Relatório Detalhado da DWF: A IA supera os humanos na otimização de yield farming em DeFi, mas transações complexas ainda ficam 5x atrás

Título do Artigo Original: Os Agentes vão dominar o DeFi?
Fonte Original: DWF Ventures

Tradução por: DeepFlow Tech

Pontos Chave

Atualmente, a automação e a atividade dos agentes representam cerca de 19% de toda a atividade on-chain, mas a verdadeira autonomia de ponta a ponta ainda não foi alcançada.

Em casos de uso estreitos e bem definidos, como a otimização de yield, os agentes mostraram um desempenho melhor do que humanos e bots. No entanto, para ações que envolvem múltiplos aspectos, como negociação, os humanos superam os agentes.

Entre os agentes, a seleção de modelos e a gestão de riscos têm o maior impacto no desempenho das negociações.

À medida que os agentes são adotados em larga escala, existem vários riscos relacionados à confiança e à execução, incluindo ataques de sanduíche, congestionamento de estratégias e compromissos de privacidade.

Crescimento Contínuo da Atividade dos Agentes

No último ano, a atividade dos agentes aumentou constantemente, com o volume e a contagem de transações em alta. Observamos desenvolvimentos significativos liderados pelo protocolo x402 da Coinbase, com players como Visa, Stripe e Google se juntando para introduzir seus próprios padrões. A maior parte da infraestrutura atualmente em construção visa atender a dois tipos de cenários: canais entre agentes ou chamadas de agentes acionadas por humanos.

Embora as transações de stablecoin tenham ganhado amplo apoio, a infraestrutura atual ainda depende de gateways de pagamento tradicionais como camada subjacente, o que significa que ainda depende de contrapartes centralizadas. Portanto, o estado final "totalmente autônomo", onde os agentes podem se autofinanciar, se autoexecutar e otimizar continuamente com base nas condições em mudança, ainda não foi alcançado.

Os agentes não são totalmente desconhecidos no DeFi. Por anos, houve automação através de bots em protocolos on-chain, capturando MEV ou alcançando retornos desproporcionais que não seriam possíveis sem código. Esses sistemas operaram muito bem sob parâmetros claramente definidos que não mudam com frequência ou requerem supervisão adicional.

No entanto, o mercado se tornou cada vez mais complexo ao longo do tempo. É aqui que vemos a entrada da nova geração de agentes, com os últimos meses on-chain servindo como um campo experimental para tais atividades.

Desempenho do Agente em Ação

De acordo com relatórios, a atividade dos agentes viu um crescimento exponencial, com mais de 17.000 agentes lançados desde 2025. O volume total de automação/atividade dos agentes é estimado em mais de 19% de todas as atividades on-chain. Isso não é surpreendente, pois mais de 76% do volume de transferências de stablecoins é estimado como gerado por bots. Isso indica um potencial de crescimento significativo para a atividade dos agentes no DeFi.

Os agentes exibem uma ampla gama de autonomia, desde experiências semelhantes a chatbots que requerem alta supervisão humana até agentes que podem formular estratégias adaptativas ao mercado com base em entradas-alvo. Comparado aos bots, os agentes têm várias vantagens-chave, incluindo a capacidade de responder e executar novas informações em milissegundos e expandir a cobertura para milhares de mercados, mantendo o mesmo nível de rigor.

Atualmente, a maioria dos agentes ainda está no nível de analista a copiloto, já que muitos ainda estão na fase de teste.

Otimização de Rendimento: Desempenho Impressionante do Agente

A provisão de liquidez tem sido um domínio onde a automação tem sido prevalente, com o total de TVL mantido por agentes ultrapassando $39 milhões. Esse número mede principalmente os ativos depositados diretamente pelos usuários em agentes, mas não inclui capital direcionado através de tesourarias.

A Giza Tech é um dos maiores protocolos neste campo e lançou o primeiro aplicativo de agente ARMA no final do ano passado, visando aprimorar a captura de rendimento para os principais protocolos DeFi. Atraí mais de 19 milhões de dólares em ativos geridos e gerou mais de 40 bilhões de dólares em volume de negociação de agentes.

A alta relação entre o volume de negociação e os ativos geridos indica que os agentes frequentemente reequilibram o capital, permitindo uma captura de rendimento mais alta. Uma vez que o capital é depositado no contrato, a execução é automatizada, proporcionando aos usuários uma experiência simples de um clique que requer mínima supervisão.

O desempenho do ARMA é quantificavelmente excelente, gerando mais de 9,75% de rendimento anualizado para USDC. Mesmo considerando taxas adicionais de reequilíbrio e uma taxa de desempenho de 10% para o agente, o rendimento supera as taxas de empréstimo usuais na Aave ou Morpho. No entanto, a escalabilidade continua sendo uma preocupação chave, uma vez que esses agentes ainda não foram testados em batalha para gerenciar ou escalar ao tamanho dos principais protocolos DeFi.

Transação: Lideranças Humanas Significativas

No entanto, para ações mais complexas, como transações, os resultados são muito mais variados. O modelo de transação atual opera com base em entradas definidas por humanos e fornece saídas de acordo com regras predefinidas. O aprendizado de máquina avançou isso ao permitir que o modelo atualize seu comportamento com base em novas informações sem reprogramação explícita, movendo-se em direção a um papel de co-piloto. Com a entrada de agentes totalmente autônomos, o cenário de transações está prestes a passar por uma mudança significativa.

Várias competições foram realizadas entre agentes, bem como entre humanos e agentes, revelando diferenças significativas de desempenho entre os modelos. A Trade XYZ organizou uma competição de transação entre humanos e agentes para ações listadas em sua plataforma. Cada conta começou com 10.000 dólares em fundos iniciais, sem restrições sobre alavancagem ou frequência de negociação. Os resultados favoreceram amplamente os humanos, com os melhores desempenhos humanos superando os melhores agentes em mais de 5 vezes.

Enquanto isso, a Nof1 conduziu uma competição entre modelos, onde vários modelos (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) competiram entre si, testando diferentes perfis de risco, desde preservação de capital até alavancagem máxima. Os resultados revelaram vários fatores que podem ajudar a explicar as diferenças de desempenho:

Tempo de Manutenção de Posição: Houve uma forte correlação, com modelos mantendo cada posição por uma média de 2-3 horas apresentando desempenho significativamente melhor do que modelos com alta rotatividade.

Expectativa: Isso mede se o modelo é lucrativo em média por operação. Curiosamente, apenas os 3 melhores modelos tiveram uma expectativa positiva, indicando que a maioria dos modelos teve mais operações perdedoras do que vencedoras.

Alavancagem: Modelos operando com uma alavancagem média inferior a 6-8 vezes mostraram um desempenho melhor do que aqueles que operam com mais de 10 vezes de alavancagem, pois altos níveis aceleraram as perdas.

Dicas de Estratégia: O modelo Modo Monge tem sido o melhor desempenho até agora, enquanto o modelo Consciência Situacional teve o pior desempenho. Com base nas características dos modelos, mostra-se que focar na gestão de riscos e em menos entradas externas leva a um melhor desempenho.

Modelo Base: O Grok 4.20 superou significativamente outros modelos em mais de 22% em várias dicas de estratégia e foi o único modelo a ser consistentemente lucrativo.

Outros fatores, como preferência long/short, tamanho da operação e pontuação de confiabilidade, não tiveram dados suficientes ou mostraram não ter correlação positiva com o desempenho do modelo. No geral, os resultados indicam que os agentes costumam ter um desempenho melhor dentro de uma restrição claramente definida, implicando que a supervisão humana ainda é muito necessária na alocação de metas.

Avaliando um Agente

Dado que os agentes ainda estão em estágios iniciais, atualmente não existe um framework de avaliação abrangente. O desempenho histórico é frequentemente usado como um parâmetro para avaliar um agente, mas é influenciado por fatores fundamentais que fornecem indicações mais fortes de um desempenho robusto do agente.

Desempenho sob Diferentes Volatilidades: Isso inclui controle disciplinado de perdas quando as condições pioram, indicando que o agente pode identificar fatores off-chain que afetam a lucratividade das operações.

Transparência vs. Privacidade: Ambos os lados têm suas compensações. Um agente transparente, se negociável por replicação, essencialmente não possui vantagem estratégica. Um agente privado enfrenta o risco de front-running do criador, onde o criador pode facilmente antecipar seus próprios usuários.

Fonte de Informação: As fontes de dados acessadas pelo agente são cruciais para determinar como o agente toma decisões. Garantir que as fontes sejam confiáveis e livres de dependências únicas é crucial.

Segurança: Ter auditorias de contratos inteligentes e uma arquitetura de custódia de fundos apropriada para garantir medidas de backup em um evento de cisne negro é crucial.

Próximos Passos para Agentes

Para a adoção em massa de agentes, ainda há muito trabalho de infraestrutura a ser feito. Isso pode ser reduzido a questões-chave relacionadas à confiança e execução dos agentes. As ações de agentes autônomos são descontroladas, e já surgiram 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, estabeleçam reputações verificáveis e colaborem de forma segura. Isso é uma chave para desbloquear a composabilidade do DeFi, pois as pontuações de confiança estão embutidas dentro do próprio contrato inteligente, permitindo interações sem permissão entre agentes e protocolos.

No entanto, isso não garante que os agentes sempre operarão de forma não maliciosa, pois vulnerabilidades de segurança, como a colusão de reputação e ataques sybil, ainda podem ocorrer. Portanto, ainda há uma lacuna significativa a ser preenchida em termos de seguro, segurança e a participação econômica dos agentes.

À medida que a atividade dos agentes DeFi se expande, a congestão de estratégias se tornou um risco estrutural. O yield farming é o precedente mais óbvio, onde, à medida que as estratégias proliferam, os retornos se comprimem. Uma dinâmica semelhante pode se aplicar ao comércio de agentes. Se muitos agentes estão treinando em dados semelhantes e otimizando para objetivos semelhantes, eles convergirão para posições semelhantes e sinais de saída semelhantes.

Uma versão desse problema foi formalizada em um artigo da CoinAlg de janeiro de 2026 da Universidade de Cornell. Agentes transparentes são suscetíveis a arbitragem, pois suas negociações são previsíveis e podem ser antecipadas. Agentes privados mitigam esse risco, mas introduzem um diferente, onde os criadores mantêm uma vantagem informacional sobre seus usuários e podem extrair valor da opacidade que originalmente visava proteger o conhecimento interno.

A atividade dos agentes continuará a acelerar, e a infraestrutura estabelecida hoje determinará como a próxima fase das finanças em cadeia operará. Com a crescente utilização de agentes, eles se auto-iterarão e se tornarão mais sintonizados em se adaptar às preferências dos usuários. Portanto, o principal fator diferenciador se resumirá à infraestrutura confiável, que conquistará a maior fatia de mercado.

Link do Artigo Original