Fra sårbarhed til årvågenhed: AI skal blive cryptos risikomotor

Den seneste Anthropic-episode er vigtig for crypto, fordi den viste, hvor afhængige moderne markeder er blevet af delte intelligenslag. Anthropic meddelte, at mere end 24.000 falske konti havde genereret over 16 millioner interaktioner med Claude i en tilsyneladende destillationskampagne. I crypto hjælper AI allerede brugere med at behandle markedsignaler, overvåge positioner og automatisere arbejdsgange. Et svigt eller et kompromis hos en større modeludbyder ligner derfor et cloud-afbrydelse, en korrupt datafeed eller et børshack.

Denne afhængighed ændrer, hvordan branchen bør bygge og styre disse systemer. AI i handel skal bevæge sig ud over bekvemmelighedsfunktioner, der fremhæver signaler eller sammenfatter nyheder. Den skal modnes til en robust risikostyringsmotor. Designstandarden må antage, at data kan manipuleres, modeludbydere kan svigte, og markedsforhold kan ændre sig hurtigere end statiske regler kan reagere. Crypto vil fortsætte med at implementere AI i handel og risikostyring. Prioriteringen er at bygge systemer, der holder, når forholdene bliver fjendtlige.

Forudsigelse er kun udgangspunktet

Den første bølge af AI-handelsværktøjer forsøgte at gøre én ting: gætte, hvor priserne ville bevæge sig hen. De skrabede overskrifter, fortolkede sentiment, flagede indgangspunkter, alt sammen for at skære få sekunder af en beslutning. Disse funktioner forbliver nyttige. Crypto belønner forudsigelse, indtil regimet vender.

En model, der primært sigter mod at maksimere afkast, kan blive farlig på et marked formet af gearing, tynd likviditet og pludselige regimeskift. Et profitabelt mønster kan forsvinde på få timer. En manipuleret input kan sprede sig på tværs af handelssteder, før et menneskeligt team ser hele billedet. Når det sker, bruger risikoteams dyrebare minutter på at bekræfte, hvad der er ægte, og disse minutter afgør udfaldet.

Modeller, der ser skarpe ud i rolige markeder, kan forstærke ustabilitet under stress, fordi de forstærker overfyldt adfærd. Crypto er et feedback-loop-marked; automatiserede strategier kan forvandle et lokalt signal til en markedsomspændende bevægelse. Bank of England har allerede advaret om, at bredere AI-brug i finansielle markeder kunne presse virksomheder mod korrelerede positioner og lignende reaktioner i perioder med stress. Crypto understreger gentagne gange én pointe: risikokontrol betyder mere end prognoser, når likviditeten tynder ud.

I marts 2023 mistede USDC kortvarigt sin peg efter Silicon Valley Banks kollaps, og tokenet faldt så lavt som $0,88, før det kom sig. For nylig likviderede crypto-investorer $2,56 milliarder under et kraftigt salg. Analytikere pegede på markedets følsomhed over for skiftende risikoforhold og tynd likviditet. I crypto kan likviditet forsvinde, sikkerhedsstillelse kan falde med et gab, og tvungent salg kan nære sig selv.

AI bør hjælpe markeder med at undgå undgåelig risiko. Dens kernefunktion bør inkludere at identificere, hvornår forholdene ikke længere retfærdiggør handling, hvornår tilliden til inputdataen forringes, og hvornår det at bevare valgmuligheder betyder mere end at presse ekstra afkast ud.

Resilient AI-handelsarkitektur kræver en højere standard

AI berører nu eksekverings- og risikobeslutninger, så den har brug for den ingeniørmæssige disciplin, vi anvender på andre kritiske systemer. Den proces begynder med adversarial testing. Crypto-virksomheder reviderer allerede smarte kontrakter, fordi de antager fjendtlige forhold. AI-handelssystemer fortjener samme behandling. Teams bør red-team’e dem mod manipuleret markedsdata, forfalskede sociale signaler, forgiftede historiske input og svigt hos eksterne udbydere. Anthropics rapporterede destillationsangreb er en nyttig påmindelse om, at modelekosystemer opererer i omstridte miljøer.

Resiliens kræver også diversificerede datapipeliner og diversificeret kontrol-logik. Én model, én datakilde og én beslutningsvej skaber koncentrationsrisiko. Financial Stability Board har advaret om, at AI-implementering i finansiering medfører sårbarheder knyttet til tredjepartsafhængigheder, koncentration af serviceudbydere, cyberrisiko, markeds-korrelationer og modelstyring. I praksis bør virksomheder undgå opsætninger, hvor en enkelt ekstern model eller en enkelt strøm af markeds-sentiment bestemmer eksekvering, porteføljeadvarsler eller likvidationssvar. Disse sikringsmekanismer inkluderer uafhængig validering, kilderangering, fallback-modeller og klare menneskelige override-punkter.

Nødstop hjælper, men de kommer for sent i mange hurtigt skiftende forhold. En robust AI-risikomotor bør skrue ned for tillidsniveauet, reducere positionernes aggressivitet, udvide eksekveringstolerancerne eller helt afholde sig, når usikkerheden stiger. Effektive kontrolsystemer har også brug for kapaciteten til at reagere i etaper.

Menneskelig dømmekraft forbliver essentiel i dette rammeværk. Mennesker bør definere mål, sikkerhedsforanstaltninger, eskaleringer og ansvarlighed. Maskiner bør håndtere skala, overvåge fragmentering og opdage risikomønstre, der ikke passer pænt ind i statiske regelsæt.

Den næste grænseflade er likviditets-overlevelse

De AI-systemer, der betyder mest i crypto, vil være dem, der modellerer likviditets-overlevelse på tværs af et fragmenteret marked.

Crypto-handel spænder over centraliserede børser, decentraliserede handelssteder, flere blockchains og forskellige sikkerhedsstillelses-systemer. ESMA sagde, at handelsvolumen var højt koncentreret, med ti børser, der behandlede omkring halvfems procent af handlerne, mens den største stod for omkring halvdelen af markedet. Akademisk forskning har også beskrevet Bitcoin-handelslandskabet som højt fragmenteret på tværs af flere likvide steder. Denne kombination skaber et marked, der er koncentreret i systemisk betydning og fragmenteret i eksekvering, likviditet og risikooverførsel.

Disse systemer bør estimere, hvor hurtigt ordrebogsdybden tynder ud på tværs af steder. De bør identificere tværs-kæde-ruter, gennem hvilke stress kan sprede sig. De bør opdage tidlige tegn på stablecoin-pres, før peg-ustabilitet bliver indlysende. De bør modellere, hvordan likvideringskaskader kunne udfolde sig i tynde bøger eller under weekend-handelsforhold. Likviditet bør være en primær tilstandsvariabel i modellen.

Denne tilgang tjener også brugere uden for handelsbordet. Mere kontekstbevidste risikosystemer kan reducere undgåelig slippage, uordentlige likvideringer og modstridende signaler under stressede forhold. Bedre AI-arkitektur gør digitale aktivmarkeder mindre skrøbelige for alle, der er afhængige af dem.

Årvågenhed slår hastighed

Anthropic-hændelsen gør pointen klar: AI er blevet essentiel infrastruktur, og den kræver streng ingeniørarbejde.

Konkurrence på digitale aktivmarkeder vil afhænge af kvaliteten af det intelligenslag, som virksomheder bygger og vedligeholder under stress. De stærkeste systemer forbliver pålidelige, når modeller står under pres, datakvaliteten forringes, og likviditeten bliver ustabil. I crypto er resiliens blevet en produktfunktion og et markedsansvar.

Årvågenhed vil adskille holdbare systemer fra skrøbelige. På markeder bygget på hastighed er kontrol den virkelige fordel.