Rapport approfondi DWF : L'IA optimise les rendements en DeFi au-delà des capacités humaines, mais les transactions complexes restent 5 fois en retard

Original Title: Will Agents take over DeFi?

Source: DWF Ventures

Translation: Deep Tide 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, tels que 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 à grande échelle des agents, plusieurs risques liés à la confiance et à l’exécution émergent, notamment les attaques de type sorcière, la congestion des stratégies et les compromis de la vie privée.

L’activité des agents continue de croître

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 d’importants développements, 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 « autonome complet » où les agents se financent eux-mêmes, s’exécutent et s’optimisent en continu selon les conditions changeantes n’a pas encore été atteinte.

Les agents ne sont pas totalement étrangers à DeFi. Depuis des années, des protocoles en chaîne ont intégré l’automatisation via des bots pour capturer le MEV ou obtenir des profits excédentaires impossibles à réaliser 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 été expérimentés en chaîne ces derniers mois.

Performance réelle des agents

Selon le rapport, l’activité des agents a connu une croissance exponentielle, avec plus de 17 000 agents lancés depuis 2025. La somme totale des actifs sous gestion (TVL) automatisés ou liés aux agents dépasse 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-forts.

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 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 d’obtenir des rendements plus élevés. 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 supplémentaires et des 10 % de performance fee des agents, le rendement reste supérieur à celui du prêt classique sur Aave ou Morpho. Cependant, la scalabilité demeure un enjeu 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 : les humains en tête

Pour des actions plus complexes comme le trading, les résultats sont beaucoup plus variés. 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 cela en permettant aux modèles de mettre à jour leur comportement en fonction de nouvelles informations, sans reprogrammation explicite, ce qui les pousse à jouer un rôle de copilote. 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, montrant de grandes différences entre modèles. Trade XYZ a organisé une compétition de trading d’actions cotées en bourse entre humains et agents sur sa plateforme. Chaque compte disposait de 10 000 dollars, sans limite de levier ni de fréquence de trading. Les résultats ont largement favorisé les humains, avec les meilleurs humains surpassant les meilleurs agents d’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. Voici quelques facteurs expliquant les écarts 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, ce qui indique que la majorité des modèles subissent plus de pertes que de gains.

Levier : des leviers faibles de 6-8x ont montré de meilleures performances que ceux utilisant plus de 10x, car un levier élevé accélère les pertes.

Stratégies 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 concentration sur la gestion des risques et la réduction des sources externes améliore la performance.

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 pour le long ou court, la taille des transactions ou la confiance dans les scores n’ont pas été suffisamment étudiés ou ne montrent pas de corrélation claire avec la performance. Globalement, les résultats indiquent que les agents performants sont souvent ceux qui évoluent dans des contraintes bien définies, ce qui souligne que l’humain reste très nécessaire pour la configuration des objectifs.

Comment évaluer un agent

Étant donné que les agents en sont encore à un stade précoce, 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 réelle de l’agent.

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

Transparence et vie privée : les deux ont leurs compromis. Un agent transparent, s’il peut être copié activement, n’a en principe 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 déterminer comment il prend ses décisions. Il est essentiel que ces sources soient crédibles et qu’aucune dépendance unique ne subsiste.

Sécurité : disposer d’audits de contrats intelligents et d’une architecture de garde des fonds appropriée est vital pour assurer des mesures de secours en cas d’événements extrêmes.

Prochaines étapes pour les agents

Pour une adoption à grande échelle des agents, il reste beaucoup de travail sur l’infrastructure. Cela revient à répondre à des enjeux clés liés à la confiance et à l’exécution des agents autonomes, qui n’ont pas de garde-fous. Des cas de mauvaise gestion de fonds ont déjà été observés.

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 DeFi, car la confiance est intégrée directement dans les contrats intelligents, 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 de réputation ou les attaques de type sorcière 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 risques, notamment la conservation d’un avantage informationnel par le créateur, qui peut extraire de la valeur en gardant des connaissances internes non transparentes.

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