DWF rapport approfondi : l'IA optimise les rendements dans la DeFi au-delà des humains, mais les transactions complexes restent 5 fois en retard

Original title : Will Agents take over DeFi?

Source of the original article : DWF Ventures

Original compilation : Deep潮 TechFlow

Points clés

L’automatisation et l’activité des agents représentent actuellement environ 19 % de toutes les activités en chaîne, mais une autonomie de bout en bout véritable n’a pas encore été réalisée.

Dans des cas d’utilisation étroits et bien définis comme l’optimisation des rendements, les agents ont montré des performances supérieures à celles des humains et des bots. Mais pour des actions impliquant plusieurs aspects, les humains surpassent les agents.

Entre agents, le choix du modèle et la gestion des risques ont le plus grand impact sur la performance des transactions.

Avec l’adoption massive des agents, plusieurs risques liés à la confiance et à l’exécution émergent, notamment les attaques de type « witch », la congestion des stratégies et les compromis de la vie privée.

Croissance continue de l’activité des agents

Au cours de l’année écoulée, l’activité des agents a connu une croissance régulière, avec une augmentation du volume et du nombre de transactions. Nous observons que le protocole x402 de Coinbase a mené cette évolution majeure, et des acteurs comme Visa, Stripe et Google ont également lancé leurs propres standards. La majorité de l’infrastructure en cours de construction vise deux scénarios : des canaux entre agents ou des appels d’agents déclenchés par des humains.

Bien que les transactions en stablecoins soient largement supportées, l’infrastructure actuelle dépend encore des passerelles de paiement traditionnelles comme couche sous-jacente, ce qui implique une dépendance à des contreparties centralisées. Par conséquent, la réalisation d’un « agent totalement autonome » capable de se financer, s’exécuter et s’optimiser en continu selon les conditions changeantes n’est pas encore atteinte.

Les agents ne sont pas totalement étrangers à la DeFi. Depuis des années, des protocoles en chaîne ont intégré l’automatisation via des bots, capturant le MEV ou réalisant des profits excessifs impossibles à obtenir sans code. Ces systèmes fonctionnent très bien dans des paramètres bien définis, qui ne changent pas fréquemment ou ne nécessitent pas une supervision supplémentaire.

Cependant, le marché est devenu plus complexe avec le temps. C’est là que la nouvelle génération d’agents entre en jeu, car ces derniers ont commencé à expérimenter ces activités en chaîne ces derniers mois.

Performance réelle des agents

Selon le rapport, l’activité des agents connaît une croissance exponentielle, avec plus de 17 000 agents lancés depuis 2025. La somme totale des activités automatisées/agents représente plus de 19 % de toutes les activités en chaîne. Cela n’est pas surprenant, étant donné que plus de 76 % des transferts en stablecoins sont générés par des bots. Cela indique un potentiel énorme de croissance pour l’activité des agents dans la DeFi.

L’autonomie des agents couvre un large spectre, allant d’expériences de type chatbot nécessitant une supervision humaine élevée, à des agents capables d’adapter leurs stratégies en fonction d’objectifs et de conditions de marché. Par rapport aux bots, les agents offrent plusieurs avantages clés, notamment la capacité de réagir et d’agir sur de nouvelles informations en millisecondes, tout en étendant leur couverture à des milliers de marchés avec le même niveau de rigueur.

La majorité des agents sont encore au stade d’analystes ou de copilotes, car ils sont principalement en phase de test.

Optimisation des rendements : performance supérieure des agents

La fourniture de liquidités est un domaine où l’automatisation est déjà courante, avec un TVL total détenu par des agents dépassant 39 millions de dollars. Ce chiffre mesure principalement les actifs déposés directement par les utilisateurs dans les agents, sans inclure le capital routé via des coffres.

Giza Tech est l’un des plus grands protocoles dans ce domaine, ayant lancé fin 2022 la première application d’agent, ARMA, visant à renforcer la capture de rendement sur les principaux protocoles DeFi. Il gère plus de 19 millions de dollars d’actifs sous gestion et a généré plus de 4 milliards de dollars de volume de transactions par agents.

Un ratio élevé entre volume de transactions et actifs sous gestion indique que les agents rééquilibrent fréquemment le capital, permettant ainsi une meilleure capture de rendement. Une fois le capital déposé dans le contrat, l’exécution devient automatisée, offrant une expérience simple en un clic, avec peu de supervision requise.

Les performances d’ARMA sont remarquables, générant un rendement annualisé supérieur à 9,75 % en USDC. Même en tenant compte des frais de rééquilibrage et d’une performance de 10 % pour l’agent, le rendement reste supérieur à celui du prêt classique sur Aave ou Morpho. Cependant, la scalabilité demeure une question clé, car ces agents n’ont pas encore été testés en conditions réelles pour gérer ou s’étendre à l’échelle des principaux protocoles DeFi.

Transactions : forte domination humaine

Mais pour des actions plus complexes comme le trading, les résultats sont beaucoup plus diversifiés. Les modèles de trading actuels fonctionnent sur des entrées définies par des humains, avec des sorties basées sur des règles prédéfinies. L’apprentissage automatique permet d’étendre cette capacité en permettant aux modèles de mettre à jour leur comportement en fonction de nouvelles informations, sans nécessiter de reprogrammation explicite, ce qui les pousse à jouer un rôle de copilotes. Avec l’arrivée d’agents totalement autonomes, le paysage du trading va changer radicalement.

Plusieurs compétitions de trading entre agents et contre des humains ont été organisées, révélant de grandes différences entre modèles. Trade XYZ a organisé une compétition de trading d’actions cotées en bourse, entre humains et agents. Chaque compte disposait de 10 000 dollars, sans limite de levier ou de fréquence de trading. Les résultats ont été largement en faveur des humains, avec les meilleurs traders humains surpassant les meilleurs agents par un facteur supérieur à 5.

Par ailleurs, Nof1 a organisé une compétition entre modèles d’agents, où plusieurs modèles (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) se sont affrontés pour tester différentes configurations de risque, allant de la préservation du capital à l’utilisation de leviers maximaux. Les résultats ont permis d’identifier plusieurs facteurs expliquant ces différences de performance :

Durée de détention : forte corrélation, les modèles qui maintiennent une position en moyenne 2-3 heures surpassent largement ceux qui tournent rapidement.

Espérance de gain : mesure si chaque transaction est en moyenne profitable. Curieusement, seuls les trois meilleurs modèles ont une espérance positive, la majorité des autres perdant plus qu’ils ne gagnent.

Levier : un levier moyen de 6-8x s’est avéré plus performant que des modèles utilisant plus de 10x, car un levier élevé accélère les pertes.

Stratégie de signal : Monk Mode est le modèle le plus performant à ce jour, tandis que la conscience situationnelle est la moins performante. Selon ses caractéristiques, il semble que la focalisation sur la gestion des risques et la réduction des sources externes mène à de meilleurs résultats.

Modèle de base : Grok 4.20 surperforme de plus de 22 % par rapport aux autres modèles dans différentes stratégies de prompt, étant le seul à générer en moyenne des profits.

D’autres facteurs comme la préférence long/short, la taille des transactions ou la confiance dans les scores n’ont pas été suffisamment analysés ou ne montrent pas de corrélation positive avec la performance. Globalement, les résultats indiquent que les agents performants dans des contraintes bien définies, ce qui souligne que l’intervention humaine reste essentielle pour la configuration des objectifs.

Comment évaluer un agent

Étant donné que les agents en sont encore à leurs débuts, il n’existe pas encore de cadre d’évaluation complet. Les performances historiques sont souvent utilisées comme référence, mais elles sont influencées par des facteurs sous-jacents qui donnent des indications plus fortes sur la performance potentielle de l’agent.

Performance dans différentes volatilités : y compris la capacité à limiter les pertes de manière disciplinée lorsque les conditions se dégradent, ce qui montre que l’agent peut identifier des facteurs hors chaîne affectant la rentabilité.

Transparence et vie privée : chacun doit faire des compromis. Un agent transparent, s’il peut être copié ou imité, n’a pas d’avantage stratégique. Un agent privé présente des risques d’extraction d’informations par le créateur, qui peut facilement devancer ses utilisateurs.

Sources d’information : la qualité et la fiabilité des données auxquelles l’agent accède sont cruciales pour ses décisions. Il faut s’assurer que les sources sont crédibles et qu’aucune dépendance unique n’existe.

Sécurité : la présence d’audits de smart contracts et d’une architecture de garde des fonds adaptée est essentielle pour garantir des mesures de secours en cas d’événements extrêmes.

Prochaines étapes pour les agents

Pour une adoption à grande échelle, il reste beaucoup à faire au niveau de l’infrastructure. Cela revient à répondre à des enjeux clés liés à la confiance et à l’exécution des agents autonomes. Ces derniers n’ont pas de garde-fous, et des cas de mauvaise gestion de fonds ont déjà été signalés.

ERC-8004, lancé en janvier 2026, est le premier registre en chaîne permettant aux agents autonomes de se découvrir mutuellement, d’établir une réputation vérifiable et de collaborer en toute sécurité. C’est une étape clé pour la composabilité de la DeFi, car la confiance est intégrée directement dans les smart contracts, permettant des activités sans permission entre agents et protocoles.

Cela ne garantit pas que les agents fonctionneront toujours de manière non malveillante, car des vulnérabilités comme la collusion ou les attaques de type « witch » restent possibles. Il reste donc beaucoup à faire en matière d’assurance, de sécurité et de staking économique des agents.

Avec l’expansion de l’activité des agents en DeFi, la congestion stratégique devient un risque systémique. Les farms de rendement en sont l’exemple le plus évident : à mesure que ces stratégies se répandent, les rendements se compressent. La même dynamique pourrait s’appliquer au trading d’agents : si de nombreux agents s’entraînent et optimisent sur des données similaires pour atteindre des objectifs proches, ils convergeront vers des positions et des signaux de sortie similaires.

L’article de CoinAlg publié en janvier 2026 à l’Université de Cornell formalise cette problématique. Les agents transparents peuvent être exploités par arbitrage, car leurs transactions sont prévisibles et peuvent être devancées. Les agents privés évitent ce risque, mais introduisent d’autres vulnérabilités, notamment la conservation d’un avantage informationnel par le créateur, qui peut extraire de la valeur en restant opaque.

L’activité des agents ne fera que s’accélérer, et l’infrastructure posée aujourd’hui déterminera la façon dont la finance en chaîne évoluera dans la prochaine étape. À mesure que leur utilisation augmentera, ils s’auto-amélioreront et deviendront plus sensibles aux préférences des utilisateurs. La différenciation majeure résidera donc dans la confiance que l’on pourra faire à l’infrastructure, qui captera la plus grande part du marché.