Relatório da DWF: IA supera humanos na otimização de rendimento em DeFi, mas fica atrás em negociações complexas

Autor: DWF Ventures

Tradução: Deep潮 TechFlow

Leitura da Shenchao: Os Agentes de IA já representam cerca de um quinto do volume de negociação no DeFi e realmente superam humanos em cenários claros como otimização de rendimento. Mas, quando se trata de negociação autônoma, o desempenho dos melhores modelos de IA ainda é inferior a um quinto do desempenho dos melhores humanos. Este estudo analisa o desempenho real da IA em diferentes cenários do DeFi e vale a pena ser lido por todos que acompanham negociações automatizadas.

Pontos principais

A automação e as atividades de agentes atualmente representam cerca de 19% de todas as atividades na cadeia, mas a autonomia end-to-end real ainda não foi alcançada.

Em casos de uso estreitos e bem definidos, como otimização de rendimentos, os agentes já demonstraram desempenho superior ao dos humanos e bots. No entanto, em ações multifacetadas, como negociação, os humanos superam os agentes.

Entre os agentes, a escolha do modelo e a gestão de riscos têm o maior impacto no desempenho das negociações.

Com a adoção em larga escala de agentes, existem vários riscos relacionados à confiança e execução, incluindo ataques de Sybil, aglomeração de estratégias e compromissos de privacidade.

Nos últimos doze meses, a atividade dos agentes cresceu de forma constante, com aumento tanto no volume quanto no número de transações. Observamos que o protocolo x402 da Coinbase liderou importantes desenvolvimentos, com participantes como Visa, Stripe e Google também entrando no espaço para lançar seus próprios padrões. A maior parte da infraestrutura atualmente em construção destina-se a atender dois cenários: canais entre agentes ou chamadas de agentes acionadas por humanos.

Embora o comércio de stablecoins já seja amplamente suportado, a infraestrutura atual ainda depende de gateways de pagamento tradicionais como base, o que significa que ainda depende de contrapartes centralizadas. Portanto, o resultado final "totalmente autônomo", em que o agente pode se autofinanciar, se autoexecutar e otimizar continuamente conforme as condições mudam, ainda não foi alcançado.

Agentes não são totalmente estranhos ao DeFi. Por anos, protocolos on-chain já contavam com automação por meio de bots para capturar MEV ou obter retornos excessivos que não seriam possíveis sem código. Esses sistemas funcionam muito bem sob parâmetros bem definidos, que não mudam frequentemente nem exigem supervisão adicional. No entanto, o mercado tornou-se mais complexo ao longo do tempo. É aí que entram os novos agentes, cuja atuação on-chain se tornou um campo de experimentação nos últimos meses.

De acordo com o relatório, a atividade de agentes cresceu exponencialmente, com mais de 17.000 agentes lançados desde 2025. O volume total de atividades automatizadas/agentes estima-se cobrir mais de 19% de todas as atividades on-chain. Isso não é surpreendente, pois estima-se que mais de 76% das transferências de stablecoins sejam geradas por bots. Isso indica um grande potencial de crescimento para a atividade de agentes no DeFi.

A autonomia dos agentes abrange uma ampla gama, desde experiências tipo chatbot que exigem alta supervisão humana, até agentes capazes de elaborar estratégias adaptativas às condições de mercado com base em entradas de objetivos. Em comparação com bots, os agentes apresentam várias vantagens chave, incluindo a capacidade de responder e executar novas informações em milissegundos, bem como expandir a cobertura para milhares de mercados mantendo o mesmo nível rigoroso.

A maioria dos agentes ainda está no nível de analista a co-piloto, pois a maioria ainda está em fase de teste.

A provisão de liquidez é um domínio já amplamente automatizado, com o TVL total detido por agentes superando US$ 39 milhões. Esse número mede principalmente os ativos depositados diretamente nos agentes pelos usuários, mas não inclui o capital roteado pelo tesouro.

A Giza Tech é um dos maiores protocolos nesse campo e lançou no final do ano passado seu primeiro aplicativo de agente, o ARMA, destinado a aumentar a captura de rendimentos dos principais protocolos DeFi. Já atraiu mais de US$ 190 milhões em ativos geridos e gerou mais de US$ 40 bilhões em volume de transações de agentes. A alta relação entre volume de transações e total de ativos geridos indica que os agentes reequilibram frequentemente o capital, permitindo uma captura de rendimentos mais elevada. Uma vez que o capital é depositado no contrato, a execução é automatizada, oferecendo aos usuários uma experiência simples de um clique, com quase nenhuma necessidade de supervisão.

O desempenho da ARMA foi mensuravelmente excelente, gerando um rendimento anualizado superior a 9,75% para o USDC. Mesmo considerando as taxas adicionais de reposicionamento e a taxa de desempenho de 10% do agente, o rendimento ainda supera os empréstimos convencionais na Aave ou Morpho. Contudo, a escalabilidade continua sendo um problema crucial, pois esses agentes ainda não foram testados em cenários reais para gerenciar ou escalar até o nível dos principais protocolos DeFi.

No entanto, para ações mais complexas, como negociação, os resultados são muito mais variados. Os modelos de negociação atuais operam com entradas definidas por humanos e fornecem saídas com base em regras pré-definidas. O aprendizado de máquina amplia isso ao permitir que os modelos atualizem seu comportamento com base em novas informações sem necessidade de reprogramação explícita, elevando-os ao papel de co-piloto. Com a entrada de agentes totalmente autônomos, o cenário de negociação sofrerá grandes mudanças.

Foram realizadas várias competições de negociação entre agentes e entre humanos contra agentes, revelando grandes diferenças entre os modelos. A Trade XYZ realizou uma competição de negociação entre humanos e agentes para as ações listadas em sua plataforma. Cada conta tinha um capital inicial de 10 mil dólares, sem restrições quanto a alavancagem ou frequência de negociação. Os resultados foram esmagadoramente favoráveis aos humanos, com o desempenho dos melhores humanos superando em mais de cinco vezes o dos melhores agentes.

Ao mesmo tempo, a Nof1 realizou uma competição de transações entre agentes de modelos, fazendo vários modelos (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) competirem entre si para testar diferentes configurações de risco, desde a preservação de capital até alavancagem máxima. Os resultados revelaram vários fatores que ajudam a explicar as diferenças de desempenho:

Tempo de posição: Existe forte correlação; modelos que mantêm cada posição por 2-3 horas em média superam significativamente modelos com trocas frequentes.

Valor esperado: Isso mede se, em média, o modelo lucra por transação. Interessantemente, apenas os três primeiros modelos têm valor esperado positivo, o que significa que a maioria dos modelos tem mais transações com prejuízo do que com lucro.

Alavancagem: Níveis mais baixos de alavancagem, média de 6-8 vezes, demonstraram desempenho superior em comparação com modelos que operam com mais de 10 vezes de alavancagem; níveis elevados aceleram as perdas.

Dica de estratégia: O Monk Mode é o modelo com o melhor desempenho até agora, enquanto o Situational Awareness teve o pior desempenho. Com base nas características do modelo, isso indica que focar em gestão de risco e menos fontes externas resulta em melhor desempenho.

Modelo básico: Grok 4.20 demonstrou desempenho significativamente superior em mais de 22% em relação a outros modelos em diferentes estratégias de prompt e é o único modelo com lucro médio.

Outros fatores, como preferências de longo/curto, tamanho da negociação e pontuação de confiança, não possuem dados suficientes ou não demonstraram correlação positiva com o desempenho do modelo. Em geral, os resultados indicam que o agente tende a se sair melhor dentro de restrições bem definidas, o que significa que os humanos ainda são muito necessários na configuração de objetivos.

Como o agente ainda está em estágio inicial, não há ainda um framework abrangente de avaliação. O desempenho histórico é frequentemente usado como referência para avaliar o agente, mas é influenciado por fatores subjacentes que fornecem sinais mais fortes de desempenho de agentes robustos.

Desempenho sob diferentes volatilidades: incluindo controle disciplinado de perdas quando as condições pioram, o que indica que o agente consegue identificar fatores off-chain que afetam a lucratividade das negociações.

Transparência e privacidade: ambas partes têm seus próprios compromissos. Um agente transparente, se puder ser copiado ativamente, basicamente não terá vantagem estratégica. Um agente privado enfrenta o risco de extração interna pelo criador, que pode facilmente executar front-running sobre seus próprios usuários.

Fonte de informação: As fontes de dados acessadas pelo agente são cruciais para determinar como o agente toma decisões. É essencial garantir que as fontes sejam confiáveis e não apresentem dependência única.

Security: It is crucial to have smart contract audits and an appropriate fund custody architecture to ensure backup measures in the event of a black swan event.

Para a adoção em larga escala de agentes, ainda há muito trabalho a ser feito na infraestrutura. Isso se resume a questões cruciais sobre confiança e execução de agentes. As ações de agentes autônomos não têm barreiras de segurança, e já ocorreram casos de má gestão de fundos.

O ERC-8004 foi lançado em janeiro de 2026, tornando-se o primeiro registro on-chain que permite que agentes autônomos se descubram mutuamente, estabeleçam reputação verificável e colaborem de forma segura. Este é um desbloqueio crucial para a composabilidade do DeFi, pois pontuações de confiança estão incorporadas diretamente nos contratos inteligentes, permitindo atividades sem permissão entre agentes e protocolos. No entanto, isso não garante que os agentes sempre operem de forma não maliciosa, pois vulnerabilidades de segurança, como reputação coludida e ataques de Sybil, ainda podem ocorrer. Portanto, ainda há grande espaço para preencher lacunas em seguros, segurança e质押 econômico dos agentes.

Com a expansão das atividades de agentes no DeFi, o aglomeramento de estratégias se torna um risco estrutural. Os yield farms são o exemplo mais claro: à medida que as estratégias se tornam populares, os retornos se comprimem. A mesma dinâmica pode se aplicar às negociações por agentes. Se muitos agentes forem treinados em dados semelhantes e otimizem objetivos semelhantes, eles convergirão para posições semelhantes e sinais de saída semelhantes.

O artigo CoinAlg, publicado pela Universidade de Cornell em janeiro de 2026, formalizou uma versão deste problema. Agentes transparentes podem ser explorados por arbitragem, pois suas transações são previsíveis e podem ser antecipadas. Agentes privados evitam esse risco, mas introduzem um risco diferente: o criador mantém vantagem informativa sobre seus usuários e pode extrair valor por meio do conhecimento interno que a opacidade deveria proteger.

As atividades dos agentes continuarão a acelerar, e a infraestrutura estabelecida hoje determinará como funcionará a próxima fase da finança on-chain. Com o aumento do uso dos agentes, eles se auto-iterarão e se tornarão mais sensíveis às preferências dos usuários. Portanto, os principais fatores de diferenciação se reduzirão à infraestrutura confiável, que conquistará a maior parte do mercado.