Ultimato! Os "fantasmas" na blockchain já assumiram 19% das transações, seu oponente pode nem ser uma pessoa!

O volume de atividades de agentes na cadeia está crescendo exponencialmente.
Análises de mercado indicam que, este ano, mais de dezessete mil agentes foram implantados e estão operando.
O volume de negociações gerado por programas automatizados e agentes, estima-se, já representa mais de 19% de toda a atividade na cadeia.

Esse número não é surpreendente.
Cálculos mostram que mais de 76% das transferências de stablecoins são realizadas por robôs.
Isso significa que, no setor de finanças descentralizadas, a penetração de agentes ainda tem um enorme espaço para crescimento.

Agentes não são uma novidade.
Nos últimos anos, robôs automatizados baseados em regras predefinidas já atuavam em diversos protocolos, capturando oportunidades de MEV ou arbitragem.
Esses sistemas funcionam bem em ambientes com regras fixas e poucas variáveis.

Mas o mercado está em constante evolução, com complexidade crescente a cada dia.
Nesse contexto, a nova geração de agentes com capacidade de aprender e se adaptar, está alcançando uma nova fronteira.
Nos últimos meses, a blockchain se tornou o principal campo de experimentos desse tipo.

O grau de autonomia dos agentes varia bastante.
De um lado, há agentes semelhantes a chatbots que requerem supervisão humana intensiva;
do outro, há agentes avançados capazes de definir estratégias e se adaptar ao mercado após receberem um objetivo.
Em comparação com robôs tradicionais, esses agentes possuem vantagens cruciais, como resposta em milissegundos, cobertura de múltiplos mercados e precisão de execução consistente.

Atualmente, a maioria dos agentes ainda está na fase de suporte e testes.
Sua implementação na DeFi concentra-se principalmente em alguns cenários centrais: fornecimento de liquidez, gestão de portfólio, previsão e jogos de estratégia.

O fornecimento de liquidez é uma das áreas com maior grau de automação.
O valor total de ativos bloqueados gerenciados por agentes ultrapassou US$ 39 milhões, considerando apenas os ativos depositados diretamente pelos usuários nos contratos dos agentes.
Um dos principais protocolos nesse setor, o GizaTech, lançou seu primeiro aplicativo de agente, o ARMA, que gerencia mais de US$ 19 milhões, com volume de negociações já superior a US$ 4 bilhões.

A proporção entre alto volume de negociações e o tamanho da gestão de ativos revela estratégias de agentes que buscam lucros maiores por meio de reequilíbrios frequentes de fundos.
Após depositar fundos, os usuários quase não precisam intervir.
Dizem que o ARMA pode oferecer uma taxa de retorno anual superior a 9,75% em USDC, mesmo após deduzir taxas, superando rendimentos médios de protocolos tradicionais de empréstimo como Aave e Morpho.

No entanto, a escalabilidade ainda é um problema central.
Esses agentes ainda não passaram por testes de gestão de grandes volumes de fundos, e seu tamanho não se equipara aos principais protocolos de DeFi.

No que diz respeito a operações mais complexas, os resultados variam bastante.
A maioria dos modelos de negociação atuais ainda funciona com base em regras humanas.
Técnicas de aprendizado de máquina permitem que esses agentes atualizem seus comportamentos autonomamente com base em novas informações, sem necessidade de reprogramação.
Com o surgimento de agentes totalmente autônomos, o cenário de negociações pode ser completamente reformulado.

Diversas competições de negociação entre humanos e agentes, bem como entre diferentes agentes, já foram realizadas.
Em uma disputa no mercado de ações, com um capital inicial de US$ 10.000, os humanos superaram significativamente os agentes mais avançados, cujo melhor desempenho foi mais de cinco vezes superior.

Outra competição, envolvendo agentes baseados em modelos como Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini, revelou fatores-chave que influenciam a performance.
Modelos com tempo de manutenção de posições entre 2 e 3 horas tiveram desempenho muito superior ao de traders que operam com alta frequência.
Apenas os três melhores modelos apresentaram expectativa positiva, indicando que a maioria permanece em prejuízo a longo prazo.
Modelos com alavancagem média de 6 a 8 vezes tiveram desempenho melhor do que aqueles com mais de 10 vezes, pois alta alavancagem acelera perdas.
Na estratégia de prompts, o “modo monge” lidera de longe, enquanto o “percepção de contexto” tem o pior desempenho, sugerindo que foco em gerenciamento de risco e redução de interferências de informações é mais vantajoso.

No que diz respeito aos modelos básicos, o Grok 4.20 se destaca, com uma vantagem superior a 22% sobre os demais, sendo o único a manter lucro médio sob diferentes estratégias de prompts.
Fatores como tendência de posições longas ou curtas, tamanho de cada operação, não mostraram relação clara com o desempenho.

De modo geral, agentes se saem melhor em cenários com condições bem definidas.
Isso indica que, na definição de objetivos, o papel humano ainda é indispensável.

Como os agentes ainda estão em fase inicial, não há um quadro completo de avaliação.
O desempenho histórico costuma ser usado como referência, mas fatores subjacentes, como a capacidade de limitar perdas em mercados em baixa ou de identificar impactos off-chain, refletem melhor a qualidade.
Transparência na estratégia facilita arbitragem por cópia, enquanto modos de privacidade apresentam riscos de manipulação por parte de projetos que possam explorar informações internas.
Fontes de dados devem ser confiáveis e diversificadas.
A segurança depende de auditorias de contratos inteligentes e de uma arquitetura de custódia de fundos bem estruturada.

Para escalar os agentes, há muito trabalho a ser feito na infraestrutura, especialmente na construção de confiança e segurança na execução.
Atualmente, o comportamento de agentes autônomos carece de restrições, e já houve casos de má gestão de fundos.

A implementação do padrão ERC-8004 representa um avanço importante, permitindo que agentes autônomos se descubram, estabeleçam reputações verificáveis e colaborem de forma segura, incorporando pontuações de confiança em contratos inteligentes.
Isso possibilita interações sem permissão entre agentes e protocolos.
Porém, isso não garante que os agentes nunca agirão de forma maliciosa; vulnerabilidades como conluio de reputação e ataques de wicca ainda existem.

Portanto, há ainda grandes lacunas em áreas como seguros, segurança e garantias econômicas para agentes.

À medida que a atividade de agentes na DeFi aumenta, a congestão de estratégias se tornará um risco estrutural.
A mineração de rendimento é um exemplo clássico: após a popularização de estratégias, os retornos tendem a se comprimir rapidamente.
Negociações de agentes provavelmente seguirão o mesmo padrão.

Se muitos agentes treinarem e otimizarem objetivos semelhantes com dados parecidos, suas posições e sinais de saída se tornarão altamente correlacionados.
Um estudo da Universidade de Cornell abordou sistematicamente essa questão.
Negócios de agentes transparentes podem ser previstos e facilmente explorados por front-running;
agentes com privacidade, embora possam evitar esse problema, introduzem novos riscos de que desenvolvedores usem informações internas para extrair valor.

As atividades relacionadas a agentes só devem acelerar.
A infraestrutura construída hoje determinará o próximo estágio do funcionamento financeiro na cadeia.
Com o aumento do uso, os agentes irão se autoaperfeiçoar, alinhando-se melhor às preferências dos usuários.
Assim, a diferença competitiva final dependerá da infraestrutura confiável, que também dominará a maior fatia do mercado.

Siga-me: para mais análises e insights em tempo real do mercado de criptomoedas! $BTC $ETH $SOL

#GatePreIPOs首发SpaceX #Celebração do 13º aniversário do Gate, ao vivo #ReboteBitcoin