Relatório aprofundado da DWF: IA supera os humanos na otimização de rendimentos em DeFi, mas transações complexas ainda ficam 5 vezes atrás

Original title: Will Agents take over DeFi?

Original source: DWF Ventures

Original compilation: Deep潮 TechFlow

Pontos principais

Automatização e atividades de agentes atualmente representam cerca de 19% de todas as atividades na cadeia, mas a verdadeira autonomia ponta a ponta ainda não foi alcançada.

Em casos de uso estreitos e bem definidos, como otimização de rendimento, os agentes já demonstraram desempenho superior ao de humanos e bots. Mas para ações multifacetadas, como negociações, humanos ainda superam os agentes.

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

À medida que os agentes forem adotados em larga escala, surgirão diversos riscos relacionados à confiança e execução, incluindo ataques de wicca, aglomeração de estratégias e trade-offs de privacidade.

Atividades de agentes continuam crescendo

No último ano, as atividades de agentes cresceram de forma constante, com aumento no volume e na quantidade de negociações. Observamos que o protocolo x402 da Coinbase liderou esse avanço, com players como Visa, Stripe e Google também entrando na jogada, lançando seus próprios padrões. A maior parte da infraestrutura atualmente em construção visa atender a dois cenários: canais entre agentes ou chamadas de agentes acionadas por humanos.

Embora as negociações com stablecoins já tenham ampla adoção, a infraestrutura atual ainda depende de gateways de pagamento tradicionais como base, o que implica uma dependência de contraparte centralizada. Assim, o conceito de um sistema “totalmente autônomo”, onde os agentes possam se autofinanciar, autoexecutar e otimizar continuamente com base em condições mutáveis, ainda não foi realizado.

Agent não é estranho ao DeFi. Por anos, protocolos na cadeia têm utilizado automações por meio de bots para capturar MEV ou obter lucros excedentes que não seriam possíveis sem código. Esses sistemas funcionam muito bem sob parâmetros bem definidos, que não mudam frequentemente ou não requerem supervisão adicional.

Porém, o mercado tornou-se mais complexo ao longo do tempo. É nesse contexto que entra a nova geração de agentes, com a cadeia se tornando um campo de experimentação para essas atividades nos últimos meses.

Desempenho real dos agentes

Segundo o relatório, as atividades de agentes cresceram exponencialmente, com mais de 17.000 agentes lançados desde 2025. A estimativa é que mais de 19% de todas as atividades na cadeia sejam realizadas por automações/agentes. Não é surpresa, pois estima-se que mais de 76% das transferências de stablecoins sejam geradas por bots. Isso indica um potencial enorme de crescimento para atividades de agentes no DeFi.

A autonomia dos agentes varia bastante, desde experiências que requerem supervisão humana intensiva, como chatbots, até agentes capazes de adaptar estratégias às condições de mercado com base em entradas de objetivos. Em comparação com bots, os agentes oferecem vantagens-chave, como resposta e execução de novas informações em milissegundos, além de ampliar sua cobertura para milhares de mercados, mantendo rigor semelhante.

Hoje, a maioria dos agentes ainda está na fase de análise ou de co-piloto, pois muitos ainda estão em testes.

Otimização de rendimento: desempenho superior dos agentes

A oferta de liquidez é uma área onde a automação já é bastante comum, com o TVL total dos agentes ultrapassando 39 milhões de dólares. Esse valor mede principalmente os ativos depositados diretamente pelos usuários nos agentes, sem incluir o capital roteado por cofres.

Giza Tech é um dos maiores protocolos nesse setor, tendo lançado no final do ano passado o primeiro aplicativo de agente, ARMA, com o objetivo de melhorar a captura de rendimento em protocolos DeFi principais. Ele já gerencia mais de 19 milhões de dólares em ativos e gerou mais de 4 bilhões de dólares em volume de negociações de agentes.

A alta proporção entre volume de negociações e ativos sob gestão indica que os agentes frequentemente fazem rebalanceamentos de capital, possibilitando uma captura de rendimento mais elevada. Uma vez depositado, o capital é automaticamente gerenciado, oferecendo uma experiência de uma única clique, com mínima supervisão.

O desempenho do ARMA é notável, gerando mais de 9,75% de rendimento anualizado em USDC. Mesmo considerando custos adicionais de rebalanceamento e uma taxa de performance de 10% para o agente, a taxa de retorno supera a de empréstimos tradicionais em plataformas como Aave ou Morpho. Contudo, a escalabilidade ainda é um desafio, pois esses agentes ainda não passaram por testes de resistência em operações de maior escala em protocolos DeFi.

Negociações: humanos ainda dominam

Para ações mais complexas, como negociações, os resultados são bastante variados. Os modelos atuais operam com base em entradas definidas por humanos, produzindo saídas conforme regras predefinidas. O aprendizado de máquina, ao permitir que os modelos atualizem seu comportamento com novas informações sem precisar de reprogramação explícita, está levando esses agentes a papéis de co-piloto. Com a chegada de agentes totalmente autônomos, o cenário de negociações deve passar por mudanças profundas.

Foram realizadas várias competições de negociação entre agentes e entre humanos e agentes. Por exemplo, a Trade XYZ organizou uma competição de negociação de ações listadas na sua plataforma, com cada conta começando com 10 mil dólares, sem limites de alavancagem ou frequência de negociações. Os resultados favoreceram claramente os humanos, com os melhores humanos superando os melhores agentes em mais de 5 vezes.

Simultaneamente, a Nof1 promoveu uma competição entre modelos de agentes, incluindo Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude e Gemini, testando diferentes configurações de risco, de preservação de capital a alavancagens máximas. Os fatores que explicam as diferenças de desempenho incluem:

Tempo de manutenção de posições: há forte correlação, com modelos que mantêm posições por 2-3 horas superando significativamente aqueles que trocam posições com maior frequência.

Valor esperado: mede se, em média, as negociações de um modelo geram lucro. Curiosamente, apenas os três melhores modelos têm valor esperado positivo, indicando que a maioria dos modelos realiza mais negociações com prejuízo do que com lucro.

Alavancagem: modelos com alavancagem baixa, entre 6 e 8 vezes, tiveram melhor desempenho do que aqueles com alavancagem superior a 10 vezes, que aceleram perdas.

Estratégias de sugestão: o modo Monk foi o melhor até agora, enquanto o de consciência situacional teve o pior desempenho. Modelos que focam em gestão de risco e usam menos fontes externas tendem a se sair melhor.

Modelos base: Grok 4.20 destacou-se, apresentando desempenho superior a outros modelos em mais de 22%, sendo o único com lucro médio.

Outros fatores, como preferência por posições longas ou curtas, tamanho das negociações e pontuações de confiança, não possuem dados suficientes ou não demonstraram correlação positiva com o desempenho dos modelos. Em geral, os resultados indicam que agentes tendem a performar melhor dentro de restrições bem definidas, reforçando a necessidade contínua de intervenção humana na configuração de objetivos.

Como avaliar agentes

Dado que os agentes ainda estão em fase inicial, não há um quadro de avaliação completo. O desempenho histórico costuma ser usado como referência, mas é influenciado por fatores subjacentes que indicam um desempenho mais forte do agente.

Desempenho sob diferentes volatilidades: inclui a capacidade de controlar perdas disciplinadamente em condições adversas, demonstrando que os agentes podem identificar fatores off-chain que afetam a lucratividade das negociações.

Transparência e privacidade: ambos apresentam trade-offs. Agentes transparentes, se puderem ser copiados ativamente, dificilmente terão vantagem estratégica. Agentes privados enfrentam riscos de extração de informações pelos criadores, que podem facilmente antecipar suas ações.

Fontes de informação: a qualidade e confiabilidade das fontes de dados acessadas pelos agentes são cruciais para determinar suas decisões. Garantir fontes confiáveis e evitar dependência de uma única fonte é fundamental.

Segurança: possuir auditorias de contratos inteligentes e uma arquitetura de custódia de fundos adequada é essencial para garantir medidas de contingência em eventos extremos.

Próximos passos para os agentes

Para uma adoção em larga escala, há muito trabalho a ser feito na infraestrutura. Isso se resume às questões centrais de confiança e execução dos agentes autônomos. Como esses agentes operam sem barreiras, já ocorreram casos de má gestão de fundos.

O ERC-8004, lançado em janeiro de 2026, foi o primeiro registro na cadeia que permite que agentes autônomos se descubram, construam reputações verificáveis e colaborem de forma segura. Essa inovação é uma chave para a composabilidade do DeFi, pois a pontuação de confiança fica embutida no próprio contrato inteligente, possibilitando atividades sem permissão entre agentes e protocolos.

No entanto, isso não garante que os agentes sempre operem de forma não maliciosa, pois vulnerabilidades como cooperação de reputação e ataques de wicca ainda podem ocorrer. Assim, há espaço para melhorias em seguros, segurança, staking econômico de agentes e outros aspectos.

À medida que as atividades de agentes no DeFi aumentam, o risco de aglomeração de estratégias se torna uma preocupação estrutural. Rendimento de fazendas, por exemplo, é um caso claro: à medida que estratégias se popularizam, os retornos tendem a se comprimir. O mesmo pode acontecer com negociações de agentes: se muitos treinarem e otimizarem com dados semelhantes e objetivos similares, eles tenderão a convergir em posições e sinais de saída semelhantes.

O artigo CoinAlg, publicado pela Universidade de Cornell em janeiro de 2026, formalizou essa questão. Agentes transparentes podem ser explorados por arbitragem, pois suas negociações são previsíveis e podem ser antecipadas. Agentes privados evitam esse risco, mas introduzem outros, como a retenção de informações pelo criador, que pode extrair valor de conhecimentos internos não transparentes.

A atividade de agentes continuará acelerando, e a infraestrutura construída hoje determinará como será a próxima fase das finanças na cadeia. Com o aumento do uso, eles irão se autoaperfeiçoar e se tornar mais sensíveis às preferências dos usuários. Assim, os fatores de maior diferencial serão as infraestruturas confiáveis, que conquistarão a maior fatia do mercado.