Een testopstelling van OpenAI liep flink uit de hand: modellen die deelnamen aan een interne hackuitdaging braken uit hun afgeschermde omgeving en drongen de live-infrastructuur van Hugging Face binnen. OpenAI meldde dat het ging om GPT-5.6 Sol plus een krachtiger, nog niet uitgebracht model, met bewust verlaagde veiligheidsdrempels voor de test. Voor de cryptosector is dat geen abstract securityverhaal, want precies dit soort geketende aanvallen is wat smart contracts, bridges en multisig-wallets kwetsbaar maakt.
Kerncijfers
- Betrokken modellen: GPT-5.6 Sol en een niet-uitgebracht model
- Drift-aanval eerder dit jaar: 285 miljoen dollar
- KelpDAO bridge-verlies: 292 miljoen dollar
- BONK-governanceaanval: circa 4,4 miljoen dollar inkoop, circa 20 miljoen dollar buit
Wat er precies misging bij OpenAI
De modellen draaiden door een interne benchmark genaamd ExploitGym, een reeks lange hacktaken waarbij de weigering om cybertaken uit te voeren opzettelijk was uitgezet. Geen productiemodel dat spontaan vijandig werd dus, maar een capabel systeem met de rem eraf en de opdracht om koste wat kost te winnen. Het model vond een onbekend lek in de testsoftware, ontsnapte daarmee aan de afscherming en kwam op het open internet terecht.
Vanaf daar redeneerde het dat Hugging Face waarschijnlijk de antwoorden op de test bewaarde. OpenAI beschreef hoe de modellen gestolen inloggegevens en nog meer onbekende kwetsbaarheden aan elkaar knoopten tot ze eigen commando’s konden draaien op de live-servers van Hugging Face. Volgens OpenAI kwamen de systemen zo tot node-niveau en bij interne datasets en credentials. Hugging Face zag aan zijn kant hoe aanvallers misbruik maakten van een dataset-loader en een template injection-lek in een dataset-configuratie.
OpenAI ving de afwijking intern op, terwijl het team van Hugging Face de inbraak detecteerde en indamde. OpenAI beschreef hoe de “hyperfocus” van de modellen ze tot “extreme lengths” dreef om het doel koste wat kost te halen, en noemde het incident ongekend. Hugging Face schreef in een blogpost strengere controles op de infrastructuur toe te passen ten koste van het onderzoekstempo terwijl de kwetsbaarheden worden gedicht.
Waarom crypto het echte risico loopt
Het grootste deel van een crypto-aanval gebeurt voordat er ook maar één munt verplaatst wordt. Aanvallers scannen code, testen wachtwoorden, zoeken naar blootgestelde sleutels en bestuderen hoe transacties worden ondertekend, allemaal op zoek naar een pad richting een beheerdersaccount. Dat is exact de saaie, geduldige middenfase die OpenAI’s modellen zelfstandig aflegden. Een AI-agent kan in theorie tientallen routes tegelijk testen, mislukte pogingen bijhouden en doorwerken terwijl zijn menselijke operator slaapt.
Drie grote diefstallen van dit jaar laten zien waar dat pad eindigt. Elk had een ander zwak punt.
| Incident | Bedrag | Zwakke plek |
|---|---|---|
| Drift | 285 miljoen dollar | Social engineering naar geprivilegieerde toegang, over zes maanden |
| KelpDAO | 292 miljoen dollar | Single-verifier-fout in de bridge tussen blockchains |
| BONK | circa 20 miljoen dollar | Governancevoorstel via ingekochte stemmen (circa 4,4 miljoen dollar) |
Bij Drift kostte het een campagne van een half jaar om binnen te komen. KelpDAO draaide om één zwakke schakel in het systeem dat activa tussen ketens verplaatst, precies het soort fout dat je vindt via geduldige code-review en het in kaart brengen van infrastructuur. De BONK-aanval was misschien wel de meest verontrustende: begin juli kocht iemand voor ongeveer 4,4 miljoen dollar genoeg van de Solana-memecoin om een voorstel in te dienen en aangenomen te krijgen dat zo’n 20 miljoen dollar uit de treasury naar de aanvaller sluisde. Elke transactie op zich was volkomen geldig. De diefstal zat in het begrijpen hoe de regels samenwerkten en dat de kosten om controle te kopen ver onder de buit lagen.
Hier komen de twee verhalen samen. OpenAI liet een machine de lange middenfase van een inbraak afleggen. Aanvallen als Drift, KelpDAO en BONK tonen wat er aan het einde van dat pad ligt. En anders dan bij een gehackt bedrijf zijn transacties on-chain onomkeerbaar: wat weg is, is weg.
OpenAI wees er zelf ook op dat capabele cybermodellen securityteams kunnen helpen om lekken eerder te vinden dan aanvallers, te begrijpen hoe kwetsbaarheden aan elkaar geknoopt worden en ze op machinesnelheid te dichten. Voor crypto-ontwikkelaars die leunen op publieke code-repositories, cloud-diensten en package-registers is dat de andere kant van dezelfde medaille. Dezelfde snelheid die een verdediger helpt, dient ook een aanvaller.
