الكود دائمًا يحتوي على أخطاء. كانت الأخطاء العميقة تبقى مخفية لأن اكتشافها كان يتطلب خبرة بشرية نادرة ومكلفة — وكون الكود نظيفًا لم يكن له علاقة بذلك. هذا التكلفة تتراجع بسرعة. قبل ستة أشهر، كان أفضل النماذج على منصة EVMbench التابعة لـ OpenAI وParadigm تستغل أقل من 20% من أخطاء Code4rena الحرجة. الآن، ينجح GPT-5.3-Codex في كشف 70%. لكن اقرأ الرقم الثاني. إن دقة اكتشافه عبر قاعدة كود كاملة لا تزال حوالي 45%. الذكاء الاصطناعي جيد في اختراق ثقب واحد بمجرد تحديده. لكنه ضعيف في تحديد أي ثقب، ضمن بروتوكول كامل، هو بالفعل المهم. الأول هو عمل ميكانيكي. الثاني هو حكم. هذا مهم أكثر على السلسلة، لأن هناك زر "تراجع" لا يعمل. يمكن للبنك المخترق أن يجمد الحسابات ويعيد التغييرات. أما على السلسلة، بمجرد تحريك الأموال، لا يوجد حل نظيف — فهذا سيُلغي جوهر اللامركزية نفسها. وأظهر عام 2026 أين تتسرب الأموال فعليًا. خسرت DeFi أكثر من 750 مليون دولار بحلول منتصف العام. تقريبًا لم يكن أي منها نتيجة خطأ في الكود اكتشفه الذكاء الاصطناعي. خسرت Kelp DAO 292 مليون دولار — ليس خطأ في الكود، بل مُدقق تم ضبطه على نظام 1 من 1، وتم تزويده ببيانات كاذبة بينما بدا كل معاملة صالحة. خسر Drift 285 مليون دولار — بسبب هجوم اجتماعي على نظام التوقيع المتعدد. كان StablR نتيجة تركيز مفرط لمفتاح الإصدار. لا شيء من هذه الأمور يمكن اكتشافه من قراءة الكود. تكتشفها بفهم البروتوكول: أين الصلاحيات واسعة جدًا، وكيف هش مدقق الجسر، وما إذا كان الاعتماد على المصدر الخارجي منطقيًا، ومدى ربح المهاجم الفعلي من كل مسار. الذكاء الاصطناعي يكشف مئات الأسطر المشبوهة. أي منها يستحق أشهرًا من الهندسة الاجتماعية للوصول إليها؟ هذا قرار بشري. يصبح التدقيق مقسمًا إلى مستويين تحت هذا السياق. التدقيق القائم على القائمة — مسح السطر تلو السطر مقابل أنماط معروفة — يفعله الذكاء الاصطناعي في ساعات، وهذا المستوى يفقد قيمته بسرعة. الأشخاص الذين يفهمون البنية الاقتصادية للبروتوكول، وافتراضات الثقة فيه، ومسارات الهجوم الحقيقية، يصبحون أقل عددًا وأكثر تكلفة. عندما يصبح اكتشاف الأخطاء رخيصًا، يبقى هذا النوع من الحكم نادرًا، والندرة تحدد السعر. الموظف الأمني الذي يستحق الدفع له في الدورة القادمة يستطيع النظر إلى ما وجده الذكاء الاصطناعي ويقول لك ما إذا كان يمكنه حقًا سرقة الأموال.