Informe detallado de DWF: La IA en DeFi supera a los humanos en la optimización de rendimiento, pero las operaciones complejas aún se quedan rezagadas por 5 veces.

Título original: ¿Los agentes tomarán el control de DeFi?

Fuente original: DWF Ventures

Traducción original: Flujo tecnológico de marea profunda

Puntos clave

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

En casos de uso específicos y bien definidos, como la optimización del rendimiento, los agentes han demostrado un desempeño superior al de los humanos y los bots. Sin embargo, en acciones multifacéticas como el comercio, los humanos superan a los agentes.

Entre los agentes, la selección del modelo y la gestión del riesgo son los factores que más influyen en el rendimiento de las operaciones.

A medida que se adoptan los agentes a gran escala, existen varios riesgos en cuanto a la confianza y la ejecución, incluidos los ataques de brujería, la saturación de estrategias y las concesiones en materia de privacidad.

Crecimiento continuo de las actividades de los agentes

Durante el último año, la actividad de los agentes ha aumentado de forma constante, tanto en volumen de operaciones como en número de transacciones. Hemos visto cómo el protocolo x402 de Coinbase ha impulsado avances significativos, y empresas como Visa, Stripe y Google también se han sumado para lanzar sus propios estándares. La mayor parte de la infraestructura que se está construyendo actualmente está destinada a dar servicio a dos tipos de escenarios: canales entre agentes o llamadas de agentes iniciadas por personas.

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

Los agentes no son algo totalmente nuevo en DeFi. Durante años, se ha recurrido a la automatización mediante bots en protocolos en cadena, capturando MEV o logrando rendimientos excesivos que no se pueden obtener 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, y las actividades en la cadena de bloques se han convertido en un campo de pruebas para dichos desarrollos en los últimos meses.

Desempeño real de los agentes

Según los informes, la actividad de los agentes ha crecido exponencialmente, con más de 17.000 agentes incorporados desde 2025. Se estima que la cantidad total de actividad de automatización/agentes representa más del 19% de todas las actividades en la cadena de bloques. 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 existe un importante potencial de crecimiento para las actividades de los agentes en DeFi.

La autonomía de los agentes abarca un amplio espectro, desde experiencias similares a las de los chatbots que requieren una alta supervisión humana hasta agentes que pueden formular estrategias basadas en objetivos definidos y adaptarse a las condiciones del mercado. En comparación con los bots, los agentes tienen varias ventajas clave, entre ellas la capacidad de responder y ejecutar nueva información en milisegundos, así como la capacidad de ampliar 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 la fase de pruebas.

Optimización del rendimiento: Los agentes tienen un desempeño excepcional.

La provisión de liquidez es un ámbito donde la automatización se ha producido con frecuencia, con un valor total bloqueado (TVL) en manos de los agentes que supera los 39 millones de dólares. Esta cifra mide principalmente los activos depositados directamente por los usuarios en los agentes, excluyendo el capital canalizado 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 DeFi. Ha atraído más de 19 millones de dólares en activos gestionados y ha generado más de 4.000 millones de dólares en volumen de operaciones de agentes.

La elevada proporción entre el volumen de negociación y el total de activos gestionados indica que los agentes reequilibran con frecuencia el capital, lo que permite obtener una mayor rentabilidad. Una vez que se deposita el capital en el contrato, la ejecución se automatiza, lo que proporciona a los usuarios una experiencia sencilla con un solo clic que prácticamente no requiere supervisión.

El rendimiento de ARMA es notablemente excepcional, generando una rentabilidad anualizada superior al 9,75% para USDC. Incluso teniendo en cuenta las comisiones adicionales por reequilibrio y la comisión de rendimiento del 10% del agente, la rentabilidad sigue superando la de los préstamos ordinarios en Aave o Morpho. Sin embargo, la escalabilidad sigue siendo un problema clave, ya que estos agentes aún no han sido puestos a prueba en condiciones reales para gestionar o escalar al tamaño de los principales protocolos DeFi.

Comercio: Los humanos están significativamente por delante

Sin embargo, para acciones más complejas como el comercio, los resultados son mucho más variados. Los modelos de negociación actuales funcionan a partir de datos de entrada definidos por humanos y proporcionan resultados de acuerdo con reglas preestablecidas. El aprendizaje automático amplía esta capacidad al permitir que los modelos actualicen su comportamiento en función de nueva información sin necesidad de una reprogramación explícita, lo que les permite desempeñar un papel de copiloto. El panorama comercial experimentará cambios significativos con la introducción de agentes totalmente autónomos.

Se han celebrado varias competiciones comerciales entre agentes y entre humanos y agentes, revelando diferencias sustanciales entre los modelos. Trade XYZ organizó una competición de negociación de acciones en su plataforma, enfrentando a humanos contra agentes. Cada cuenta tenía un capital inicial de 10.000 dólares, sin restricciones de apalancamiento ni de frecuencia de negociación. Los resultados favorecieron abrumadoramente a los humanos, cuyo rendimiento superó al de los mejores agentes en más de cinco veces.

Mientras tanto, Nof1 organizó una competición de trading 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 del capital hasta el apalancamiento máximo. Los resultados revelaron varios factores que podrían ayudar a explicar las diferencias de rendimiento:

Tiempo de espera: Existe una fuerte correlación: los modelos que mantienen posiciones durante un promedio de 2 a 3 horas superan significativamente a aquellos que cambian de posición con frecuencia.

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

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

Estrategias de aviso: El modo Monje es el modelo con mejor rendimiento hasta el momento, mientras que la Conciencia Situacional ha tenido el peor rendimiento. En función de las características de los modelos, se observa que centrarse en la gestión de riesgos y en un menor número de fuentes externas conduce a un mejor rendimiento.

Modelos base: Grok 4.20 superó significativamente a otros modelos en más del 22% en diferentes estrategias de respuesta inmediata y fue el único modelo que obtuvo una ganancia promedio.

Otros factores, como las preferencias por posiciones largas o cortas, el tamaño de las operaciones y los índices de confianza, no contaban con datos suficientes o no se demostró que tuvieran ninguna correlación positiva con el rendimiento del modelo. En general, los resultados indican que los agentes tienden a desempeñarse mejor dentro de restricciones claramente definidas, lo que sugiere que los humanos siguen siendo muy necesarios en la configuración de objetivos.

Cómo evaluar a los agentes

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

Rendimiento bajo diferentes niveles de volatilidad: Esto incluye un control de pérdidas disciplinado cuando las condiciones se deterioran, lo que indica que los agentes pueden identificar factores externos a la cadena que afectan la rentabilidad de las operaciones.

Transparencia vs. Privacidad: Ambas partes tienen sus ventajas e inconvenientes. Los agentes transparentes, si pueden ser copiados activamente en las operaciones, esencialmente no tienen ninguna ventaja estratégica. Los agentes privados se enfrentan al riesgo de ser extraídos internamente por 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. Es vital garantizar que las fuentes sean fiables y no dependan exclusivamente de una sola.

Seguridad: Es fundamental contar con auditorías de contratos inteligentes y estructuras de custodia de fondos adecuadas para garantizar medidas de respaldo en caso de eventos inesperados e imprevistos.

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 actuación de los agentes. Los agentes autónomos operan sin ningún tipo de control, y ya han surgido casos de mala gestión de fondos.

El protocolo ERC-8004 se lanzará 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 forma segura. Esto supone un desbloqueo clave para la componibilidad de DeFi, ya que las puntuaciones de confianza están integradas en los propios contratos inteligentes, lo que permite actividades sin permisos entre agentes y protocolos.

Esto no garantiza que los agentes siempre actúen de forma no maliciosa, ya que aún pueden presentarse vulnerabilidades como la colusión, la reputación y los ataques de brujería. Por lo tanto, aún queda mucho por hacer en áreas como los seguros, la seguridad y la participación económica de los agentes.

A medida que se expanden las actividades de los agentes en DeFi, la saturación de estrategias se convierte en un riesgo estructural. El yield farming es el precedente más explícito, ya que la rentabilidad se reduce con la proliferación de estrategias. La misma dinámica podría aplicarse a las operaciones realizadas por agentes. Si un gran número de agentes se entrenan con datos similares y se optimizan para objetivos similares, convergerán en posiciones similares y señales de salida similares.

El artículo de 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 se pueden anticipar. Los agentes privados evitan este riesgo, pero introducen otro diferente, en el que los creadores conservan ventajas informativas sobre sus propios usuarios y pueden extraer valor a través de la opacidad del conocimiento interno que se suponía que debía protegerse.

La actividad de los agentes no hará más que acelerarse, y la infraestructura que se establezca hoy determinará cómo funcionarán las finanzas en cadena en la próxima fase. A medida que aumente el uso de agentes, estos se auto-iterarán y se volverán más hábiles para adaptarse a las preferencias del usuario. Por lo tanto, el principal factor diferenciador se reducirá a una infraestructura confiable, que será la que acapare la mayor cuota de mercado.