Rapport approfondi DWF : l'IA optimise les rendements en DeFi au-delà des humains, mais les transactions complexes restent 5 fois en retard

Auteur : DWF Ventures

Traduction : Deep潮 TechFlow

Deep潮 Introduction : L’Agent IA a déjà représenté près d’un cinquième du volume des transactions en DeFi, et dans des scénarios de maximisation des rendements où les règles sont clairement définies, il a effectivement surpassé l’humain. Mais pour qu’il effectue des transactions autonomes, la performance des IA de pointe est encore inférieure à un cinquième de celle des meilleurs humains. Cette étude décompose la performance réelle de l’IA dans différents scénarios en DeFi, ce qui vaut la peine que tous ceux qui s’intéressent à la trading automatisé y jettent un œil.

Points clés

L’automatisation et l’activité des agents représentent actuellement environ 19 % de toutes les activités sur la chaîne, mais une autonomie bout en bout véritable n’a pas encore été réalisée.

Dans des cas d’usage étroits et clairement définis comme l’optimisation des rendements, les agents ont montré une performance supérieure à celle des humains et des bots. Mais pour des actions multiples comme le trading, la performance humaine reste supérieure à celle des agents.

Parmi les agents, le choix du modèle et la gestion des risques ont le plus grand impact sur la performance des transactions.

Avec l’adoption massive des agents, plusieurs risques liés à la confiance et à l’exécution émergent, notamment les attaques de type « witch », la congestion des stratégies et les compromis en matière de confidentialité.

Activité des agents en croissance continue

Au cours de l’année écoulée, l’activité des agents a connu une croissance régulière, avec une augmentation du volume et du nombre de transactions. Nous observons que le protocole x402 de Coinbase a mené cette évolution, avec la participation de géants comme Visa, Stripe et Google qui ont lancé leurs propres standards. La majorité de l’infrastructure en cours de construction vise deux scénarios : les canaux entre agents ou les appels d’agents déclenchés par des humains.

Bien que les transactions en stablecoins soient largement supportées, l’infrastructure actuelle dépend encore des passerelles de paiement traditionnelles comme couche sous-jacente, ce qui implique une dépendance à des contreparties centralisées. Par conséquent, la réalisation d’un « autonomie totale » où l’agent se finance, s’exécute et s’optimise en continu selon les conditions changeantes n’est pas encore atteinte.

Les agents ne sont pas étrangers à la DeFi. Depuis plusieurs années, des protocoles on-chain ont intégré l’automatisation via des bots pour capturer le MEV ou obtenir des profits excédentaires impossibles à réaliser sans code. Ces systèmes fonctionnent très bien dans des paramètres clairement définis, peu changeants ou nécessitant peu de supervision. Mais le marché est devenu plus complexe avec le temps. C’est là que la nouvelle génération d’agents entre en jeu, car ces derniers mois, la chaîne est devenue un terrain d’expérimentation pour ce type d’activité.

Performance réelle des agents

Selon le rapport, l’activité des agents a connu une croissance exponentielle, avec plus de 17 000 agents lancés depuis 2025. La somme totale des activités automatisées/agents couvre plus de 19 % de toutes les activités on-chain. Ce n’est pas surprenant, puisque plus de 76 % des transferts en stablecoins seraient générés par des bots. Cela indique un potentiel de croissance énorme pour l’activité des agents en DeFi.

L’autonomie des agents couvre un large spectre, allant d’expériences de type chatbot nécessitant une supervision humaine élevée, à des agents capables d’adapter leurs stratégies en fonction d’objectifs d’entrée et des conditions du marché. Comparés aux bots, les agents disposent de plusieurs avantages clés, notamment la capacité de réagir et d’exécuter de nouvelles informations en millisecondes, tout en étendant leur couverture à des milliers de marchés avec le même niveau de rigueur.

Actuellement, la majorité des agents en sont encore au stade d’analystes ou de copilotes, car la plupart sont en phase de test.

Optimisation des rendements : performance supérieure des agents

Le provisionnement de liquidités est un domaine où l’automatisation est déjà courante, avec un TVL total détenu par des agents dépassant 39 millions de dollars. Ce chiffre reflète principalement les actifs déposés directement par les utilisateurs dans les agents, sans compter le capital routé via des coffres.

Giza Tech est l’un des plus grands protocoles dans ce domaine, ayant lancé fin 2022 la première application d’agent, ARMA, visant à renforcer la capture de rendement sur les principaux protocoles DeFi. Il gère plus de 19 millions de dollars d’actifs sous gestion et a généré plus de 4 milliards de dollars de volume d’échanges par ses agents. Le ratio élevé entre volume et actifs sous gestion indique que l’agent rééquilibre fréquemment le capital, permettant d’obtenir des rendements plus élevés. Une fois le capital déposé dans le contrat, l’exécution est automatisée, offrant une expérience simple en un clic, avec peu de supervision requise.

Les performances d’ARMA sont remarquables, avec un rendement annualisé supérieur à 9,75 % en USDC. Même en tenant compte des frais de rééquilibrage et d’une commission de performance de 10 %, le rendement reste supérieur à celui des prêts classiques sur Aave ou Morpho. Cependant, la scalabilité demeure un enjeu clé, car ces agents n’ont pas encore été testés en conditions réelles pour gérer ou s’étendre à l’échelle des principaux protocoles DeFi.

Trading : performance humaine nettement supérieure

Pour des actions plus complexes comme le trading, les résultats sont beaucoup plus variés. Le modèle actuel repose sur des entrées définies par l’humain, avec des sorties basées sur des règles prédéfinies. L’apprentissage automatique, en permettant au modèle de mettre à jour son comportement en fonction de nouvelles informations sans reprogrammation explicite, a permis de faire évoluer cette approche vers un rôle de copilote. Avec l’arrivée d’agents entièrement autonomes, le paysage du trading va changer radicalement.

Plusieurs compétitions de trading entre agents et contre des humains ont été organisées, révélant de grandes différences de performance. Trade XYZ a organisé une compétition entre humains et agents pour ses actions cotées. Chaque compte disposait de 10 000 dollars, sans limite de levier ni de fréquence de trading. Le résultat a été largement en faveur des humains, avec les meilleurs humains surpassant les meilleurs agents d’un facteur supérieur à 5.

Par ailleurs, Nof1 a organisé une compétition entre modèles d’agents (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini), testant différentes configurations de risque, du simple maintien de capital au levier maximal. Les résultats ont mis en évidence plusieurs facteurs expliquant les écarts de performance :

Durée de détention : forte corrélation, les modèles qui maintiennent une position en moyenne 2-3 heures surpassent largement ceux qui tournent rapidement.

Valeur espérée : mesure si chaque transaction est en moyenne profitable. Curieusement, seuls les trois meilleurs modèles ont une valeur espérée positive, ce qui indique que la majorité des transactions perdantes sont plus nombreuses que celles gagnantes.

Levier : un levier moyen de 6-8x s’est avéré plus performant que ceux utilisant plus de 10x, car un levier élevé accélère les pertes.

Stratégie de signal : Monk Mode est le modèle le plus performant à ce jour, tandis que la conscience situationnelle est la moins performante. La caractéristique principale est que la focalisation sur la gestion des risques et la réduction des sources externes semble améliorer la performance.

Modèle de base : Grok 4.20 a surpassé de plus de 22 % tous les autres modèles dans différentes stratégies de prompt, étant le seul à être en moyenne rentable.

D’autres facteurs comme la préférence pour le long ou le court, la taille des transactions ou la confiance dans les scores n’ont pas été suffisamment étudiés ou ne montrent pas de corrélation positive avec la performance. Globalement, les résultats indiquent que les agents performants dans des contraintes clairement définies, ce qui souligne que l’humain reste essentiel pour la configuration des objectifs.

Comment évaluer un agent

Étant donné que les agents en sont encore à leurs débuts, il n’existe pas encore de cadre d’évaluation complet. La performance historique est souvent utilisée comme référence, mais elle est influencée par des facteurs sous-jacents qui donnent des indications plus fortes sur la performance potentielle de l’agent.

Performance sous différentes volatilités : y compris la capacité à limiter les pertes de manière disciplinée lorsque les conditions se dégradent, ce qui montre que l’agent peut identifier des facteurs hors chaîne affectant la rentabilité.

Transparence et confidentialité : chacun a ses compromis. Un agent transparent, susceptible de voir ses transactions copiées, n’a pas d’avantage stratégique. Un agent privé présente des risques d’extraction d’informations par le créateur, qui peut facilement devancer ses utilisateurs.

Sources d’information : la qualité et la fiabilité des données auxquelles l’agent accède sont cruciales pour la prise de décision. Il faut s’assurer que la source est fiable et qu’il n’y a pas de dépendance excessive à une seule.

Sécurité : la présence d’audits de smart contracts et d’une architecture de garde des fonds appropriée est essentielle pour assurer une sauvegarde en cas d’événements extrêmes.

Les prochaines étapes pour les agents

Pour une adoption à grande échelle, il reste beaucoup de travail sur l’infrastructure. Cela revient à répondre à des enjeux clés liés à la confiance et à l’exécution des agents autonomes. Sans garde-fous, des incidents de mauvaise gestion de fonds ont déjà été observés.

ERC-8004, lancé en janvier 2026, est le premier registre on-chain permettant aux agents autonomes de se découvrir mutuellement, d’établir une réputation vérifiable et de collaborer en toute sécurité. C’est une étape clé pour la composabilité en DeFi, car la confiance est intégrée directement dans les smart contracts, permettant des activités permissionless entre agents et protocoles. Cela ne garantit pas que les agents fonctionneront toujours de manière non malveillante, car des vulnérabilités comme la collusion ou les attaques de type witch peuvent encore survenir. Il reste donc beaucoup à faire en matière d’assurance, de sécurité et de staking économique des agents.

Avec l’expansion de l’activité des agents en DeFi, la congestion stratégique devient un risque systémique. Les yield farms en sont le cas d’école évident : à mesure que ces stratégies se répandent, les rendements se compressent. La même dynamique pourrait s’appliquer au trading d’agents : si de nombreux agents s’entraînent et optimisent sur des données similaires pour atteindre des objectifs proches, ils convergeront vers des positions et des signaux de sortie similaires.

L’article de CoinAlg, publié en janvier 2026 à Cornell, formalise cette problématique. Les agents transparents peuvent être exploités par arbitrage, car leurs transactions sont prévisibles et peuvent être devancées. Les agents privés évitent ce risque, mais introduisent un autre danger : le créateur peut conserver un avantage informationnel sur ses utilisateurs et extraire de la valeur via l’opacité.

L’activité des agents ne fera que s’accélérer, et l’infrastructure posée aujourd’hui déterminera la prochaine étape de la finance on-chain. À mesure que leur utilisation augmente, ils s’auto-optimiseront et deviendront plus sensibles aux préférences des utilisateurs. La différenciation majeure résidera alors dans la confiance que l’on pourra accorder à l’infrastructure, qui déterminera leur part de marché la plus importante.