Ikhtisar Alat DeFAI: Bagaimana Agen AI Mendorong Manajemen Aset On-Chain

Penulis: GO2MARS

Sebelum memulai analisis resmi, penting untuk terlebih dahulu memahami konsep inti: DeFAI.

DeFAI adalah singkatan dari penggabungan DeFi (keuangan terdesentralisasi) dan AI (kecerdasan buatan), yang merujuk pada integrasi AI Agent ke dalam skenario keuangan on-chain, sehingga mampu memahami kondisi pasar, membuat strategi secara mandiri, dan melakukan operasi on-chain secara langsung—memungkinkan tindakan keuangan tradisional yang biasanya memerlukan intervensi profesional, seperti alokasi aset, manajemen risiko, dan interaksi protokol, dilakukan tanpa memerlukan intervensi manusia secara real-time.

Singkatnya, DeFAI bukan sekadar peningkatan AI sederhana terhadap alat DeFi, tetapi berusaha membangun lapisan eksekusi keuangan otonom di blockchain.

Lintasan ini mulai memanas pesat sejak Q4 2024, dengan tiga peristiwa penting yang patut diperhatikan, masing-masing mencerminkan tiga tingkatan masuknya AI Agent ke dalam Web3: narasi yang melampaui batas, pembangunan infrastruktur aset, serta implementasi nyata dari kemampuan eksekusi.

Peristiwa pertama terjadi pada Juli 2024. Bot Twitter Truth Terminal yang dibangun oleh pengembang Andy Ayrey dengan cepat menjadi viral setelah menerima hadiah 50.000 BTC dari salah satu pendiri a16z, Marc Andreessen, dan memicu penyebaran viral dari koin GOAT. Ini adalah pertama kalinya AI Agent secara nyata masuk ke dalam pandangan publik sebagai peserta ekonomi on-chain.

Peristiwa kedua terjadi pada bulan Oktober tahun yang sama. Virtuals Protocol menjadi populer di jaringan Base, dengan menerbitkan token dari AI Agent itu sendiri, dan kapitalisasi pasar ekosistemnya mencapai puncak lebih dari $3,5 miliar, menjadi perwakilan khas pada tahap pembangunan infrastruktur asetisasi di lintasan DeFAI.

Peristiwa ketiga adalah proyek-proyek seperti Giza, HeyAnon, dan Almanak yang secara berturut-turut diluncurkan di lapisan eksekusi rantai, mendorong industri berpindah dari fase yang didorong narasi menuju fase produk—AI Agent mulai benar-benar "beraksi" melakukan operasi di rantai, bukan hanya berhenti pada tingkat interaksi informasi.

Dari segi ukuran pasar global, berbagai lembaga riset memiliki perkiraan pertumbuhan yang sangat konsisten untuk lintasan AI Agent:

Grafik 1: Perbandingan proyeksi ukuran pasar AI Agent global, sumber data: MarketsandMarkets (2025), Grand View Research (2025), BCC Research (2026.01)

Namun, terdapat kesenjangan signifikan antara antusiasme modal dan penerapan industri. Menurut laporan "The State of AI in 2025" yang dirilis McKinsey pada November 2025 (berdasarkan survei terhadap 1.993 responden di 105 negara), meskipun 88% organisasi telah menggunakan AI di setidaknya satu fungsi bisnis, hampir dua pertiga masih berada pada tahap eksperimen atau uji coba. Secara khusus di bidang AI Agent: 62% organisasi mulai melakukan eksperimen, 23% memperluas penerapan di setidaknya satu fungsi, tetapi persentase organisasi yang mencapai penerapan berskala besar di setiap fungsi tunggal tetap di bawah 10%.

Data ini menunjukkan bahwa narasi popularitas di jalur DeFAI saat ini masih memimpin dibandingkan kemajuan implementasi nyata. Memahami kesenjangan ini adalah prasyarat untuk mengevaluasi nilai jalur ini secara objektif.

Untuk memahami bagaimana DeFAI berfungsi, pertama-tama perlu menjawab pertanyaan kunci: AI terlibat dalam operasi keuangan on-chain melalui mekanisme apa?

Unit eksekusi inti dari sistem DeFAI adalah AI Agent yang dibangun berdasarkan model bahasa besar. Menurut tinjauan akademis Wang et al. (2023), kemampuan intinya dapat dirangkum dalam arsitektur tiga lapisan, dan setiap lapisan memiliki fungsi spesifiknya masing-masing dalam skenario on-chain:

• Tingkat perencanaan, bertanggung jawab atas dekomposisi tujuan dan optimasi jalur, sesuai dengan generasi strategi dan evaluasi risiko dalam skenario on-chain;
• Memory layer, yang mencapai akumulasi informasi lintas periode melalui penyimpanan eksternal seperti vector database, menampung data pasar historis dan status protokol;
• Lapisan alat, memperluas kemampuan model agar dapat memanggil sistem eksternal seperti protokol DeFi, oracle harga, dan jembatan lintas rantai.

Namun, ada satu poin yang perlu ditegaskan: model AI sendiri tidak dapat berinteraksi langsung dengan blockchain. Hampir semua sistem DeFAI saat ini menggunakan arsitektur yang memisahkan inferensi off-chain dari eksekusi on-chain—AI Agent melakukan perhitungan strategi di off-chain, lalu mengubah hasilnya menjadi sinyal transaksi on-chain yang diserahkan oleh modul eksekusi. Desain arsitektur ini merupakan pilihan praktis berdasarkan kondisi teknis saat ini, sekaligus menimbulkan sejumlah isu keamanan seperti otorisasi kunci pribadi dan manajemen izin.

AI Agent pada dasarnya adalah sistem keputusan mandiri berbasis model bahasa besar, yang mencapai eksekusi tertutup melalui pemecahan tugas, manajemen memori, dan pemanggilan alat, sementara interaksi AI Agent dengan aset on-chain saat ini juga telah mulai terwujud.

Grafik 2: Arsitektur tiga lapisan AI Agent

Setelah memahami dasar teknis DeFAI, pertanyaan alami berikutnya muncul: bagaimana sistem ini sampai ke titik ini?

Menurut penelitian The Block, evolusi DeFAI bukanlah sesuatu yang terjadi sekaligus, melainkan melalui dua tahap berbeda—dari agen interaktif awal yang berfokus pada pemrosesan informasi, hingga sistem eksekusi saat ini yang mampu benar-benar terlibat dalam operasi on-chain.

Keduanya memiliki perbedaan mendasar dalam target pasar, metode teknis, dan tingkat risiko.

Grafik 3: Perbandingan Jalur Evolusi Dua Gelombang DeFAI

Rangkaian evolusi dua tahap dapat dipahami sebagai berikut:

Gelombang pertama adalah Agent interaktif, dengan fokus pada membangun kerangka agen yang dapat berdialog dan menganalisis. Proyek-proyek representatif termasuk kerangka Eliza dari ElizaOS (sebelumnya ai16z) dan G.A.M.E. dari Virtuals. Inti tahap ini tetap merupakan alat informasi—Agent dapat membaca, berbicara, dan menganalisis, tetapi batas fungsinya berhenti pada lapisan informasi dan tidak menyentuh operasi aset apa pun.

Gelombang kedua adalah DeFAI Agent tipe eksekusi, yang benar-benar memasuki siklus tertutup pengambilan keputusan dan eksekusi. Proyek-proyek perwakilan meliputi HeyAnon, Wayfinder, Giza (ARMA Agent), dan Almanak. Ciri umum sistem semacam ini adalah: AI berjalan di luar rantai, menghasilkan sinyal strategi terstruktur, dan menyelesaikan transaksi melalui modul eksekusi di rantai—sistem ini tidak menggantikan protokol DeFi yang ada, tetapi menambahkan lapisan mekanisme keputusan AI di atasnya, mengubah seluruh rantai operasi dari “manusia memberi perintah” menjadi “Agent melakukan eksekusi mandiri”.

Perbedaan mendasar antara dua gelombang evolusi bukan terletak pada kompleksitas teknis, tetapi pada apakah benar-benar menyentuh aset. Ini juga menentukan tantangan yang dihadapi sistem gelombang kedua dalam mekanisme kepercayaan, desain otoritas, dan arsitektur keamanan jauh lebih kompleks daripada gelombang pertama—ini adalah fokus utama yang akan dibahas di bab berikutnya.

Dari arsitektur teknis hingga jalur evolusi, "apa yang bisa dilakukan" DeFAI semakin jelas. Lalu, di tingkat produk nyata, apa masalah nyata yang sedang dipecahkannya?

Secara keseluruhan, eksplorasi aplikasi DeFAI saat ini telah membentuk pola penerapan yang relatif matang di sekitar empat arah inti, masing-masing mencakup empat masalah utama dalam operasi on-chain: «efisiensi pendapatan, eksekusi strategi, ambang batas interaksi, dan pengelolaan risiko».

Optimasi pendapatan: Penyesuaian portofolio otomatis lintas protokol

Optimasi pendapatan adalah skenario aplikasi DeFAI yang paling matang saat ini. Logika intinya adalah: terus memindai tingkat penghasilan tahunan deposit dari protokol DeFi utama seperti Aave, Compound, dan Fluid, menggabungkan parameter risiko yang telah ditetapkan untuk menentukan apakah perlu melakukan penyesuaian portofolio, serta melakukan analisis biaya transaksi sebelum setiap operasi—hanya mentransfer dana ketika peningkatan pendapatan mampu menutupi seluruh biaya gas dan transaksi, sehingga mencapai konfigurasi otomatis optimal lintas protokol.

Sebagai contoh Giza, ARMA Agent-nya diluncurkan pada Februari 2025 di jaringan Base dengan strategi pendapatan stablecoin, memantau secara terus-menerus perubahan suku bunga protokol seperti Aave, Morpho, Compound, dan Moonwell, serta secara cerdas mengalokasikan dana pengguna berdasarkan pertimbangan komprehensif terhadap APY protokol, biaya transaksi, dan likuiditas untuk memaksimalkan pendapatan. Menurut data publik, ARMA saat ini memiliki sekitar 60.000 pemegang independen, lebih dari 36.000 Agent yang telah dideploy, dan total aset yang dikelola (AUA) melebihi $20 juta.

Dalam lingkungan pasar di mana imbal hasil protokol DeFi terus bervariasi, efisiensi dan ketepatan waktu pemantauan manual serta penyesuaian portofolio manual jauh kalah dibandingkan sistem otomatis, yang merupakan nilai inti dalam skenario ini.

Grafik 4: Contoh gambar ARMA Agent dari platform Giza

Automasi strategi kuantitatif: Demokratisasi kemampuan tingkat institusi

Dalam skenario otomatisasi strategi kuantitatif, platform DeFAI berusaha memodularisasi dan mengotomatisasi seluruh proses operasional tim kuantitatif tradisional, sehingga pengguna perorangan juga dapat mengakses kemampuan eksekusi strategi tingkat institusi.

Dengan contoh Almanak yang didukung oleh Delphi Digital, sistem AI Swarm yang diluncurkan memecah proses kuantitatif menjadi empat tahap:

• Modul strategi mendukung penulisan logika investasi dan pengujian ulang melalui Python SDK;
• Mesin eksekusi secara otomatis menjalankan kode strategi yang telah diaudit dan memicu panggilan DeFi setelah mendapatkan otorisasi pengguna;
• Dompet aman dibangun berdasarkan Safe + Zodiac untuk membangun sistem multi-tanda tangan, dengan memberikan otoritas eksekusi strategi kepada AI Agent melalui kontrol izin peran, memastikan dana selalu berada dalam kendali pengguna;
• Strategy Vault mengemas strategi sebagai vault yang dapat diperdagangkan sesuai standar ERC-7540, memungkinkan investor berpartisipasi dalam distribusi keuntungan strategi seperti halnya unit reksa dana.

Arti dari arsitektur ini adalah bahwa agen AI mengambil alih fungsi analisis data, iterasi strategi, dan manajemen risiko, sehingga pengguna hanya perlu melakukan tinjauan akhir terhadap hasil sistem, tanpa perlu membentuk tim kuantitatif profesional—mewujudkan apa yang disebut "demokratisasi strategi tingkat institusi" (klaim proyek).

Grafik 5: Tampilan halaman utama platform Almanak

Eksekusi perintah bahasa alami: Jadikan operasi DeFi semudah mengirim pesan

Inti dari skenario ini adalah operasi DeFi berbasis niat pengguna (Intent-based DeFi): dengan memanfaatkan teknologi pemrosesan bahasa alami, pengguna dapat memberikan perintah perdagangan dalam bahasa sehari-hari, dan AI akan menganalisisnya serta mengubahnya menjadi serangkaian operasi on-chain, sehingga secara signifikan menurunkan hambatan operasional bagi pengguna biasa.

HeyAnon telah menciptakan platform obrolan DeFAI, di mana pengguna dapat memasukkan perintah melalui kotak obrolan, dan AI akan menjalankan operasi on-chain seperti pertukaran token, jembatan lintas rantai, pinjaman, dan staking, dengan integrasi jembatan lintas rantai LayerZero dan protokol seperti Aave v3, mendukung penyebaran multi-rantai seperti Ethereum, Base, dan Solana.

Grafik 6: Tampilan halaman utama platform HeyAnon

Wayfinder didanai oleh Paradigm dan menyediakan layanan perdagangan lintas rantai yang lebih lanjut. Agen AI-nya (disebut Shells) secara otomatis mencari rute perdagangan optimal di antara berbagai rantai, menjalankan operasi seperti transfer lintas rantai, pertukaran token, atau interaksi NFT, sehingga pengguna tidak perlu memperhatikan detail teknis seperti biaya gas bawahannya atau kompatibilitas lintas rantai.

Grafik 7: Tampilan halaman utama platform Wayfinder

Secara keseluruhan, antarmuka bahasa alami secara signifikan menurunkan hambatan operasional DeFi, tetapi juga menuntut akurasi yang lebih tinggi dalam interpretasi niat dasar—jika AI salah memahami perintah, hasil operasi bisa sangat berbeda dari yang diharapkan pengguna.

Manajemen Risiko dan Pemantauan Likuidasi: Mekanisme yang tertanam dalam protokol on-chain

Dalam skenario pinjaman dan leverage DeFi, aplikasi paling umum dari AI Agent adalah memantau kesehatan posisi on-chain secara real-time dan secara otomatis menjalankan tindakan perlindungan sebelum ambang batas likuidasi tercapai. Aplikasi utama ini secara bertahap sedang diintegrasikan ke dalam berbagai protokol DeFi utama, menjadi fungsi asli platform DeFi.

• Aave menggunakan "health factor" untuk mengukur keamanan posisi, dan posisi peminjam memenuhi syarat untuk dilelang ketika health factor berada di bawah 1.0;
• Compound menggunakan mekanisme "Liquidation Collateral Factor", di mana likuidasi dipicu ketika saldo pinjaman akun melebihi batas atas yang ditetapkan oleh faktor tersebut, dengan parameter masing-masing aset jaminan ditentukan secara terpisah melalui tata kelola on-chain.

Pemantauan manual sulit mempertahankan efisiensi respons yang konsisten di pasar on-chain dengan volatilitas tinggi 24/7, sedangkan AI Agent dapat melakukan pelacakan berkelanjutan, evaluasi cerdas, dan intervensi otomatis, meningkatkan efisiensi manajemen risiko hingga tingkat yang tidak dapat dicapai oleh sistem manual atau otomasi berbasis aturan.

Grafik 8: Empat aplikasi utama Agent×DeFi

Secara keseluruhan, keempat skenario di atas bukanlah saling terpisah, melainkan saling melengkapi di sekitar satu garis utama: optimasi pendapatan dan otomasi strategi kuantitatif ditujukan bagi pengguna lanjutan dengan skala aset tertentu, dengan keunggulan utama pada efisiensi eksekusi dan presisi strategi; interaksi berbasis bahasa alami berfokus pada penurunan hambatan penggunaan bagi pengguna biasa; sementara manajemen risiko merupakan lapisan keamanan dasar yang menyeluruh di semua skenario. Ketiganya bekerja sama, membentuk landasan penerapan ekosistem DeFAI saat ini, sekaligus meletakkan dasar bagi aplikasi Agent on-chain yang lebih kompleks di masa mendatang.

Empat skenario aplikasi yang disebutkan sebelumnya, baik itu optimasi pendapatan maupun otomatisasi strategi kuantitatif, semua bergantung pada satu prasyarat: AI Agent harus memiliki akses ke otoritas tanda tangan, yaitu kemampuan mengakses kunci pribadi. Ini adalah tantangan teknis paling kritis dalam seluruh lintasan DeFAI, sekaligus yang paling mudah tersembunyi di balik popularitas narasi—jika mekanisme tanda tangan mengalami kerentanan, seluruh kemampuan strategi lapisan atas akan kehilangan maknanya.

Saat ini, solusi manajemen keamanan kunci pribadi yang umum digunakan di industri dibagi menjadi dua kategori: MPC (Multi-Party Computation) dan TEE (Trusted Execution Environment). Keduanya memiliki fokus yang berbeda dalam hal model keamanan, tingkat otomatisasi, dan kompleksitas teknis.

Grafik 9: Tabel perbandingan dua solusi utama untuk manajemen keamanan kunci pribadi

• Gagasan inti MPC (Multi-Party Computation, Komputasi Pihak Banyak) adalah menghilangkan titik kegagalan tunggal melalui pemecahan kunci. Sebagai contoh, pada tanda tangan ambang 2-of-3 yang umum, bahkan jika salah satu kunci bocor, penyerang tidak dapat melakukan tanda tangan secara mandiri, sehingga keamanan dana tetap terjaga. Vultisig adalah produk representatif di bidang ini, sebuah dompet self-custody multi-chain open-source yang dibangun berdasarkan teknologi MPC/TSS, menggunakan arsitektur tanpa mnemonic tunggal yang menggabungkan keamanan kunci dengan self-custody pengguna.
• TEE (Trusted Execution Environment) mengambil jalur lain: menyimpan kunci pribadi bersama kode agen di dalam area terisolasi yang dilindungi perangkat keras (enclave), di mana agen AI melakukan perhitungan strategi dan penandatanganan di dalam enclave, hanya mengeluarkan hasil penandatanganan ke blockchain, sehingga lingkungan eksternal sama sekali tidak dapat melihat kunci pribadi. Chip utama seperti Intel SGX, AMD SEV, dan ARM CCA menyediakan dukungan isolasi dan enkripsi tingkat perangkat keras. Chainlink telah mengintegrasikan TEE ke dalam jaringan oracle untuk menangani data sensitif, serta menggunakan mekanisme remote attestation untuk membuktikan integritas lingkungan eksekusi kepada pihak eksternal.

Namun, keamanan kunci hanyalah lapisan pertama pertahanan. Dalam penerapan nyata, terlepas dari skema manajemen kunci mana yang digunakan, mekanisme kontrol akses harus ditambahkan di atasnya untuk mencegah agen melakukan operasi di luar wewenangnya. Praktik Almanak menyediakan kerangka referensi yang cukup lengkap: platform secara bersamaan menggunakan strategi perlindungan TEE untuk logika dan parameter rahasia, serta menyisipkan lapisan izin Zodiac Roles Modifier di antara mesin penerapan dan akun pintar Safe yang dimiliki pengguna—setiap transaksi yang diinisiasi oleh AI harus dibandingkan satu per satu dengan daftar putih alamat kontrak, fungsi, dan parameter yang telah ditentukan sebelumnya; transaksi yang tidak sesuai dengan cakupan otorisasi akan ditolak secara otomatis.

Cara menerapkan prinsip hak akses minimum ini kini telah menjadi referensi penting dalam desain keamanan sistem DeFAI. Ini mengungkap logika yang lebih mendalam: masalah keamanan DeFAI pada dasarnya bukanlah masalah pemilihan teknologi tunggal, melainkan rekayasa sistem yang melibatkan manajemen kunci, batasan hak akses, dan audit eksekusi secara sinergis—kegagalan pada satu tahap mana pun dapat menjadi titik terlemah dalam seluruh rantai. Ini pula yang menjadi titik awal analisis risiko di bab berikutnya.

Analisis di atas mengungkapkan kesimpulan inti:

VCX tidak mendapatkan premium karena pilihan aset yang unggul atau ekspektasi pengembalian yang lebih tinggi, tetapi karena VCX menjual saluran itu sendiri. Untuk ini, perlu dijawab satu pertanyaan: VCX sebenarnya merupakan produk jenis apa?

Dari segi bentuk hukum, ia merupakan dana tertutup yang telah terdaftar di SEC, dengan portofolio yang transparan dan struktur yang sesuai peraturan, tanpa perbedaan mendasar dibandingkan ETF saham biasa di pasar. Namun dari segi fungsi praktis, yang dijual bukanlah "harapan pengembalian investasi" dalam arti tradisional, melainkan akses ke aset—yang sebelumnya hanya dapat dijangkau oleh lembaga VC kelas atas dan investor terkualifikasi—dan akses ini dikemas menjadi unit saham yang dapat diperdagangkan di NYSE.

Oleh karena itu, pasar bersedia membayar premi 16 hingga 30 kali NAV, yang pada dasarnya mematok harga atas hak akses ini, bukan menilai potensi keuntungan aset dasar di masa depan.

Dari sudut pandang ini, perbandingan antara VCX dan MicroStrategy (MSTR) cukup menggambarkan masalah. Keduanya tampaknya melakukan hal yang serupa: mengemas aset langka yang sulit diakses secara langsung (bitcoin / saham Pre-IPO kelas atas) menjadi sekuritas yang dapat diperdagangkan di pasar sekunder, serta menunjukkan premi jauh melebihi nilai aset dasar di pasar. Namun, logika operasi modal keduanya berbeda secara mendasar:

• MSTR memperoleh dana melalui penerbitan berkelanjutan obligasi yang dapat dikonversi dan saham preferen, lalu menggunakan dana tersebut untuk membeli lebih banyak bitcoin. Mekanisme ini memberinya kemampuan untuk memperluas neraca secara dinamis dan terus-menerus menambah posisi, sehingga premi harga sahamnya memiliki dasar internal yang bertahan sebagian.
• VCX terbatas oleh struktur dana tertutup: ukuran aset pada dasarnya tetap setelah penerbitan selesai, tidak dapat terus membeli aset baru melalui pendanaan ulang, dan likuiditas portofolionya sangat bergantung pada IPO atau exit melalui akuisisi perusahaan dasar. Setelah sentimen ritel mereda, atau setelah periode lock-up enam bulan berakhir dan pasokan yang beredar meningkat, tekanan penyempitan premi akan jauh lebih besar daripada MSTR.

Perbandingan VCX dengan MSTR (Strategi)

Dengan kata lain, premi MSTR didukung oleh mekanisme modal yang berjalan terus-menerus, sedangkan premi VCX terutama berasal dari kelangkaan koin + dorongan emosional. Logika produk ini sendiri tidak ada yang salah atau benar, tetapi risiko yang terkandung di dalamnya lebih sulit dihargai dengan tepat oleh pasar dibandingkan dana tertutup biasa:

Setelah investor ritel membeli dengan harga jauh di atas NAV, sebenarnya mereka membayar premi atas kualifikasi akses ini—dan premi ini akan mengalami tekanan cepat menuju nol setelah perusahaan dasar melakukan IPO dan saluran perdagangan langsung terbentuk di pasar publik.

Berdasarkan analisis sebelumnya, dapat dilakukan penilaian bertahap terhadap jalur perkembangan DeFAI. Secara keseluruhan, lintasan ini sedang berada pada titik kritis transisi dari verifikasi konsep ke produk, dan perkembangannya diperkirakan akan melalui tiga tahap berurutan:

Grafik 11: Prediksi Tahapan Pengembangan DeFAI

Catatan: Tabel di atas didasarkan pada analisis komprehensif terhadap laporan publik industri, kemajuan proyek, dan tingkat kematangan teknologi, bukan jadwal yang pasti.

Pada tahap saat ini, DeFAI secara keseluruhan berada dalam masa transisi dari fase pendukung keputusan menuju fase semi-otonom—beberapa proyek telah mulai memikul kemampuan eksekusi otonom dalam lingkup terbatas, namun mekanisme tinjauan dan penjaminan manusia tetap menjadi bentuk penerapan utama. Dalam konteks ini, terkait tingkat kedewasaan teknologi dan kondisi pasar saat ini, ada tiga penilaian yang perlu menjadi perhatian utama.

Pertama, sebagian besar proyek DeFAI saat ini pada dasarnya tetap merupakan alat otomatis, bukan Agent otonom sejati. Produk-produk yang saat ini disebut sebagai 'DeFAI' sebagian besar memiliki kemampuan inti dalam menerjemahkan perintah manusia menjadi urutan operasi DeFi yang telah ditentukan sebelumnya, pada dasarnya lebih mirip antarmuka eksekusi efisien daripada sistem otonom yang memiliki kemampuan penalaran dan pengambilan keputusan mandiri. Menurut laporan McKinsey tahun 2025, bahkan dalam skenario perusahaan umum, kurang dari 10% organisasi telah menerapkan AI Agent secara skala besar dalam satu fungsi tunggal. Ambang kepercayaan dan kompleksitas operasi dalam skenario on-chain lebih tinggi; jarak antara demonstrasi teknis dan lingkaran bisnis nyata masih sangat jauh.

Kedua, arah penerapan paling matang dan paling mudah mendapatkan kepercayaan institusi untuk AI Agent saat ini bukanlah perdagangan otonom berisiko tinggi, melainkan pemantauan, peringatan, dan bantuan tata kelola di rantai. Skenario seperti pemantauan posisi 7×24 jam, peringatan likuidasi, dan analisis usulan tata kelola, di satu sisi memiliki toleransi yang relatif tinggi terhadap ilusi LLM—kesalahan output tidak langsung memicu kerugian dana; di sisi lain, ini secara efektif mengatasi kekurangan alami manusia dalam konsistensi perhatian. Skenario semacam ini merupakan jalur yang lebih realistis bagi DeFAI untuk berpindah dari "pameran teknis" menuju "adopsi institusional".

Ketiga, integrasi AI Agent dengan RWA merupakan arah lintas bidang berikutnya yang patut menjadi fokus utama. Menurut data RWA.xyz, hingga awal April 2026, total nilai aset RWA yang ditokenisasi di blockchain telah melebihi $27 miliar (tidak termasuk stablecoin), mencakup berbagai kategori seperti obligasi pemerintah AS, kredit pribadi, komoditas, dan obligasi perusahaan. Jika AI Agent dapat terlibat dalam mengelola portofolio aset yang mencakup RWA obligasi pemerintah dan stablecoin—misalnya, secara otomatis menyesuaikan proporsi alokasi keduanya berdasarkan kondisi pasar—skala aset yang dapat dijangkau akan jauh melampaui cakupan saat ini yang didominasi oleh aset asli DeFi, dan berpotensi benar-benar menghubungkan aset di dalam dan di luar blockchain, mewujudkan sinergi Web3+AI+TraFi, serta secara signifikan memperluas imajinasi pasar.

Agen AI dan manajemen aset on-chain sedang berada dalam tahap kritis transisi dari verifikasi konsep ke produk. Kelayakan teknis telah terbukti secara awal, namun tantangan yang dihadapi industri—mulai dari risiko ilusi LLM, heterogenitas data on-chain, hingga ketiadaan infrastruktur kepercayaan—tidak dapat diselesaikan hanya dengan iterasi teknis, melainkan memerlukan kemajuan sistematis dalam desain arsitektur proyek, perencanaan jalur kepatuhan, pembangunan sistem keamanan, dan validasi model bisnis.

Ini juga berarti bahwa lintasan ini masih berada pada tahap awal pembangunan, dan pola persaingan sejati belum terbentuk. Bagi tim yang mampu menguasai dua dimensi Web3 dan AI, saat ini adalah jendela peluang untuk masuk—baik di tingkat eksekusi dengan membangun sistem Agent on-chain yang lebih andal, maupun di tingkat infrastruktur dengan menghubungkan kunci-kunci penting seperti data, izin, dan kepercayaan, masih terdapat banyak ruang kosong yang perlu diisi.

Hambatan kompetitif DeFAI pada akhirnya tidak akan terletak pada kemampuan model tunggal atau kedalaman integrasi protokol, tetapi pada kemampuan untuk membangun siklus tertutup yang benar-benar konsisten antara teknologi, kepatuhan, dan keamanan.