout na deployment moeilijk te herstellen zijn.
Doorbraak zit in schaal
CVE-2026-34219 bewijst dat AI-agents echte fouten kunnen vinden in software rond Ethereum. Dat is geen demo meer.
Maar het bewijst niet dat autonome audits klaar zijn. De Foundation moest nog steeds kandidaten testen, dubbelingen verwijderen, bereikbaarheid controleren en impact wegen.
De doorbraak zit daarom in schaal, niet in autonomie.
AI kan de hooiberg sneller doorzoeken. Soms vindt het de naald. Maar voorlopig moet een menselijke onderzoeker nog steeds vaststellen of het gevonden stuk metaal echt scherp is.
Voor Ethereum is dat goed nieuws met een waarschuwing. De verdediging krijgt meer bereik, maar alleen teams met sterke triage halen daar waarde uit.
Wie AI inzet zonder controle, krijgt geen betere audit. Die krijgt alleen meer zelfverzekerde ruis.
Stop met te veel betalen voor je crypto. Bij de Amsterdamse exchange Finst handel je tegen de laagste tarieven van Nederland, zonder verborgen kosten.
👀 Bekijk Finst nu ›Let op: Beleggen in crypto brengt risico’s met zich mee. Handel alleen met geld dat u kunt missen.
Ga verder met lezen
Dit vind je misschien ook leuk
Laat mensen jouw mening weten
Lees ook
Populair Nieuws
Loading
