Laporan Mendalam DWF: AI Mengungguli Manusia dalam Mengoptimalkan Keuntungan di DeFi, tetapi Transaksi Kompleks Masih Tertinggal 5 Kali

Original Title: Will Agents take over DeFi?

Asal Usul Artikel: DWF Ventures

Terjemahan Artikel: Deep潮 TechFlow

Poin Utama

Automasi dan aktivitas agent saat ini menyumbang sekitar 19% dari semua aktivitas di blockchain, tetapi otonomi end-to-end yang benar-benar mandiri belum tercapai.

Dalam kasus penggunaan yang sempit dan jelas seperti optimisasi hasil, agent telah menunjukkan performa yang lebih baik daripada manusia dan bot. Tetapi untuk tindakan yang melibatkan banyak aspek seperti perdagangan, manusia masih unggul dibandingkan agent.

Di antara agent, pemilihan model dan manajemen risiko memiliki pengaruh terbesar terhadap performa perdagangan.

Seiring adopsi agent secara massal, terdapat beberapa risiko terkait kepercayaan dan pelaksanaan, termasuk serangan penyihir, kerumunan strategi, dan pertimbangan privasi.

Aktivitas Agent Terus Meningkat

Selama setahun terakhir, aktivitas agent meningkat secara stabil, volume dan jumlah transaksi keduanya bertambah. Kami melihat protokol x402 dari Coinbase memimpin perkembangan besar, dan pemain seperti Visa, Stripe, serta Google juga bergabung dan meluncurkan standar mereka sendiri. Sebagian besar infrastruktur yang sedang dibangun saat ini bertujuan melayani dua skenario: jalur antar agent atau panggilan agent yang dipicu manusia.

Meskipun perdagangan stablecoin telah didukung secara luas, infrastruktur saat ini masih bergantung pada gateway pembayaran tradisional sebagai lapisan dasar, yang berarti masih bergantung pada pihak lawan terpusat. Oleh karena itu, konsep “sepenuhnya mandiri” di mana agent dapat membiayai sendiri, mengeksekusi sendiri, dan terus mengoptimalkan berdasarkan kondisi yang berubah belum tercapai.

Agent tidak asing lagi bagi DeFi. Selama bertahun-tahun, protokol di blockchain telah menjalankan otomatisasi melalui bot, menangkap MEV atau memperoleh keuntungan berlebih yang tidak bisa dicapai tanpa kode. Sistem ini berjalan sangat baik dalam parameter yang jelas dan tidak sering berubah atau membutuhkan pengawasan tambahan.

Namun, pasar menjadi semakin kompleks seiring waktu. Inilah mengapa generasi baru agent mulai masuk, dan beberapa bulan terakhir, blockchain telah menjadi tempat eksperimen untuk aktivitas semacam ini.

Performa Nyata Agent

Menurut laporan, aktivitas agent meningkat secara eksponensial, dengan lebih dari 17.000 agent diluncurkan sejak 2025. Total volume otomatisasi/agent diperkirakan mencakup lebih dari 19% dari semua aktivitas di blockchain. Tidak mengherankan, karena diperkirakan lebih dari 76% transaksi stablecoin dihasilkan oleh bot. Ini menunjukkan potensi pertumbuhan besar untuk aktivitas agent di DeFi.

Otonomi agent mencakup berbagai tingkat, mulai dari pengalaman chatbot yang membutuhkan pengawasan manusia yang tinggi, hingga agent yang dapat menyesuaikan strategi berdasarkan input target dan kondisi pasar. Dibandingkan bot, agent memiliki beberapa keunggulan utama, termasuk kemampuan merespons dan mengeksekusi informasi baru dalam milidetik, serta memperluas cakupan ke ribuan pasar sambil mempertahankan tingkat ketat yang sama.

Saat ini, sebagian besar agent masih berada pada tingkat analis hingga pendamping, karena sebagian besar masih dalam tahap pengujian.

Optimisasi Hasil: Performa Agent Sangat Baik

Bidang penyediaan likuiditas adalah area di mana otomatisasi sudah sering terjadi, dengan total TVL yang dipegang oleh agent melebihi 39 juta dolar AS. Angka ini terutama mengukur aset yang langsung disetor pengguna ke agent, tidak termasuk modal yang dialirkan melalui vault.

Giza Tech adalah salah satu protokol terbesar di bidang ini, yang akhir tahun lalu meluncurkan aplikasi agent pertama, ARMA, yang bertujuan meningkatkan penangkapan hasil dari protokol DeFi utama. Ia telah menarik lebih dari 19 juta dolar AS dalam aset yang dikelola dan menghasilkan volume transaksi agent lebih dari 4 miliar dolar AS.

Rasio volume transaksi terhadap total aset yang dikelola yang tinggi menunjukkan bahwa agent sering melakukan rebalancing modal, sehingga mampu meraih hasil yang lebih tinggi. Setelah modal disetor ke kontrak, eksekusi dilakukan secara otomatis, memberikan pengalaman satu klik yang sederhana bagi pengguna, hampir tanpa pengawasan.

Performa ARMA terbukti sangat baik, menghasilkan lebih dari 9,75% hasil tahunan dalam USDC. Bahkan setelah memperhitungkan biaya rebalancing tambahan dan biaya kinerja 10% untuk agent, tingkat pengembalian tetap lebih tinggi daripada pinjaman biasa di Aave atau Morpho. Meski begitu, skalabilitas tetap menjadi tantangan utama, karena agent ini belum diuji secara nyata dalam mengelola atau memperluas ke skala protokol DeFi utama.

Perdagangan: Manusia Jauh Lebih Unggul

Namun, untuk tindakan yang lebih kompleks seperti perdagangan, hasilnya jauh lebih bervariasi. Model perdagangan saat ini berjalan berdasarkan input yang didefinisikan manusia dan memberikan output sesuai aturan yang telah ditetapkan. Pembelajaran mesin memperluas ini dengan memungkinkan model memperbarui perilakunya berdasarkan informasi baru tanpa perlu diprogram ulang secara eksplisit, sehingga mendorongnya ke peran pendamping. Dengan munculnya agent yang benar-benar mandiri, pola perdagangan akan mengalami perubahan besar.

Beberapa kompetisi antara agent dan manusia telah diadakan, menunjukkan adanya variasi besar antar model. Trade XYZ menyelenggarakan kompetisi perdagangan saham yang terdaftar di platform mereka, melibatkan manusia versus agent. Setiap akun memiliki dana awal 10.000 dolar, tanpa batasan leverage atau frekuensi transaksi. Hasilnya sangat didominasi manusia, dengan performa manusia terbaik lebih dari 5 kali lipat dari agent terbaik.

Sementara itu, Nof1 menyelenggarakan kompetisi antar model agent (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini), menguji berbagai risiko mulai dari pelestarian modal hingga leverage maksimal. Beberapa faktor yang membantu menjelaskan perbedaan performa meliputi:

Durasi posisi: Ada korelasi kuat, model yang memegang posisi selama 2-3 jam secara signifikan mengungguli model yang sering berganti posisi.

Ekspektasi: Mengukur apakah rata-rata transaksi menghasilkan keuntungan. Menariknya, hanya tiga model teratas yang memiliki ekspektasi positif, menunjukkan sebagian besar model mengalami lebih banyak transaksi merugi daripada menguntungkan.

Leverage: Leverage rendah sekitar 6-8 kali terbukti lebih baik daripada model yang menggunakan leverage di atas 10 kali, karena leverage tinggi mempercepat kerugian.

Strategi prompt: Monk Mode adalah model dengan performa terbaik sejauh ini, sementara Situational Awareness menunjukkan performa terburuk. Berdasarkan fitur model, fokus pada manajemen risiko dan minimnya sumber eksternal tampaknya menghasilkan performa lebih baik.

Model dasar: Grok 4.20 secara signifikan mengungguli model lain lebih dari 22% dalam berbagai strategi prompt, dan merupakan satu-satunya model yang secara rata-rata menguntungkan.

Faktor lain seperti preferensi long/short, ukuran transaksi, dan skor kepercayaan tidak memiliki cukup data atau terbukti berhubungan positif dengan performa model. Secara keseluruhan, hasil menunjukkan bahwa agent cenderung berkinerja lebih baik dalam batasan yang jelas, yang menegaskan bahwa manusia masih sangat dibutuhkan dalam pengaturan target.

Bagaimana Menilai Agent

Karena agent masih dalam tahap awal, saat ini belum ada kerangka penilaian yang komprehensif. Performa historis biasanya digunakan sebagai tolok ukur, tetapi dipengaruhi oleh faktor dasar yang memberikan indikasi yang lebih kuat tentang performa agent.

Performa di berbagai volatilitas: Termasuk pengendalian kerugian secara disiplin saat kondisi memburuk, menunjukkan bahwa agent mampu mengenali faktor off-chain yang mempengaruhi profitabilitas transaksi.

Transparansi dan privasi: Keduanya memiliki trade-off. Agent yang transparan, jika dapat menyalin transaksi secara aktif, pada dasarnya tidak memiliki keunggulan strategi. Agent yang bersifat privat menghadapi risiko pencurian internal oleh pencipta, yang dapat dengan mudah mengungguli pengguna mereka sendiri.

Sumber data: Sumber data yang diakses agent sangat penting untuk menentukan bagaimana mereka membuat keputusan. Memastikan sumber yang terpercaya dan tidak bergantung pada satu sumber sangat krusial.

Keamanan: Memiliki audit kontrak pintar dan arsitektur escrow dana yang tepat sangat penting untuk memastikan adanya langkah cadangan saat terjadi peristiwa tak terduga.

Langkah Selanjutnya untuk Agent

Agar agent dapat diadopsi secara massal, masih banyak pekerjaan yang harus dilakukan di bidang infrastruktur. Ini berkaitan dengan masalah utama kepercayaan dan pelaksanaan agent yang mandiri. Agent yang beroperasi tanpa pengaman telah menunjukkan contoh pengelolaan dana yang buruk.

ERC-8004 yang diluncurkan Januari 2026 menjadi registry on-chain pertama yang memungkinkan agent mandiri saling menemukan, membangun reputasi yang dapat diverifikasi, dan berkolaborasi secara aman. Ini merupakan kunci untuk membuka potensi komposabilitas DeFi, karena skor kepercayaan terintegrasi langsung ke dalam kontrak pintar, memungkinkan aktivitas tanpa izin antara agent dan protokol.

Namun, ini tidak menjamin agent selalu beroperasi secara non-malicious, karena kerentanan seperti kolusi reputasi dan serangan penyihir tetap ada. Oleh karena itu, masih banyak ruang untuk pengembangan di bidang asuransi, keamanan, dan staking ekonomi agent.

Seiring aktivitas agent di DeFi meningkat, kerumunan strategi menjadi risiko struktural. Contohnya adalah yield farming, yang merupakan contoh paling jelas; dengan menyebarnya strategi, imbal hasil akan menurun. Dinamika yang sama juga bisa terjadi pada perdagangan agent. Jika banyak agent dilatih dan dioptimalkan berdasarkan data yang serupa dan menargetkan tujuan yang sama, mereka akan cenderung mengambil posisi dan sinyal keluar yang serupa.

Makalah CoinAlg dari Cornell University yang diterbitkan Januari 2026 memformulasikan masalah ini secara resmi. Agent yang transparan dapat dieksploitasi arbitrase karena transaksi mereka dapat diprediksi dan diambil alih. Agent yang bersifat privat menghindari risiko ini, tetapi memperkenalkan risiko berbeda, yaitu pencipta memiliki keunggulan informasi atas pengguna mereka dan dapat mengekstrak nilai dari pengetahuan internal yang seharusnya dilindungi.

Aktivitas agent akan terus meningkat, dan infrastruktur yang dibangun hari ini akan menentukan bagaimana keuangan on-chain akan beroperasi di tahap berikutnya. Seiring penggunaan agent meningkat, mereka akan melakukan iterasi sendiri dan menjadi lebih peka terhadap preferensi pengguna. Oleh karena itu, faktor utama yang membedakan akan bergantung pada infrastruktur yang dapat dipercaya dan akan merebut pangsa pasar terbesar.