Informe detallado de DWF: La IA supera a los humanos en la optimización de yield farming en DeFi, pero las transacciones complejas aún se quedan 5 veces por detrás.

Título del artículo original: ¿Los agentes tomarán el control de DeFi?
Fuente original: DWF Ventures

Traducción de: Tecnología DeepFlow

Puntos clave

Actualmente, la automatización y la actividad de los agentes representan alrededor del 19% de toda la actividad 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 mejor desempeño que los humanos y los bots. Sin embargo, en acciones que involucran múltiples aspectos, 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 agentes a gran escala, existen varios riesgos relacionados con la confianza y la ejecución, incluidos los ataques de tipo sándwich, la congestión de estrategias y las concesiones en materia de privacidad.

Crecimiento continuo de la actividad de los agentes

Durante el último año, la actividad de los agentes ha aumentado de forma constante, tanto en volumen como en número de transacciones. Hemos visto avances significativos liderados por el protocolo x402 de Coinbase, con la incorporación de empresas como Visa, Stripe y Google para introducir 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 las transacciones con stablecoins han ganado 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, aún no se ha alcanzado el estado final de "autónomo total", en el que los agentes pueden autofinanciarse, autoejecutarse y optimizarse continuamente en función de las condiciones cambiantes.

Los agentes no desconocen por completo el mundo de DeFi. Durante años, se ha recurrido a la automatización mediante bots en protocolos en cadena, capturando MEV u obteniendo rendimientos extraordinarios que no serían posibles sin código. Estos sistemas han funcionado muy bien bajo parámetros claramente definidos que no cambian con frecuencia ni requieren supervisión adicional.

Sin embargo, el mercado se ha vuelto cada vez más complejo con el paso del tiempo. Aquí es donde vemos la entrada de la nueva generación de agentes, y los últimos meses, la tecnología en cadena ha servido como campo experimental para este tipo de actividades.

El desempeño del agente en acción

Según los informes, la actividad de los agentes ha experimentado un crecimiento exponencial, con más de 17.000 agentes lanzados desde 2025. Se estima que el volumen 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 un importante potencial de crecimiento para la actividad de los agentes en DeFi.

Los agentes exhiben un amplio rango de autonomía, desde experiencias similares a las de los chatbots que requieren una alta supervisión humana hasta agentes que pueden formular estrategias adaptadas al mercado basadas en datos de entrada del público objetivo. En comparación con los bots, los agentes tienen varias ventajas clave, entre ellas la capacidad de responder y ejecutar nueva información en milisegundos y ampliar la cobertura a miles de mercados manteniendo el mismo nivel de rigor.

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

Optimización del rendimiento: Impresionante desempeño del agente

La provisión de liquidez ha sido un ámbito donde la automatización ha predominado, con un valor total de préstamo 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, pero no incluye el capital canalizado a través de las tesorerías.

Giza Tech es uno de los protocolos más grandes en este campo y lanzó la primera aplicación de agente, ARMA, a finales del año pasado, con el objetivo de 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 40.000 millones de dólares en volumen de operaciones de agentes.

La elevada proporción entre el volumen de negociación y los activos gestionados indica que los agentes reequilibran frecuentemente 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 requiere una supervisión mínima.

El rendimiento de ARMA es cuantificablemente excelente, generando una rentabilidad anualizada superior al 9,75% para USDC. Incluso teniendo en cuenta las comisiones adicionales por reequilibrio y una comisión de rendimiento del 10% para el agente, la rentabilidad supera los tipos de interés habituales de Aave o Morpho. Sin embargo, la escalabilidad sigue siendo una preocupación 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.

Transacción: El factor humano es significativo

Sin embargo, para acciones más complejas, como las transacciones, los resultados son mucho más variados. El modelo de transacción actual funciona a partir de datos de entrada definidos por humanos y proporciona resultados de acuerdo con reglas preestablecidas. El aprendizaje automático ha impulsado este avance al permitir que el modelo actualice su comportamiento en función de nueva información sin necesidad de una reprogramación explícita, acercándolo así a un papel de copiloto. Con la incorporación de agentes totalmente autónomos, el panorama de las transacciones está a punto de experimentar un cambio significativo.

Se han celebrado varias competiciones entre agentes, así como entre humanos y agentes, que han revelado diferencias significativas en el rendimiento entre los modelos. Trade XYZ organizó una competición de transacciones entre humanos y agentes para las acciones que cotizan en su plataforma. Cada cuenta comenzaba con un fondo inicial de 10.000 dólares, sin restricciones de apalancamiento ni de frecuencia de negociación. Los resultados favorecieron abrumadoramente a los humanos, con los mejores profesionales humanos superando a los mejores agentes por más de 5 veces.

Mientras tanto, Nof1 organizó una competición entre modelos, en la que varios modelos (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) compitieron entre sí, poniendo a prueba diferentes perfiles 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 mantenimiento de la posición: Se observó una fuerte correlación: los modelos que mantenían cada posición durante un promedio de 2 a 3 horas obtenían resultados significativamente mejores que los modelos con rotación frecuente.

Expectativa: Esto mide si el modelo es rentable en promedio por operación. Curiosamente, solo los 3 mejores modelos tuvieron una expectativa positiva, lo que indica que la mayoría de los modelos tuvieron más operaciones perdedoras que ganadoras.

Aprovechar: Los modelos que operaban con un apalancamiento promedio más bajo, de 6 a 8 veces, demostraron tener un mejor rendimiento que aquellos que operaban con un apalancamiento superior a 10 veces, ya que los niveles altos aceleraban las pérdidas.

Consejos estratégicos: El modelo Monk Mode ha sido el que mejor rendimiento ha obtenido hasta ahora, mientras que el modelo Situational Awareness ha sido el que peor rendimiento ha tenido. En función de las características de los modelos, se observa que centrarse en la gestión de riesgos y en un menor número de insumos externos conduce a un mejor rendimiento.

Modelo base: Grok 4.20 superó significativamente a otros modelos en más del 22% en diversas estrategias y fue el único modelo que resultó rentable de forma consistente.

Otros factores, como la preferencia por posiciones largas o cortas, el tamaño de la operación y la puntuación de confiabilidad, no contaban con datos suficientes o no mostraron ninguna correlación positiva con el rendimiento del modelo. En general, los resultados indican que los agentes suelen tener un mejor desempeño dentro de un marco claramente definido, lo que implica que la supervisión humana sigue siendo muy necesaria en la asignación de objetivos.

Evaluación de un agente

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 un agente, pero está influenciado por factores fundamentales que proporcionan indicios más sólidos de un rendimiento robusto del agente.

Rendimiento bajo diferentes niveles de volatilidad: Esto incluye un control de pérdidas disciplinado cuando las condiciones empeoran, lo que indica que el agente puede identificar factores externos a la cadena que afectan la rentabilidad de las operaciones.

Transparencia vs. Privacidad: Ambas partes tienen sus ventajas e inconvenientes. Un agente transparente, si se puede comercializar mediante replicación, esencialmente no tiene ninguna ventaja estratégica. Un agente privado se enfrenta al riesgo de que el creador se adelante fácilmente a sus propios usuarios.

Fuente de información: Las fuentes de datos a las que accede el agente son cruciales para determinar cómo toma decisiones. Es fundamental garantizar que las fuentes sean fiables y no tengan dependencias individuales.

Seguridad: Es fundamental contar con auditorías de contratos inteligentes y una arquitectura de custodia de fondos adecuada para garantizar medidas de respaldo en caso de un evento inesperado e imprevisible.

Próximos pasos para los agentes

Para la adopción masiva de agentes, aún queda mucho trabajo de infraestructura por hacer. Esto se puede resumir en cuestiones clave relacionadas con la confianza y la ejecución por parte de los agentes. Las acciones de los agentes autónomos no están reguladas y ya han surgido casos de mala gestión de fondos.

ERC-8004 se puso en marcha 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 de la componibilidad de DeFi, ya que las puntuaciones de confianza están integradas en el propio contrato inteligente, lo que permite interacciones sin permisos entre agentes y protocolos.

Sin embargo, esto no garantiza que los agentes siempre actúen sin mala intención, ya que aún podrían producirse vulnerabilidades de seguridad como la colusión de reputación y los ataques Sybil. Por lo tanto, todavía queda una brecha importante por cubrir en lo que respecta a seguros, seguridad y la participación económica de los agentes.

A medida que se expande la actividad de los agentes DeFi, la congestión de estrategias se ha convertido en un riesgo estructural. El yield farming es el precedente más evidente, donde a medida que proliferan las estrategias, la rentabilidad disminuye. Una dinámica similar podría aplicarse a las operaciones realizadas por agentes. Si muchos agentes se entrenan con datos similares y se optimizan para objetivos similares, convergerán en posiciones similares y señales de salida similares.

Una versión de este problema se formalizó en un artículo de CoinAlg de la Universidad de Cornell publicado en enero de 2026. Los agentes transparentes son susceptibles al arbitraje, ya que sus operaciones son predecibles y se pueden anticipar. Los agentes privados mitigan este riesgo, pero introducen otro diferente, en el que los creadores conservan una ventaja informativa sobre sus usuarios y pueden extraer valor de la opacidad que originalmente estaba destinada a proteger el conocimiento interno.

La actividad de los agentes no hará más que acelerarse, y la infraestructura que se establezca hoy determinará cómo funcionará la siguiente etapa de las finanzas en cadena. Con la creciente utilización de agentes, estos se auto-iterarán y se adaptarán mejor a las preferencias del usuario. Por lo tanto, el principal factor diferenciador radicará en una infraestructura confiable, que será la que acapare la mayor cuota de mercado.

Enlace al artículo original