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

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

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

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

À medida que os agents forem adotados em larga escala, existem vários riscos relacionados à confiança e execução, incluindo ataques de wicca, congestionamento de estratégias e trade-offs de privacidade.

Atividades de agent continuam crescendo

No último ano, as atividades de agent 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 desenvolvimento visa atender a dois cenários: canais entre agents ou chamadas de agents 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 agents possam se autofinanciar, se 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 automação via bots para capturar MEV ou obter lucros excedentes que não seriam possíveis sem código. Esses sistemas operam 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 aí que entra a nova geração de agents, já experimentada na cadeia nos últimos meses.

Desempenho real dos agents

Segundo o relatório, as atividades de agent cresceram exponencialmente, com mais de 17.000 agents iniciados desde 2025. A automação e atividades de agent representam mais de 19% de todas as atividades na cadeia. 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 agent no DeFi.

A autonomia dos agents varia bastante, desde experiências que requerem supervisão humana intensiva até agents capazes de desenvolver estratégias adaptadas às condições de mercado com base em entradas de objetivos. Em comparação com bots, os agents oferecem várias vantagens-chave, incluindo a capacidade de responder e agir sobre novas informações em milissegundos, além de ampliar sua cobertura para milhares de mercados, mantendo o mesmo nível de rigor.

Hoje, a maioria dos agents ainda está na fase de analistas ou copilotos, pois muitos ainda estão em testes.

Otimização de rendimento: desempenho superior dos agents

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

Giza Tech é uma das maiores protocolos nesse setor, tendo lançado no final do ano passado o primeiro aplicativo de agent, o ARMA, com o objetivo de aumentar a captura de rendimento em principais protocolos DeFi. Ele já gerencia mais de 19 milhões de dólares em ativos e realizou mais de 4 bilhões de dólares em negociações de agents.

A alta proporção entre volume de negociações e ativos sob gestão indica que os agents frequentemente reequilibram seu capital, possibilitando uma maior captura de rendimento. 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 uma taxa de retorno anual superior a 9,75% em USDC. Mesmo considerando custos adicionais de reequilíbrio e uma taxa de performance de 10% para o agent, a rentabilidade supera a de empréstimos tradicionais em Aave ou Morpho. Ainda assim, a escalabilidade é um desafio, pois esses agents ainda não foram testados em operações de grande escala em protocolos principais de DeFi.

Negociações: humanos muito à frente

Para ações mais complexas, como negociações, os resultados são bastante variados. Os modelos atuais operam com base em entradas definidas por humanos, fornecendo saídas de acordo com regras preestabelecidas. O aprendizado de máquina amplia essa capacidade, permitindo que os modelos atualizem seu comportamento com base em novas informações sem precisar de reprogramação explícita, colocando-os em um papel de copilotos. Com a chegada de agents totalmente autônomos, o cenário de negociações mudará drasticamente.

Vários concursos de negociação entre agents e humanos já foram realizados, mostrando diferenças marcantes entre os modelos. A Trade XYZ realizou uma competição de negociação de ações listadas na sua plataforma entre humanos e agents. Cada conta tinha 10 mil dólares, sem limites de alavancagem ou frequência de negociações. Os resultados favoreceram esmagadoramente os humanos, com os melhores humanos superando os melhores agents em mais de 5 vezes.

Ao mesmo tempo, a Nof1 organizou uma competição entre modelos de agents, 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 posição: 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 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: níveis mais baixos, entre 6-8x, mostraram melhor desempenho do que modelos com alavancagem superior a 10x, que aceleram perdas.

Estratégia de prompts: Monk Mode foi o modelo com melhor desempenho até agora, enquanto o Situational Awareness foi o pior. Baseado em suas características, demonstra que focar em gestão de risco e reduzir fontes externas melhora os resultados.

Modelos base: Grok 4.20 superou outros em mais de 22% em diferentes estratégias de prompts, sendo o único com média de lucro.

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 os agents tendem a performar melhor dentro de limites bem definidos, reforçando a necessidade de intervenção humana na configuração de objetivos.

Como avaliar os Agents

Dado que os agents 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 potencial mais forte de desempenho do agent.

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

Transparência e privacidade: ambos têm seus trade-offs. Agents transparentes, se puderem ser copiados ativamente, praticamente não terão vantagem estratégica. Agents privados enfrentam riscos de extração de informações pelos criadores, que podem facilmente antecipar ou manipular suas ações.

Fontes de informação: a qualidade e confiabilidade das fontes de dados acessadas pelos agents 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 Agents

Para uma adoção em larga escala, ainda há muito trabalho a fazer na infraestrutura. Isso se resume às questões centrais de confiança e execução dos agents autônomos. Como eles 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 agents autônomos se descubram, construam reputações verificáveis e colaborem de forma segura. Essa é uma chave para desbloquear a composabilidade no DeFi, pois a pontuação de confiança fica embutida no próprio contrato inteligente, permitindo atividades permissionless entre agents e protocolos.

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

À medida que as atividades de agents no DeFi aumentam, o congestionamento de estratégias se torna um risco estrutural. Yield farms são um exemplo claro: à medida que estratégias se tornam mais comuns, os retornos tendem a se comprimir. O mesmo pode acontecer com negociações de agents: 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. Agents transparentes podem ser explorados por arbitragem, pois suas negociações são previsíveis e podem ser antecipadas. Agents 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 agents continuará acelerando, e a infraestrutura construída hoje determinará como será a próxima fase das finanças na cadeia. À medida que o uso de agents aumenta, eles se autoaperfeiçoarão e se tornarão mais sensíveis às preferências dos usuários. Assim, os fatores de maior diferencial serão as infraestruturas confiáveis, que conquistarão a maior fatia do mercado.