Som iværksætter og investor sidder jeg ofte på modsat side af bordet til mange pitchs. Jeg får præsentationer, der er bygget op omkring roadmaps og teams, som sværger på, at deres trækkraft er ægte.
Mit arbejde er at finde ud af, hvilke dele af de pitchs der overlever mødet med blockchain. Så når jeg siger, at opdagelsesdelen af branchen faktisk er blevet bedre, gentager jeg ikke bare, hvad en leverandør har skrevet i sin pitch-præsentation.
Blockchain-forensics platforme som Chainalysis, TRM Labs og Elliptic har frosset eller tilbagevundet anslået 34 milliarder dollars i ulovlige midler. Mere end 45 tilsynsmyndigheder verden over bruger nu disse værktøjer som standard. De hjælper med at få stjålne penge tilbage ved at spore dem gennem wallet-clustering og entitetskobling, der er gode nok til at holde i retten.
Takket være kunstig intelligens gør nyere generationer af disse værktøjer mere end blot at spore pengene efter, at de er flyttet. I dag findes der forudsigende platforme, som påstår, at de kan advare om en wallet, før den overhovedet handler.
De vurderer adfærd ud fra over 50 faktorer og træner dagligt. En udbyder hævder at have en nøjagtighed på 98% på tværs af 14 millioner wallets. Vi har rug pull-scannere direkte indbygget i AI-handelsagenter, der tjekker likviditetslåse, fryseautoritet og deployer-historik på omkring fem sekunder.
En sådan tjeneste rapporterede at have scannet over 881.000 token-adresser og markeret 271.000 som højrisiko. Der findes endda wallet-clustering værktøjer, som opdager en “sovende” adresse, der har ligget stille i årevis og først blev aktiv lige før en afvikling — den digitale udgave af at bemærke nogen, der lusker rundt på din gade.
Så hvis du kun læser leverandørernes sider, ville du tro, at kryptosvindel nærmest er løst, fordi vi nu har en lille hær af machine-learning-modeller, der overvåger alle kæder, alle wallets og alle transaktioner døgnet rundt.
Men så ser du, hvad selvsamme æra for machine-learning har betydet for den modsatte side af regnskabet.
Tallene bag AI-kryptosvindel
Ifølge Chainalysis ligger de samlede tab pga. kryptosvindel og bedrageri for 2025 på omkring 17 milliarder dollars, op fra 9,9 milliarder året før. Den amerikanske efterretningstjeneste FBI’s eget tal for kryptosvindel i samme periode er 11,36 milliarder dollars alene i USA, hvilket er en stigning på 22% fra året forinden.
Det er de tal, der typisk havner på en konferencesslide. Men det, der faktisk ændrede min måde at lave due diligence på, er dette: Chainalysis har fundet ud af, at AI-drevne svindelnumre var 4,5 gange mere indbringende end traditionelle metoder.
Samme fidus, samme ofre, men med kunstig intelligens kan svindlere masseproducere falske supportmedarbejdere, falske investorer eller betroede insidere.
Lior Aizik, medstifter og Chief Operating Officer hos kryptobørsen XBO, har offentligt advaret om, at udgivelsesbedrageri stiger og bliver mere avanceret på tværs af branchen. Hans tommelfingerregel er enkel: Overfør aldrig din kryptovaluta til nogen, du ikke kan verificere — især hvis anmodningen præsenteres med hast og hemmeligholdelse.
Identitetssvindel — hvor kriminelle udgiver sig for at være en bank, en investor eller en krypto-influencer — voksede 1.400% år-til-år. Svindlere bruger nu AI til at køre dyre, målrettede svindelnumre mod folk, de på forhånd har profileret, i stedet for det billige og bredspektrede “spray and pray”, som de før brugte.
Det fik gennemsnitsbetalingen til at stige markant, fra 782 dollars i 2024 til 2.764 dollars i 2025, en stigning på 253%. Personligt rammer det mig, for investorer og branchefolk med en offentlig profil er præcis dem, der risikerer at blive klonet.
Her er det ubehagelige: Selvom de defensive værktøjer er blevet meget bedre, er de offensive resultater også blevet markant bedre.
Det er som et generativt modstander-netværk (GAN), hvor generator og diskriminator udfordrer hinanden, så hele modellen hele tiden bliver bedre.
Både de offensive og defensive værktøjer trækker på den samme AI-teknologi. Lige nu favoriserer det første aktør — ikke dem, der bygger den bedste model isoleret.
Hvorfor bedre opdagelse bliver ved med at tabe kapløbet
Ærligt talt er retsmedicinske værktøjer bygget til opklaringsarbejde, ikke forudsigelse. For at en undersøgelse kan begynde, skal der være sket en forbrydelse.
Du har brug for et offer, der allerede har mistet penge, før du kan spore et mønster klart nok til at markere det. Selv de forudsigende modeller, der hævder at “fange” et rug pull, før det sker, er trænet på gårsdagens svindel — og morgendagens svindel bliver konstrueret af nogen, der har læst de samme “træningsdata”.
Det blev tydeligt for mig i realtid med FBI’s NexFundAI-operation: det falske honeypot-token føderale agenter lavede for at fange wash traders.
Dagen efter at justitsministeriet annoncerede anholdelser forbundet med sagen, lavede en person en kopi af den præcis samme smart contract og lancerede et efterlignings-token. Ved at bruge samme metoder som FBI netop havde afsløret i retsdokumenterne, tjente denne person 127.000 dollars på én dag.
Enhver LP, der spurgte mig, om “den værste adfærd på markedet endelig blev ryddet op”, ville have fået sit svar inden for fireogtyve timer.
FBI’s operation blev et oplæg for angriberen. Hver afsløring, der hjælper forsvarssiden, leverer også et arbejdende skabelon til angriberen – og angribere læser hurtigere, end myndighederne kan lukke hullerne.
Angrebssiden er netop blevet billigere og hurtigere
Man kan se samme ubalance i, hvor lidt indsats et angreb kræver nu. Programmør Peter Steinberger udviklede et populært open source-projekt, der lader dig køre en AI-assistent på din computer med fuld systemadgang via apps som Telegram, WhatsApp og Discord.
Produktet måtte skifte navn efter en varemærketvist.
Få minutter efter meddelelsen om navneskiftet, var der nogen, der havde overtaget hans gamle GitHub- og X-konti og brugt dem til at lancere og pushe et token, som nåede en markedsværdi på 16 millioner dollars før det faldt med over 90%.
Ingen malware, ingen stjålne nøgler. Bare nogen, der var hurtige nok til at udnytte et øjebliks uopmærksomhed, som ingen sikkerhedsværktøjer holdt øje med. Værktøjerne registrerede det ikke, fordi der endnu ikke var gjort noget ulovligt.
Når AI-agenten selv bliver snydt
Det er ikke kun mennesker, der falder for det her, som bekymrer mig, fordi så mange af de henvendelser jeg får, handler om “lad vores AI-agent handle for dig”. Disse agenter kan nemlig også tabe penge for dig.
En udvikler beskrev, hvordan en AI-agent på Solana købte et token, der faldt 94% efter tyve minutter, hvilket kostede agentens wallet 12.000 dollars.
Ved nærmere undersøgelse havde tokenet aktiveret freeze-autoritet, og de 10 største ejere kontrollerede 91% af udbuddet. Udgiveren havde allerede lanceret tre tidligere scam-tokens.
Alle disse røde flag burde være blevet opdaget på få sekunder af de overvågningsværktøjer, jeg har beskrevet her. Men agenten tjekkede ikke. Den så bare et token og en kurs og købte det – fordi ingen havde sat en sikkerhedslinje imellem analysen og beslutningen.
Det er præcis den fejlkilde, som jeg nu stresstester i alle agent-baserede investeringsforslag, jeg får ind.
Det der ikke kan løses med et værktøj
Det, der bekymrer mig mest, er, at en del af denne skade aldrig involverer en smart contract. Jeg har en offentlig profil og følgere, hvilket gør mig til præcis den slags ansigt, der bliver kopieret.
I maj blev det rapporteret, at en kvinde i Guelph, Ontario, mistede 14.000 dollars til svindlere efter at have troet, at hun talte med YouTuberen Mr Beast om en kryptoinvestering. Det gjorde hun ikke. Mr Beast har i årevis kæmpet mod AI-genererede videoer, der bruger hans ansigt til at lokke med falske giveaways.
Analyseværktøjer opfanger ikke sådanne kontakter, fordi intet af det rammer kæden, før pengene allerede er på vej. Bedraget sker i et videoopkald, i et øjebliks tillid. Når der først er en transaktion, som analyseplatformene kan vurdere, er skaden for offeret allerede sket.
AI er blevet bedre til at skabe den falske tillid hurtigere, end det er blevet god til at afsløre den. Og det er der, størstedelen af de 17 milliarder dollars faktisk er forsvundet hen.
AI krypto scams: Så hvem vinder egentlig?
Ingen af siderne.
Det er det mest ærlige svar, jeg kan give. Begge typer værktøjer, både analytiske og forudsigende, findes og virker. Opsvingene er ægte. At afvise dem, blot fordi svindel er vokset, ville være en anden form for uærlighed.
Men “ægte og i udvikling” er ikke det samme som “foran”. 2025-dataene taler sit tydelige sprog: opfindsomheden hos svindlere er steget endnu hurtigere end forsvarsmekanismerne.
Hvis der er én forklaring på det, er det denne: Overvågningsværktøjer stiller hovedsageligt spørgsmålet “er den her wallet mistænkelig?” — og det spørgsmål bliver kun stillet, når nogen vælger at tjekke.
Så findes der sager som dem i Guelph, hvor der slet ikke er nogen wallet at undersøge. AI har gjort sådanne tilfælde hyppigere, og det er derfor, jeg har droppet at bruge AI som salgsargument, og i stedet ser det som det første, jeg vil stressteste.
Blockchainen kan bekræfte en wallets historik. Den kan ikke bekræfte et telefonopkald,
