Comment Chain, notre espace de travail IA, aide les enquêteurs à lutter contre la criminalité
Le rapport de Chainalysis examine comment son nouvel espace de travail alimenté par l'IA, Chain, a été déployé pour enquêter sur le piratage massif de Binance. Il montre que l'IA conversationnelle, la création automatisée de flux de travail et les données d'attribution intégrées accélèrent considérablement la traçabilité et l'attribution des cryptomonnaies volées.
Points clés
- Chain permet aux enquêteurs d’interroger les données on‑chain en langage naturel, éliminant ainsi le besoin de scripts manuels.
- L’outil peut localiser automatiquement les transactions de ponts sur plusieurs blockchains.
- Les données d’attribution historiques ont permis une comparaison rapide de la perte de Binance avec les piratages liés à la Corée du Nord.
- Les recettes d’automatisation permettent aux analystes de tracer à grande échelle des schémas de blanchiment complexes de façon récurrente.
- Les capacités de Chain sont désormais proposées aux échanges, aux forces de l’ordre et aux équipes de conformité.
Le défi d’enquête
Lorsque Binance a subi ce qui est largement considéré comme le plus grand piratage de cryptomonnaies, les attaquants ont déplacé des milliards de dollars à travers des dizaines de blockchains et de nombreux ponts. Le suivi manuel traditionnel – extraction des explorateurs, écriture de scripts personnalisés et recoupement d’APIs externes – ne pouvait pas suivre la vitesse et le volume de l’opération de blanchiment. Le rapport se demande si un espace de travail natif IA peut combler cet écart et offrir aux enquêteurs un moyen plus rapide et plus fiable de cartographier les flux illicites.
Données, méthodes et interface IA
Chainalysis s’est appuyé sur 12 ans de données d’attribution on‑chain pour créer Chain, une interface alimentée par l’IA qui répond aux requêtes en langage naturel avec l’intelligence propriétaire de l’entreprise. Les enquêteurs ont simplement demandé à Chain de « trouver les transactions de pont correspondantes », et le système a renvoyé les mouvements inter‑chaînes pertinents sans aucun outil externe. La plateforme permet également aux utilisateurs de décrire les sorties souhaitées – graphiques, résumés ou jeux de données – et elle les assemble automatiquement, transformant les données brutes en renseignements exploitables en quelques minutes.
Principales conclusions
Le rapport met en avant trois capacités décisives lors de la réponse à Binance. Premièrement, les requêtes conversationnelles ont éliminé le besoin de code personnalisé, permettant aux analystes de localiser instantanément l’activité des ponts. Deuxièmement, la bibliothèque d’attribution historique de Chain a permis à l’équipe de recherche de quantifier rapidement les pertes liées à la Corée du Nord en pourcentage du vol total annuel de cryptomonnaies, produisant un jeu de données définitif pour l’analyse des tendances. Troisièmement, les enquêteurs ont codifié une « recette » réutilisable qui a tracé les échanges de stablecoins à travers les protocoles DeFi, automatisant une étape de traçage très laborieuse et démontrant comment les flux de travail basés sur des modèles peuvent s’étendre à des milliers d’adresses.
Limites et réserves
Chain est encore en aperçu limité, ce qui signifie que l’accès est restreint et que les performances peuvent évoluer à mesure que davantage d’utilisateurs testent le système. Le rapport repose sur des anecdotes internes plutôt que sur des références indépendantes, de sorte que les gains de vitesse et les taux de détection ne sont pas quantifiés. De plus, la précision de l’IA dépend de la complétude des données sous-jacentes de Chainalysis ; des lacunes dans l’attribution pourraient entraîner des liens manquants dans des chaînes de blanchiment complexes.
Implications pour l’écosystème crypto
Si Chain tient ses promesses, les échanges, les équipes de conformité et les agences de police pourraient réduire considérablement le délai entre le vol et la saisie des actifs, limitant ainsi l’impact financier des piratages à grande échelle. Les recettes automatisées signifient également qu’une fois qu’un schéma de blanchiment est identifié, il peut être appliqué à l’ensemble du réseau, augmentant le coût global pour les criminels qui cherchent à masquer les fonds. À mesure que les acteurs malveillants adoptent des automatisations sophistiquées, des outils comme Chain pourraient devenir essentiels pour maintenir les capacités d’enquête à jour.
Dans l’ensemble, le rapport suggère que les espaces de travail augmentés par l’IA peuvent transformer les enquêtes sur la criminalité crypto, faisant passer les vols massifs multi‑chaînes d’un cauchemar de traçage à un processus gérable et guidé par les données.