Informe Profundo de DWF: La IA en DeFi supera a los humanos en la optimización de rendimientos, pero las operaciones complejas aún se quedan atrás por 5 veces

Título Original: ¿Los Agentes se apoderarán de DeFi?

Fuente Original: DWF Ventures

Traducción Original: Deep Tide TechFlow

Puntos Clave

La automatización y las actividades de los agentes representan actualmente alrededor del 19% de todas las actividades en cadena, pero la verdadera autonomía de extremo a extremo aún no se ha logrado.

En casos de uso estrechos y bien definidos como la optimización de rendimientos, los agentes han mostrado un rendimiento superior al de los humanos y los bots. Sin embargo, para acciones multifacéticas como el comercio, los humanos superan a los agentes.

Entre los agentes, la selección de modelos y la gestión de riesgos tienen el mayor impacto en el rendimiento comercial.

A medida que los agentes son adoptados a gran escala, existen varios riesgos relacionados con la confianza y la ejecución, incluyendo ataques de brujas, saturación de estrategias y compromisos de privacidad.

Crecimiento Continuo de las Actividades de los Agentes

Durante el último año, las actividades de los agentes han aumentado de manera constante, con un aumento tanto en el volumen de comercio como en el número de operaciones. Hemos visto que el protocolo x402 de Coinbase lidera desarrollos significativos, con jugadores como Visa, Stripe y Google también uniéndose para lanzar sus propios estándares. La mayor parte de la infraestructura que se está construyendo actualmente está destinada a servir dos tipos de escenarios: canales entre agentes o llamadas de agentes desencadenadas por humanos.

Mientras que el comercio de stablecoins ha recibido un amplio apoyo, la infraestructura actual aún depende de pasarelas de pago tradicionales como la capa subyacente, lo que significa que aún depende de contrapartes centralizadas. Por lo tanto, el final "totalmente autónomo", donde los agentes pueden autofinanciarse, autoejecutarse y optimizar continuamente en función de las condiciones cambiantes, aún no se ha realizado.

Los agentes no son completamente nuevos en DeFi. Durante años, ha habido automatización a través de bots en protocolos en cadena, capturando MEV o logrando rendimientos excesivos que no se pueden realizar sin código. Estos sistemas funcionan muy bien bajo parámetros claramente definidos que no cambian con frecuencia ni requieren supervisión adicional.

Sin embargo, el mercado se ha vuelto más complejo con el tiempo. Aquí es donde vemos entrar a la próxima generación de agentes, con actividades en cadena convirtiéndose en un campo de pruebas para tales desarrollos en los últimos meses.

Rendimiento Actual de los Agentes

Según informes, las actividades de los agentes han crecido exponencialmente, con más de 17,000 agentes lanzados desde 2025. Se estima que la cantidad total de automatización/actividad de agentes cubre más del 19% de todas las actividades en cadena. Esto no es sorprendente, ya que se estima que más del 76% del volumen de transferencias de stablecoins es generado por bots. Esto indica que hay un potencial de crecimiento significativo para las actividades de los agentes en DeFi.

La autonomía de los agentes existe en un amplio espectro, desde experiencias similares a chatbots que requieren una alta supervisión humana hasta agentes que pueden formular estrategias basadas en entradas de objetivos y adaptarse a las condiciones del mercado. En comparación con los bots, los agentes tienen varias ventajas clave, incluida la capacidad de responder y ejecutar nueva información en milisegundos, así como la capacidad de expandir la cobertura a miles de mercados manteniendo el mismo rigor.

Actualmente, la mayoría de los agentes aún se encuentran en el nivel de analista a copiloto, ya que la mayoría todavía está en fase de prueba.

Optimización de Rendimiento: Los Agentes Desempeñan Excepcionalmente

La provisión de liquidez es un campo donde la automatización ha ocurrido con frecuencia, con un TVL total mantenido por agentes que supera los 39 millones de dólares. Esta cifra mide principalmente los activos depositados directamente por los usuarios en agentes, excluyendo el capital dirigido a través de bóvedas.

Giza Tech es uno de los protocolos más grandes en este campo, habiendo lanzado la primera aplicación de agente ARMA a finales del año pasado, destinada a mejorar la captura de rendimiento para los principales protocolos de DeFi. Ha atraído más de 19 millones de dólares en activos gestionados y generado más de 4 mil millones de dólares en volumen de trading de agentes.

La alta relación entre el volumen de comercio y los activos totales gestionados indica que los agentes reequilibran frecuentemente el capital, lo que permite capturar un mayor rendimiento. Una vez que se deposita capital en el contrato, la ejecución es automatizada, proporcionando a los usuarios una experiencia sencilla de un solo clic que requiere casi ninguna supervisión.

El rendimiento de ARMA es excepcionalmente medible, generando más del 9,75% de rendimiento anualizado para USDC. Incluso considerando las tarifas adicionales de reequilibrio y la tarifa de rendimiento del 10% del agente, el rendimiento aún supera al de los préstamos ordinarios en Aave o Morpho. No obstante, la escalabilidad sigue siendo un problema clave, ya que estos agentes aún no han sido probados en batalla para gestionar o escalar al tamaño de los principales protocolos DeFi.

Comercio: Los humanos significativamente por delante

Sin embargo, para acciones más complejas como el comercio, los resultados son mucho más variados. Los modelos de comercio actuales operan en base a entradas definidas por humanos y proporcionan salidas de acuerdo con reglas preestablecidas. El aprendizaje automático expande esto al permitir que los modelos actualicen su comportamiento basado en nueva información sin reprogramación explícita, avanzándolos a un rol de copiloto. El panorama del comercio sufrirá cambios significativos con la introducción de agentes totalmente autónomos.

Se han celebrado varias competiciones de comercio entre agentes y entre humanos y agentes, revelando diferencias sustanciales entre los modelos. Trade XYZ organizó una competición de comercio en su plataforma para acciones, enfrentando a humanos contra agentes. Cada cuenta tenía un capital inicial de $10,000, sin restricciones sobre el apalancamiento o la frecuencia de comercio. Los resultados favorecieron abrumadoramente a los humanos, con el rendimiento humano superior al de los mejores agentes por más de cinco veces.

Mientras tanto, Nof1 celebró una competición de comercio entre modelos, permitiendo que varios modelos (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) compitieran entre sí, probando diferentes configuraciones de riesgo desde la preservación de capital hasta el apalancamiento máximo. Los resultados revelaron varios factores que podrían ayudar a explicar las diferencias de rendimiento:

Tiempo de Sostenimiento: Hay una fuerte correlación, con modelos que mantienen posiciones durante un promedio de 2-3 horas superando significativamente a aquellos que cambian de posición con frecuencia.

Valor Esperado: Esto mide si los modelos generan ganancias en promedio por operación. Curiosamente, solo los tres mejores modelos tenían un valor esperado positivo, lo que indica que la mayoría de los modelos tuvieron más operaciones perdedoras que ganadoras.

Apalancamiento: Un nivel de apalancamiento promedio más bajo de 6-8 veces demostró tener un mejor rendimiento que los modelos que operan con más de 10 veces de apalancamiento, ya que niveles altos aceleran las pérdidas.

Estrategias de Aviso: El Modo Monje es el modelo de mejor rendimiento hasta ahora, mientras que la Conciencia Situacional tuvo el peor desempeño. Basado en las características de los modelos, se muestra que centrarse en la gestión del riesgo y en menos fuentes externas conduce a un mejor rendimiento.

Modelos Base: Grok 4.20 superó significativamente a otros modelos en más de un 22% a través de diferentes estrategias de aviso y fue el único modelo que promedió una ganancia.

Otros factores como las preferencias de largo/corto, los tamaños de las operaciones y los puntajes de confianza no tuvieron suficientes datos o se demostró que no tenían correlación positiva con el rendimiento del modelo. En general, los resultados indican que los agentes tienden a desempeñarse mejor dentro de restricciones claramente definidas, sugiriendo que los humanos siguen siendo muy necesarios en la configuración de objetivos.

Cómo Evaluar Agentes

Dado que los agentes aún están en las primeras etapas, actualmente no existe un marco de evaluación integral. El rendimiento histórico se utiliza a menudo como un punto de referencia para evaluar agentes, pero está influenciado por factores subyacentes que proporcionan señales más fuertes de un rendimiento robusto de los agentes.

Rendimiento bajo Diferente Volatilidad: Esto incluye un control disciplinado de pérdidas cuando las condiciones se deterioran, indicando que los agentes pueden identificar factores fuera de la cadena que afectan la rentabilidad del comercio.

Transparencia vs. Privacidad: Ambos lados tienen sus compensaciones. Los agentes transparentes, si pueden ser copiados activamente en las operaciones, esencialmente no tienen ventaja estratégica. Los agentes privados enfrentan el riesgo de extracción interna por parte de los creadores, quienes pueden fácilmente adelantarse a sus propios usuarios.

Fuentes de Información: Las fuentes de datos a las que acceden los agentes son cruciales para determinar cómo toman decisiones los agentes. Asegurar que las fuentes sean fiables y no dependan de manera singular es vital.

Seguridad: Es esencial realizar auditorías de contratos inteligentes y establecer estructuras adecuadas de custodia de fondos para garantizar medidas de respaldo en caso de eventos de cisne negro.

Próximos Pasos para los Agentes

Para lograr una adopción a gran escala de los agentes, aún queda mucho trabajo por hacer en términos de infraestructura. Esto se reduce a cuestiones clave relacionadas con la confianza y la ejecución de los agentes. Los agentes autónomos operan sin límites, y ya han surgido casos de mala gestión de fondos.

ERC-8004 está programado para lanzarse en enero de 2026, convirtiéndose en el primer registro en cadena que permite a los agentes autónomos descubrirse entre sí, establecer reputaciones verificables y colaborar de manera segura. Este es un desbloqueo clave para la composibilidad de DeFi, ya que las puntuaciones de confianza están integradas dentro de los propios contratos inteligentes, permitiendo actividades sin permisos entre agentes y protocolos.

Esto no garantiza que los agentes siempre operen de manera no maliciosa, ya que vulnerabilidades como las reputaciones de colusión y los ataques de brujería pueden seguir ocurriendo. Por lo tanto, aún queda un espacio significativo por llenar en áreas como el seguro, la seguridad y el staking económico de los agentes.

A medida que las actividades de los agentes se expanden en DeFi, la saturación de estrategias se convierte en un riesgo estructural. La agricultura de rendimiento es el precedente más explícito, ya que los retornos se comprimen con la proliferación de estrategias. Las mismas dinámicas pueden aplicarse al comercio de agentes. Si un gran número de agentes se entrenan con datos similares y optimizan para objetivos similares, convergerán en posiciones similares y señales de salida similares.

El documento CoinAlg publicado por la Universidad de Cornell en enero de 2026 formaliza una versión de este problema. Los agentes transparentes pueden ser objeto de arbitraje porque sus operaciones son predecibles y pueden ser adelantadas. Los agentes privados evitan este riesgo, pero introducen un riesgo diferente, donde los creadores mantienen ventajas informativas sobre sus propios usuarios y pueden extraer valor a través de la opacidad del conocimiento interno que debía ser protegido.

Las actividades de los agentes solo continuarán acelerándose, y la infraestructura establecida hoy determinará cómo opera la financiación en cadena en la próxima fase. A medida que aumenta el uso de agentes, estos se autoiterarán y se volverán más hábiles en adaptarse a las preferencias de los usuarios. Por lo tanto, el factor diferenciador principal se reducirá a una infraestructura confiable, que capturará la mayor cuota de mercado.