DWF Relatório de Profundidade: AI supera humanos na otimização de rendimentos em DeFi, mas transações complexas ainda ficam 5 vezes atrás

Autor: DWF Ventures

Tradução: Deep潮 TechFlow

Deep潮 Introdução: AI Agent já ocupa quase um quinto do volume de negociações na DeFi, e em cenários de otimização de rendimento, com regras bem definidas, realmente supera os humanos. Mas, para que ele negocie de forma autônoma, o desempenho dos melhores AI ainda é inferior a um quinto do dos melhores humanos. Este estudo analisa o desempenho real da AI em diferentes cenários na DeFi, sendo uma leitura valiosa para todos que acompanham negociações automatizadas.

Pontos principais

Atividades de automação e 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, agentes já demonstram desempenho superior ao de humanos e bots. Mas, para ações multifacetadas, humanos ainda superam agentes.

Entre os agentes, a escolha do modelo e a gestão de risco têm maior impacto no desempenho das negociações.

Com a adoção em larga escala de agentes, há diversos riscos relacionados à confiança e execução, incluindo ataques de wicca, congestão de estratégias e trade-offs de privacidade.

Atividade de agentes continua crescendo

No último ano, a atividade de agentes cresceu de forma constante, com aumento tanto no volume quanto na quantidade de negociações. Observamos que o protocolo x402 da Coinbase liderou avanços significativos, com players como Visa, Stripe e Google também entrando na jogada, lançando seus próprios padrões. A maior parte da infraestrutura atualmente em construção visa servir duas categorias de cenários: canais entre agentes ou chamadas de agentes acionadas por humanos.

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

Agentes não são estranhos à DeFi. Por anos, protocolos na cadeia vêm usando bots para automação, capturando MEV ou obtendo lucros excedentes que não seriam possíveis sem código. Esses sistemas funcionam muito bem sob parâmetros bem definidos, que não mudam frequentemente ou requerem supervisão adicional. Mas o mercado se tornou mais complexo ao longo do tempo. É aí que entra a nova geração de agentes, com a cadeia se tornando um campo de experimentação nos últimos meses.

Desempenho real dos agentes

Segundo o relatório, a atividade de agentes cresceu exponencialmente, com mais de 17.000 agentes iniciados desde 2025. A atividade total de automação/agentes cobre mais de 19% de todas as atividades na cadeia. Não é surpresa, pois estima-se que mais de 76% das transferências de stablecoins sejam feitas por bots. Isso indica um enorme potencial de crescimento para atividades de agentes na DeFi.

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

Hoje, a maioria dos agentes ainda está na fase de analistas ou copilotos, 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 US$ 39 milhões. Esse valor mede principalmente os ativos depositados diretamente pelos usuários nos agentes, sem incluir o capital roteado por cofres.

Giza Tech é uma das maiores plataformas nesse setor, tendo lançado no final do ano passado o primeiro aplicativo de agente, ARMA, com foco em maximizar o rendimento de protocolos DeFi principais. Ela gerencia mais de US$ 19 milhões e gerou mais de US$ 4 bilhões em volume de negociações. A alta proporção entre volume de negociações e ativos sob gestão indica que os agentes frequentemente reequilibram o capital, permitindo capturar rendimentos mais elevados. Uma vez depositado, o capital é automaticamente gerenciado, oferecendo uma experiência de um clique, com supervisão mínima.

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

Negociação: humanos muito à frente

Por outro lado, ações mais complexas, como negociações, apresentam resultados muito mais variados. Os modelos atuais operam com base em entradas definidas por humanos, fornecendo 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 um papel de copilotos. Com agentes totalmente autônomos, o cenário de negociação mudará drasticamente.

Vários concursos de negociação entre agentes e entre humanos e agentes já ocorreram, revelando diferenças marcantes de desempenho. A Trade XYZ realizou uma competição de negociação de ações listadas na sua plataforma, com cada conta começando com US$ 10.000, sem limites de alavancagem ou frequência de negociações. Os resultados favoreceram esmagadoramente 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 (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini), testando diferentes configurações de risco, de preservação de capital a alavancagem máxima. Os fatores que explicam as diferenças de desempenho incluem:

Tempo de posição: forte correlação, modelos que mantêm posições por 2-3 horas superam significativamente os que fazem negociações frequentes.

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 tem mais perdas em negociações do que ganhos.

Alavancagem: níveis baixos de alavancagem, entre 6-8x, se mostraram melhores do que modelos com alavancagem superior a 10x, que aceleram perdas.

Estratégia de sinalização: Monk Mode é o modelo com melhor desempenho até agora, enquanto o Awareness Situacional foi o pior. Modelos baseados em características mostram que foco na gestão de risco e menor dependência de fontes externas levam a melhores resultados.

Modelos base: Grok 4.20 teve desempenho significativamente superior a outros modelos, com mais de 22% de vantagem média, sendo o único a obter 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 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 o potencial de desempenho forte do agente.

Desempenho sob diferentes volatilidades: incluindo perdas disciplinadas em condições adversas, indicando que agentes podem identificar fatores off-chain que afetam a lucratividade.

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

Fontes de informação: a confiabilidade das fontes de dados acessadas pelos agentes é crucial para a tomada de decisão. Garantir fontes confiáveis e evitar dependência de uma única fonte é fundamental.

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

Próximos passos dos 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 de agentes autônomos. Sem barreiras, já ocorreram casos de má gestão de fundos.

O ERC-8004, lançado em janeiro de 2026, é o primeiro registro na cadeia que permite que agentes autônomos se descubram, construam reputações verificáveis e colaborem de forma segura. Essa é uma chave para desbloquear a composabilidade na DeFi, pois a pontuação de confiança fica embutida no contrato inteligente, permitindo atividades permissionless entre agentes e protocolos. Contudo, isso não garante que 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 e mecanismos de staking econômico para agentes.

Com a expansão das atividades de agentes na DeFi, o congestionamento de estratégias se torna um risco estrutural. Yield farms são um exemplo claro; à medida que estratégias se popularizam, os retornos tendem a se comprimir. O mesmo pode acontecer com negociações de agentes: se muitos agentes treinarem e otimizarem com dados semelhantes e objetivos similares, eles tenderão a 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 e a possibilidade de extrair valor de conhecimento interno protegido por opacidade.

A atividade de agentes continuará acelerando, e a infraestrutura construída hoje determinará como será a próxima fase das finanças on-chain. Com o aumento do uso, eles se autoaperfeiçoarão e se tornarão mais sensíveis às preferências dos usuários. Assim, os fatores de maior diferencial serão a confiabilidade da infraestrutura e sua capacidade de conquistar maior fatia de mercado.