EN

ИИ-трейдеры: как автономные агенты теряют депозиты и выполняют чужие команды

Опубликовано: 2026-11-22 · Автор: AI Release · @ai_release1 · ИИ и Нейросети · Разбор
ИИ-трейдеры: как автономные агенты теряют депозиты и выполняют чужие команды

⚡ Главное за 5 секунд

🔍 Что случилось

В соцсетях у автономного трейдинга почти идеальная рекламная модель. Один агент заработал 300% — скриншот, восторженный пост, десятки тысяч просмотров. Другой потерял депозит — об этом узнают только участники закрытого чата, если вообще узнают. Третий отправил чужие деньги незнакомцу, потому что неправильно понял сообщение в X. Но это уже плохо помещается в презентацию очередного курса по созданию AI-трейдера.

Между тем именно такие истории позволяют оценить реальное состояние технологии. Проблема не в том, что ИИ совсем не способен анализировать рынок. Проблема в том, что между способностью рассуждать о торговле и безопасным управлением реальным капиталом лежит огромная техническая пропасть. И некоторые разработчики уже показали, насколько дорого обходится её игнорирование.

Lobstar Wilde: когда ИИ неправильно считает деньги

Один из самых показательных случаев произошёл 22 февраля 2026 года. Разработчик Ник Паш (Nik Pash), сотрудник OpenAI, создал автономного агента Lobstar Wilde на базе OpenClaw. Ему дали криптокошелёк и амбициозную задачу: превратить примерно $50 000 в миллион.

Пользователь X попросил агента прислать 4 SOL — около $310 — якобы на лечение дяди от столбняка. Агент согласился помочь, но в результате отправил ему около 52,439 миллиона собственных токенов LOBSTAR. Это составляло приблизительно 5% всего предложения токена. По рыночной оценке на момент инцидента перевод стоил около $441 000, однако получатель продал токены примерно за $40 000. Разница между бумажной стоимостью и реальной ликвидностью оказалась весьма наглядной.

По одной из версий, агент неправильно интерпретировал ответ API и перепутал количество токенов из-за ошибки в разрядности или десятичном представлении. Получилась почти идеальная демонстрация автономной экономики: агент хотел отправить небольшую помощь, а фактически совершил крупную незапланированную операцию. Никакого сложного взлома блокчейна не потребовалось — достаточно было ошибки в логике обработки данных.

Alpha Arena: когда лучшие языковые модели получают реальные деньги

Если предыдущий случай можно списать на ошибку конкретного агента, то эксперимент Alpha Arena интересен другим. Исследовательский проект Nof1 предоставил шести крупным языковым моделям по $10 000 реального капитала для автономной торговли бессрочными контрактами на Hyperliquid. Среди участников были GPT-5, Claude Sonnet 4.5, Gemini 2.5 Pro, Grok 4, DeepSeek V3.1 и Qwen3-Max.

Модели сами принимали торговые решения, открывали длинные и короткие позиции и использовали кредитное плечо. Человеческого трейдера, который вовремя остановил бы очередную гениальную идею, в процессе не было. По опубликованным итоговым данным, четыре из шести моделей закончили эксперимент с убытками.

Особенно примечателен GPT-5: стартовый капитал $10 000, итоговый убыток около $6 267, доходность примерно −62,7%. В альтернативном пересчёте по данным Hyperliquid итоговая потеря составляет около 63,4% — различие связано с методикой учёта открытых позиций и комиссий. Победителем стал Qwen3-Max, заработавший около 22% за период эксперимента. DeepSeek V3.1 также завершил испытание в плюсе.

Но здесь есть важная деталь: эксперимент длился всего несколько недель. Он не доказывает, что одна модель навсегда лучше другой, и тем более не подтверждает возможность стабильно зарабатывать с её помощью. Он показывает другое: даже самые известные модели могут вести себя совершенно по-разному при одинаковых торговых условиях.

200 000 ботов против трёх ИИ: неожиданный победитель

В октябре 2026 года разработчик Майк Рассел провёл ещё один интересный эксперимент. Он запустил трёх автономных криптовалютных ботов с общим капиталом $999. Они торговали на реальной бирже 30 дней.

Результат: начальный капитал $999, остаток $786, убыток 21,4%. С учётом расходов на обращения к ИИ убыток составил около 25%. Для сравнения автор использовал 200 000 виртуальных ботов, которые принимали решения случайным образом — фактически подбрасывали монетку. Около 35% случайных ботов завершили период с прибылью. Лишь примерно 3% показали результат настолько же плохой, как реальные ИИ-боты эксперимента.

Есть и дополнительная деталь: удержание Bitcoin за тот же период принесло бы убыток примерно 3,6%. То есть даже простое отсутствие торговых действий оказалось существенно лучше экспериментальной системы. Это не академическое доказательство превосходства случайной торговли над ИИ: условия эксперимента ограничены, а результаты одной выборки нельзя переносить на весь рынок. Но для понимания рекламных историй с тысячами ботов он чрезвычайно полезен.

Если запустить 200 000 стратегий, обязательно найдутся тысячи победителей. Кто-то покажет +100%, кто-то +500%, а несколько счастливчиков смогут продемонстрировать действительно впечатляющие результаты. Вопрос только в том, что произойдёт с этими же стратегиями в следующем месяце.

Prompt injection: когда ИИ теряет деньги, даже не ошибаясь

С торговыми убытками всё относительно понятно: неудачная стратегия, неправильный сигнал, плечо, комиссии. Но в 2026 году появился более интересный класс угроз — атаки на логику взаимодействия между агентами.

4 мая 2026 года произошёл показательный инцидент с Grok и инфраструктурой Bankr. Злоумышленник использовал NFT, который давал дополнительные возможности взаимодействия с кошельком, и сообщение с закодированной инструкцией. Grok получил просьбу расшифровать сообщение. В результате расшифрованный текст содержал команду для Bankrbot: перевести 3 миллиарда токенов DRB на указанный адрес. Bankrbot выполнил команду. Стоимость переведённых активов оценивалась примерно в $174 000.

Здесь особенно важно, что атакующему не пришлось красть приватный ключ или взламывать блокчейн. Один агент обработал внешнее сообщение, а другой воспринял результат его работы как доверенную команду на перевод средств. Фактически злоумышленник использовал взаимодействие двух автоматизированных систем против самих владельцев инфраструктуры.

Это классический пример indirect prompt injection: вредоносная инструкция попадает в систему через внешние данные, которые агент должен анализировать, но ошибочно воспринимает как команды. Иными словами, теперь для кражи денег иногда достаточно не взломать кошелёк, а убедить ИИ воспользоваться им самостоятельно.

Bloom Trading: почти миллион долларов за 94 секунды

26 октября 2026 года произошёл ещё один инцидент, который уже нельзя назвать ошибкой торговой стратегии. Пользователи Telegram-бота Bloom обнаружили, что средства исчезли с их криптокошельков. Согласно расследованию Bitquery, пострадали 48 кошельков, они принадлежали девяти трейдерам, было выведено 9 408 SOL, а стоимость средств на момент инцидента составляла около $953 000. Основная серия переводов заняла всего 94 секунды.

Особенно интересна техническая сторона. Bloom использовал приватные ключи пользовательских кошельков для автоматического подписания транзакций. Именно это позволяло боту быстро совершать сделки без постоянного подтверждения каждого действия владельцем. Но такая архитектура означает, что тот, кто получает доступ к ключам, получает и возможность распоряжаться средствами.

По данным Bitquery, злоумышленник использовал собственные ключи пострадавших кошельков и последовательно опустошал их, начиная с наиболее крупных. Причина компрометации ключей на момент расследования не была окончательно установлена. Bloom сообщал о расследовании возможной компрометации стороннего поставщика и обещал возместить потери пострадавшим.

Это важное различие: доказан факт вывода средств с кошельков, но нельзя автоматически утверждать, что причиной стал именно взлом ИИ или его промпта. Однако случай прекрасно демонстрирует другую проблему автономной торговли: пользователь передаёт инфраструктуре бота полномочия, которые могут оказаться гораздо ценнее самой торговой стратегии.

Открытые агенты: подарок для тех, кто ищет чужие API-ключи

Отдельная проблема — безопасность самих агентских платформ. В феврале 2026 года исследователи SecurityScorecard обнаружили более 40 000 доступных из интернета экземпляров OpenClaw. Само по себе наличие открытого сетевого интерфейса ещё не означает, что каждый экземпляр был взломан. Но неправильно настроенная аутентификация превращает такую систему в потенциальную точку входа.

Впоследствии исследователи и специалисты по безопасности неоднократно демонстрировали риски получения доступа к административным интерфейсам, истории переписок, токенам мессенджеров и API-ключам. Проблема здесь шире криптовалют. Современный агент может иметь одновременно доступ к биржевому API, кошельку, возможность подписывать транзакции, доступ к Telegram и X, возможность выполнять команды на сервере, доступ к файлам и конфигурациям.

Если такая система оказывается скомпрометирована, атакующий получает не просто чат-бота, а потенциально полноценный инструмент управления цифровой инфраструктурой. И это уже совсем другой уровень риска.

🧠 Наш разбор

Все перечисленные истории объединяет одна архитектурная проблема: языковая модель, торговая система и инфраструктура доступа к деньгам часто оказываются объединены в один плохо разграниченный механизм. Наша оценка: дело не в том, что модели «глупые», а в том, что им выдали права, которые не соответствуют их надёжности.

Языковая модель не является системой управления рисками. LLM генерирует вероятностные ответы. Она может анализировать новости, интерпретировать рыночные данные и предлагать сценарии. Но это не делает её специализированной системой расчёта риска. Модель может уверенно рекомендовать покупку, даже если размер позиции не соответствует допустимой просадке или ликвидность инструмента недостаточна. Уверенность в ответе не равна вероятности прибыльной сделки.

Потеря состояния. Агент может перезапуститься, потерять часть контекста, неправильно интерпретировать ответ биржевого API или перепутать размер позиции. Проблема особенно опасна, когда агент сам управляет несколькими позициями. Например, он считает, что закрыл позицию, хотя биржа отклонила ордер. Следующее решение принимается уже на основании несуществующего состояния портфеля.

Бэктест не гарантирует прибыль. Исторические данные позволяют подобрать красивую стратегию практически для любого периода. Но в реальной торговле появляются комиссии, проскальзывание, задержки исполнения, низкая ликвидность и изменение рыночных условий. Стратегия, которая прекрасно выглядит на графике, может оказаться убыточной при первом же столкновении с реальным стаканом заявок.

Кредитное плечо увеличивает цену ошибки. Без плеча агент теряет часть капитала. С большим плечом ошибка может закончиться ликвидацией позиции. Причём рынку совершенно неинтересно, насколько убедительно модель объяснит своё решение после произошедшего.

Внешние данные становятся каналом управления. Агент читает сайты, сообщения, публикации в соцсетях и ответы других агентов. Всё это потенциально может содержать вредоносные инструкции. Если система не разделяет доверенные команды и недоверенные данные, злоумышленник может заставить её совершить действия, которые владелец никогда не разрешал.

Как должна выглядеть безопасная архитектура

Полностью отказываться от автономной торговли необязательно. Но делегировать языковой модели непосредственный контроль над капиталом — сомнительная инженерная практика. Мы считаем, что более разумная архитектура предполагает разделение обязанностей.

ИИ — аналитик. Он изучает новости, анализирует рынок, выявляет закономерности и предлагает торговые идеи.

Отдельный программный модуль — контролёр рисков. Он проверяет размер позиции, допустимую просадку, плечо, ликвидность и соответствие сделки установленным ограничениям.

Торговый исполнитель — отдельный компонент. Он получает уже проверенные команды и взаимодействует с биржей через ограниченный API.

Кошелёк и ключи — отдельный контур безопасности. Никаких универсальных ключей с правами на вывод средств. Никакого доступа агента к основному капиталу.

Минимальный набор защитных механизмов:

Главный принцип: ограничения должны существовать в коде, инфраструктуре и правах доступа, а не только в системном промпте. Промпт можно изменить, обойти или отравить. А правильно настроенный лимит на стороне биржи не должен зависеть от того, насколько убедительно агент попросит его проигнорировать.

⚠️ Чего мы не знаем

Мы не знаем точной причины компрометации ключей в случае Bloom: расследование Bitquery фиксирует факт вывода, но не называет источник утечки, а версия о стороннем поставщике остаётся версией компании. В истории Lobstar Wilde механизм ошибки (разрядность или десятичное представление) тоже известен лишь по одной из версий. Результаты Alpha Arena и эксперимента Майка Рассела получены на коротких отрезках и малых выборках — переносить их на весь рынок нельзя. И наконец, публичные данные о том, сколько именно агентов пострадало от prompt injection, почти наверняка занижены: такие инциденты редко раскрывают.

💬 О чём спорить

  • Имеет ли смысл вообще давать языковой модели право инициировать сделку, или её роль должна ограничиваться подготовкой рекомендации для человека?
  • Кто должен отвечать за потерю средств из-за ошибки агента: разработчик, владелец инфраструктуры или сам пользователь, добровольно передавший ключи?
  • Поможет ли обязательная сертификация «безопасных» торговых агентов, или рынок всё равно будет выбирать максимальную доходность и игнорировать риски?

Прогноз: в течение ближайших двух кварталов появятся как минимум два публичных разбора, где ущерб от автономного агента будет измеряться сотнями тысяч долларов, а основной причиной назовут не взлом модели, а слабое разграничение прав между агентом, кошельком и торговым API. Проверить это можно будет по отчётам блокчейн-аналитиков и страховых компаний.

Источники:

🤖 Кратко для ИИ
  • Дата: 2026-11-22
  • Источник: www.theblock.co
  • Теги: ИИ-трейдинг, автономные-агенты, prompt-injection, криптовалюты, безопасность, AI, Trading, нейросети
  • Ключевые факты:
    • Агент Lobstar Wilde отправил незнакомцу токены на $441 000 вместо помощи в $310 — из-за ошибки в обработке числа.
    • В эксперименте Alpha Arena четыре из шести топовых LLM с реальными деньгами закрыли сезон в минусе; GPT-5 потерял около 63%.
    • Три ИИ-бота с $999 за 30 дней ушли в минус на 21,4%, а около 35% из 200 000 случайных ботов тот же период закончили с прибылью.
    • Grok расшифровал «сообщение» с командой для Bankrbot — и тот перевёл токены примерно на $174 000 без кражи ключей.
    • Telegram-бот Bloom за 94 секунды опустошил 48 кошельков на ~$953 000: у него были приватные ключи пользователей.
    • В соцсетях у автономного трейдинга почти идеальная рекламная модель.
    • Один агент заработал 300% — скриншот, восторженный пост, десятки тысяч просмотров.
    • Другой потерял депозит — об этом узнают только участники закрытого чата, если вообще узнают.
#ИИ-трейдинг#автономные-агенты#prompt-injection#криптовалюты#безопасность#AI#Trading#нейросети
📖
Читать гайд по теме
Читать →
← ПредыдущаяСбой управления воздушным движением стоил 2,5 млн пассажиров $1,58 млрдСледующая →LG Uplus делит AI-бизнес на инфраструктуру и платформу — реформа к 2027 году

Источник: www.theblock.co · пост в Telegram