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

Penulis: DWF Ventures

Diterjemahkan oleh: Deep潮 TechFlow

Deep潮 Panduan Utama: Agen AI telah menguasai hampir seperlima volume perdagangan DeFi, dan dalam skenario pengoptimalan hasil yang aturan-aturan jelas, mereka memang mengungguli manusia. Tapi jika membuatnya berdagang secara mandiri, performa AI terbaik bahkan tidak sebanding dengan seperlima manusia terbaik. Studi ini membedah performa nyata AI di berbagai skenario DeFi, layak dilihat oleh semua yang tertarik pada perdagangan otomatis.

Intisari Utama

Aktivitas otomatis dan agen saat ini menyumbang sekitar 19% dari semua aktivitas di blockchain, tetapi otonomi end-to-end yang sesungguhnya masih belum terwujud.

Dalam kasus penggunaan sempit dan dengan aturan yang jelas seperti pengoptimalan hasil, agen telah menunjukkan performa lebih baik dari manusia dan bot. Tapi untuk tindakan yang melibatkan banyak aspek seperti perdagangan, performa manusia masih unggul dibanding agen.

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

Seiring adopsi agen secara besar-besaran, muncul berbagai risiko terkait kepercayaan dan eksekusi, termasuk serangan penyihir, kerumunan strategi, dan pertimbangan privasi.

Aktivitas Agen Terus Meningkat

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

Meskipun perdagangan stablecoin sudah 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 agen dapat membiayai sendiri, mengeksekusi sendiri, dan terus mengoptimalkan berdasarkan kondisi yang berubah belum tercapai.

Agen 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 ekstra. Tapi pasar menjadi semakin kompleks seiring waktu. Di sinilah generasi agen baru masuk, dan beberapa bulan terakhir, blockchain telah menjadi tempat eksperimen untuk aktivitas semacam ini.

Performa Agen Secara Nyata

Menurut laporan, aktivitas agen meningkat secara eksponensial, dengan lebih dari 17.000 agen diluncurkan sejak 2025. Total aktivitas otomatis/agen diperkirakan mencakup lebih dari 19% dari semua aktivitas di blockchain. Ini tidak mengejutkan, karena diperkirakan lebih dari 76% volume transfer stablecoin dihasilkan oleh bot. Ini menunjukkan potensi pertumbuhan besar untuk aktivitas agen di DeFi.

Otonomi agen mencakup berbagai tingkat, dari pengalaman chatbot yang membutuhkan pengawasan manusia tinggi, hingga agen yang dapat menyesuaikan strategi berdasarkan input target dan kondisi pasar. Dibandingkan bot, agen 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 agen masih berada di level analis hingga pendamping, karena sebagian besar masih dalam tahap pengujian.

Pengoptimalan Hasil: Performa Agen Sangat Baik

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

Giza Tech adalah salah satu protokol terbesar di bidang ini, yang akhir tahun lalu meluncurkan aplikasi agen pertama, ARMA, bertujuan meningkatkan pengambilan hasil dari protokol DeFi utama. Ia telah menarik lebih dari 19 juta dolar aset yang dikelola dan menghasilkan volume perdagangan agen lebih dari 4 miliar dolar. Rasio volume perdagangan terhadap total aset yang dikelola ini menunjukkan bahwa agen sering melakukan rebalancing modal, memungkinkan pengambilan hasil yang lebih tinggi. Setelah modal disetor ke kontrak, eksekusi dilakukan secara otomatis, memberikan pengalaman satu klik yang sederhana dan 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 agen, tingkat pengembalian tetap lebih tinggi dari pinjaman biasa di Aave atau Morpho. Meski begitu, skalabilitas tetap menjadi tantangan utama, karena agen 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, menjadikannya peran pendamping. Dengan munculnya agen yang benar-benar mandiri, pola perdagangan akan mengalami perubahan besar.

Beberapa kompetisi perdagangan antara agen dan manusia telah diadakan, dan hasilnya menunjukkan perbedaan besar antar model. Trade XYZ mengadakan kompetisi perdagangan saham yang terdaftar di platform mereka antara manusia dan agen. Setiap akun memiliki modal awal 10.000 dolar, tanpa batasan leverage atau frekuensi perdagangan. Hasilnya sangat didominasi manusia, dengan performa manusia terbaik lebih dari lima kali lipat agen terbaik.

Sementara itu, Nof1 menyelenggarakan kompetisi antar model agen (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini), menguji berbagai risiko dari konservatif hingga leverage maksimal. Hasilnya mengungkapkan beberapa faktor yang membantu menjelaskan perbedaan performa:

Waktu posisi: korelasi kuat, model yang memegang posisi selama 2-3 jam secara signifikan lebih unggul dibanding model yang sering membalik 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 rugi daripada untung.

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

Strategi sinyal: Monk Mode adalah model dengan performa terbaik sejauh ini, sementara Situational Awareness berkinerja 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 berkorelasi positif dengan performa model. Secara keseluruhan, hasil menunjukkan bahwa agen cenderung berkinerja lebih baik dalam batasan yang didefinisikan dengan jelas, yang berarti manusia masih sangat dibutuhkan dalam pengaturan target.

Bagaimana Menilai Agen

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

Performa di berbagai volatilitas: termasuk pengendalian kerugian disiplin saat kondisi memburuk, menunjukkan agen mampu mengenali faktor off-chain yang mempengaruhi profitabilitas perdagangan.

Transparansi dan privasi: keduanya memiliki trade-off. Agen yang transparan dan dapat diduplikasi secara aktif tidak akan memiliki keunggulan strategi. Agen yang bersifat pribadi menghadapi risiko pencurian internal oleh pencipta, yang dapat dengan mudah mengungguli pengguna mereka.

Sumber data: akses agen ke sumber data sangat penting untuk menentukan bagaimana agen 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 Agen

Agar agen dapat diadopsi secara massal, masih banyak pekerjaan yang harus dilakukan di infrastruktur. Ini berkaitan dengan masalah utama kepercayaan dan eksekusi agen mandiri. Agen yang beroperasi tanpa pengaman telah menimbulkan contoh pengelolaan dana yang buruk.

ERC-8004 yang diluncurkan Januari 2026 menjadi registry on-chain pertama yang memungkinkan agen mandiri saling menemukan, membangun reputasi yang dapat diverifikasi, dan berkolaborasi secara aman. Ini adalah kunci untuk membuka potensi komposabilitas DeFi, karena skor kepercayaan terintegrasi langsung ke dalam kontrak pintar, memungkinkan aktivitas tanpa izin antara agen dan protokol. Tapi ini tidak menjamin agen selalu berjalan tanpa niat jahat, 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 agen.

Seiring aktivitas agen di DeFi meningkat, kerumunan strategi menjadi risiko struktural. Farm hasil adalah contoh paling jelas, di mana dengan menyebarnya strategi, imbal hasil akan menekan. Dinamika yang sama juga berlaku untuk perdagangan agen. Jika banyak agen dilatih dan dioptimalkan berdasarkan data yang serupa dan menargetkan tujuan yang sama, mereka akan cenderung berkumpul di posisi yang sama dan mengeksekusi sinyal keluar yang serupa.

Makalah CoinAlg dari Cornell University yang diterbitkan Januari 2026 memformulasikan masalah ini secara resmi. Agen yang transparan dapat dieksploitasi melalui arbitrase karena transaksi mereka dapat diprediksi dan diambil alih. Agen pribadi menghindari risiko ini, tetapi memperkenalkan risiko berbeda, yaitu pencipta yang menyimpan keunggulan informasi terhadap pengguna mereka dan dapat mengekstraksi nilai dari pengetahuan internal yang dilindungi.

Aktivitas agen akan terus meningkat, dan infrastruktur yang dibangun hari ini akan menentukan bagaimana keuangan on-chain akan beroperasi di masa depan. Dengan meningkatnya penggunaan agen, 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, yang akan mendapatkan pangsa pasar terbesar.