DWF 심층 보고서: AI가 DeFi에서 수익을 최적화하는 데 인간을 앞서지만, 복잡한 거래는 여전히 5배 느립니다

이 글을 읽으려면 18 분

에이전트 간에는 모델 선택 및 리스크 관리가 거래 성과에 가장 큰 영향을 미칩니다.

원문 제목: 에이전트가 디파이를 인수할까?
원문 출처: DWF Ventures

원문 번역: 심조 TechFlow

핵심 포인트

현재 자동화 및 에이전트 활동은 전체 체인 활동의 약 19%를 차지하고 있지만, 실제로 종단 간 자율성은 아직 달성되지 않았습니다.

수익 최적화와 같은 좁고 명확히 정의된 사용 사례에서는 에이전트가 인간 및 봇보다 우월한 성능을 보여 주었지만, 거래와 같은 다양한 활동에 대해서는 인간이 에이전트보다 우세합니다.

에이전트 간에는 모델 선택 및 리스크 관리가 거래 성능에 가장 큰 영향을 미칩니다.

에이전트가 대규모로 채택됨에 따라 여러 신뢰 및 실행과 관련된 위험 요소가 존재하며, 여기에는 위시 주문 공격, 전략 혼잡 및 개인 정보 보호의 균형 등이 포함됩니다.

에이전트 활동 지속적인 성장

작년에는 에이전트 활동이 꾸준히 증가했으며, 거래량 및 거래 횟수가 모두 증가했습니다. 우리는 Coinbase의 x402 프로토콜이 중요한 발전을 이끌어내었으며, Visa, Stripe, Google 등의 업체도 자사의 표준을 출시하면서 참여했습니다. 현재 구축되고 있는 대부분의 인프라는 두 가지 시나리오를 대상으로 하고 있습니다: 에이전트 간의 채널 또는 인간이 트리거한 에이전트 호출.

암호화폐 거래가 이미 널리 지원되었지만, 현재 인프라는 여전히 전통적인 결제 게이트웨이에 의존하고 있어 중앙집중화된 대응측에 의존하고 있습니다. 따라서 에이전트가 자체 자금 조달, 자체 실행 및 지속적으로 변화하는 조건에 따라 최적화되는 '완전 자율' 최종 상태는 아직 달성되지 않았습니다.

DeFi에 대한 에이전트는 전혀 새로운 것이 아닙니다. 오랫동안 온체인 프로토콜에서는 봇을 통한 자동화가 존재해왔으며, MEV를 잡거나 코드 없이는 얻을 수 없는 초과 수익을 얻었습니다. 이러한 시스템은 명확히 정의된 매개변수에서 매우 잘 실행되었으며, 이러한 매개변수는 빈번하게 변경되거나 추가 감독이 필요하지 않습니다.

그러나 시장은 시간이 흐름에 따라 더욱 복잡해졌습니다. 이것이 새로운 세대의 에이전트가 도입하는 곳이며, 지난 몇 달 동안 온체인은 이러한 유형의 활동의 실험장이 되었습니다.

에이전트의 현장 성능

보고서에 따르면, 에이전트 활동은 지수 함수적으로 증가하여, 2025년 이후 이미 17,000개가 넘는 에이전트가 시작되었다고 합니다. 자동화/에이전트 활동의 총량은 모든 on-chain 활동의 19% 이상을 커버할 것으로 추정됩니다. 이는 상당수 76% 이상의 stablecoin 전송량이 봇에 의해 생성된다고 추정되는 점에서 놀라운 것이 아닙니다. 이는 DeFi 내 에이전트 활동에 엄청난 성장 잠재력이 있다는 것을 시사합니다.

에이전트의 자율성에는 다양한 범위가 있으며, 고도의 인간 감독이 필요한 채팅 봇 스타일 경험부터 시장 조건에 따라 목표 입력에 따라 전략을 개발할 수 있는 에이전트까지 다양합니다. 봇과 비교하여, 에이전트는 밀리초 단위로 새로운 정보에 대응하고 실행할 수 있는 능력, 그리고 동일한 엄격성을 유지하면서 수천 개의 시장에 대한 범위를 확장할 수 있는 능력 등 여러 가지 핵심 이점을 가지고 있습니다.

현재 대부분의 에이전트는 여전히 분석가 수준에서 중간 운전사 수준에 머물러 있으며, 대부분이 여전히 테스트 단계에 있습니다.

수익 최적화: 에이전트 우수한 성능

유동성 공급은 자동화에서 이미 빈번하게 발생한 영역이며, 에이전트가 보유한 총 TVL은 39백만 달러를 초과합니다. 이 숫자는 대부분 에이전트로부터 직접 입금된 사용자 자산을 측정하지만, 자금 풀 경로의 자본은 포함하지 않습니다.

Giza Tech는 이 영역에서 가장 큰 프로토콜 중 하나이며, 지난 해 말에 핵심 DeFi 프로토콜의 수익을 극대화하기 위해 최초 에이전트 어플리케이션 ARMA를 출시했습니다. 이 프로토콜은 19백만 달러 이상의 관리 자산을 유치했으며, 40억 달러 이상의 에이전트 거래량을 발생시켰습니다.

거래량과 총 자산 관리 비율이 높은 것으로 보아, 에이전트는 자금을 자주 리밸런싱하여 더 높은 수익을 얻을 수 있습니다. 자금이 계약에 입금되고 나면, 실행은 자동화되므로 사용자에게는 감독이 거의 필요하지 않는 간편한 일꾼 경험을 제공합니다.

ARMA의 성과는 측정 가능하게 탁월하며, USDC에 대해 9.75% 이상의 연간 수익률을 창출하고 있습니다. 추가 리밸런싱 비용과 10%의 수익금 공유료를 고려해도, 수익률은 여전히 Aave나 Morpho의 일반적 대출보다 우수합니다. 비록 그렇다 하더라도, 확장성은 여전히 주요 DeFi 프로토콜로 관리되거나 확장되려는 이러한 에이전트들이 전투시험을 거치지 않았다는 중요한 이슈입니다.

거래: 인간 대량 선도

하지만 거래와 같은 보다 복잡한 작업에 대해서는 결과가 훨씬 다양합니다. 현재의 거래 모델은 인간이 정의한 입력을 기반으로 작동하며 미리 설정된 규칙에 따라 출력을 제공합니다. 기계 학습은 이를 확장하기 위해 새로운 정보에 따라 모델이 행동을 업데이트할 수 있도록 하여 명시적인 다시 프로그래밍 없이 이를 전진시켰습니다. 완전 자율 주행 에이전트가 추가되면 거래 양식이 크게 변화할 것입니다.

이미 여러 번의 에이전트 간 및 인간 대 에이전트 거래 대결이 열렸고 결과는 모델 간에 큰 차이가 있다는 것을 보여줍니다. Trade XYZ는 플랫폼에 상장된 주식을 대상으로 인간 대 에이전트 거래 대결을 열었습니다. 각 계정에는 초기 자본으로 1만 달러가 들어가며 레버리지나 거래 빈도에 제한이 없습니다. 결과는 압도적으로 인간 쪽으로 기울었으며 최고 수준의 인간은 최고 수준의 에이전트보다 5배 이상 우수한 성과를 보였습니다.

한편 Nof1은 모델 간 에이전트 거래 대결을 개최하여 여러 모델(Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini)이 서로 경쟁하고 자본 보존부터 최대 레버리지까지 다양한 리스크 조정을 시험했습니다. 결과는 성과 차이를 설명하는 데 도움이 되는 여러 요소를 드러냈습니다:

보유 기간: 강한 상관 관계가 있으며, 각 포지션을 평균 2-3 시간 보유하는 모델이 빈번히 전환하는 모델보다 크게 우세했습니다.

기대 값: 이는 모델의 평균 거래 당 수익 여부를 측정합니다. 흥미로운 점은 상위 3개 모델만이 양의 기대 값을 갖고 있으며, 이는 대부분의 모델이 손실보다 이익이 많은 거래를 한다는 것을 의미합니다.

레버리지: 평균 6-8배의 낮은 레버리지 수준이 10배 이상의 레버리지를 사용하는 모델보다 성과가 더 좋았으며, 고 레버리지는 손실을 가속화시켰습니다.

힌트 전략: Monk Mode가 지금까지 가장 우수한 모델로 나타났으며, Situational Awareness가 가장 나쁜 성적을 보였습니다. 모델의 특징을 고려하면 리스크 관리에 초점을 맞추고 외부 소스를 적게 하는 것이 더 나은 성과를 가져옵니다.

기본 모델: Grok 4.20의 성능이 기타 모델보다 22% 이상 뛰어나며, 평균 수익을 올린 유일한 모델입니다.

기타 요소들인 숏 롱 선호도, 거래 규모 및 신뢰도 점수는 충분한 데이터가 없거나 모델 성능과 양의 상관 관계가 없다는 것이 입증되었습니다. 전반적으로 결과는 agent가 명확히 정의된 제약 조건 내에서 종종 더 나은 성능을 보인다는 것을 보여주며, 이는 인간이 여전히 목표 구성에서 매우 필수적이라는 것을 의미합니다.

에이전트를 평가하는 방법

에이전트가 아직 초기 단계에 있기 때문에 현재 종합적인 평가 프레임워크가 없습니다. 역사적 성과는 일반적으로 에이전트를 평가하는 데 사용되지만, 이러한 성과는 기본적인 요소에 영향을 받으며, 이러한 요소들은 강력한 에이전트 성능의 더 강력한 신호를 제공합니다.

다른 변동성에서의 성과: 악화된 조건에서 디스플린된 손실 제어를 포함하며, 이는 에이전트가 거래 수익성에 영향을 미칠 수 있는 오프체인 요인을 인식할 수 있다는 것을 보여줍니다.

투명성과 프라이버시: 양측 모두에게 각각의 균형이 있습니다. 투명한 에이전트는 거래가 복제될 수 있다면 전략적 우위가 사실상 없게 됩니다. 비공개적인 에이전트는 생성자 내부 인출의 위험에 직면하게 되며, 생성자는 자유롭게 자신의 사용자들을 앞지르기 쉽습니다.

정보 출처: 에이전트가 접근하는 데이터 소스는 에이전트가 결정을 내리는 방식에 매우 중요합니다. 출처가 신뢰할 수 있고 단일 의존성이 없는 것이 중요합니다.

보안: 스마트 계약 감사 및 적절한 자금 보유 구조를 갖추어 예상치 못한 사건에 대비하는 것이 매우 중요합니다.

에이전트의 다음 단계

에이전트의 대규모 채택을 위해 인프라 관련 작업이 여전히 많이 남아 있습니다. 이는 에이전트 신뢰와 실행을 중심으로 한 중요한 문제들로 요약될 수 있습니다. 자율적인 에이전트의 행동은 방패가 없으며, 자금 관리 부주의 사례가 이미 발생했습니다.

ERC-8004은 2026년 1월에 출시되어 최초의 온체인 레지스트리가되었으며, 자율적인 에이전트가 상호 발견하고 검증 가능한 신뢰를 구축하고 안전하게 협력할 수 있도록 하였습니다. 이는 디파이의 조합 가능성의 핵심 잠금 해제로, 신뢰 점수가 스마트 계약 자체에 내재되어 있어 에이전트와 프로토콜 간의 무허가 활동을 허용합니다.

이는 에이전트가 항상 악의적이지 않은 방식으로 작동하는 것을 보장하지는 않으며, 속임수 평판 및 위잉 공격과 같은 보안 취약점이 아직 발생할 수 있음을 의미합니다. 따라서 보험, 보안, 에이전트의 경제 부당에 대한 채울 공간이 여전히 많이 남아 있습니다.

DeFi 내에서 agent 활동이 확대되면 전략 혼잡이 구조적 리스크가 됩니다. 수익 농장은 가장 명백한 사례이며, 전략이 보급되면 수익이 압축됩니다. agent 거래에서도 동일한 동태가 적용될 수 있습니다. 대량의 agent가 유사한 데이터에서 훈련하고 유사한 목표를 최적화하는 경우, 그들은 유사한 포지션 및 유사한 탈출 신호에서 수렴할 것입니다.

코넬 대학이 2026 년 1 월에 발표한 CoinAlg 논문은 이 문제의 한 버전을 공식화했습니다. 투명한 agent는 아비트리지 될 수 있습니다. 왜냐하면 그들의 거래는 예측 가능하며, 슬리피지를 당할 수 있습니다. 프라이빗 agent는 이러한 리스크를 피할 수 있지만, 다른 리스크를 도입합니다. 즉, 창조자가 자신의 사용자 정보를 보유한 우위를 소개하고, 내부적으로 보호되어야 할 투명성을 통해 가치를 추출할 수 있습니다.

Agent 활동은 계속해서 가속화될 것이며, 오늘 놓인 기반 시설은 온체인 금융이 어떻게 작동할지 결정할 것입니다. agent 사용률이 증가함에 따라, 그들은 자체를 반복하며 사용자 선호도에 대한 적응력을 높일 것입니다. 따라서, 주요 차별화 요인은 신뢰할 수 있는 인프라로 귀결되며, 이러한 요소들이 가장 큰 시장 점유율을 확보할 것입니다.