DWF 보고서: AI, DeFi 수익 최적화에서 인간을 앞서지만 자율 거래는 5배 뒤처져

원문 저자: DWF Ventures

원문 번역: Shenchao TechFlow

가이드: AI 에이전트가 이미 DeFi 거래량의 거의 5분의 1을 차지하고 있으며, 수익 최적화와 같이 규칙이 명확한 시나리오에서는 확실히 인간을 앞섰습니다. 하지만 진정한 자율 거래에서는 최고의 AI 성능이 최고의 인간 성능의 5분의 1에도 미치지 못합니다. 이 연구는 DeFi의 다양한 시나리오에서 AI의 실제 성능을 분석하며, 자동화 거래에 관심 있는 모든 사람이 볼 가치가 있습니다.

핵심 요점

자동화 및 에이전트 활동은 현재 모든 온체인 활동의 약 19%를 차지하지만, 진정한 엔드투엔드 자율성은 아직 실현되지 않았습니다.

수익 최적화와 같이 좁고 명확하게 정의된 사용 사례에서는 에이전트가 인간과 봇보다 우수한 성능을 보여주었습니다. 그러나 거래와 같은 다방면의 행동에서는 인간의 성능이 에이전트를 앞섭니다.

에이전트 간에는 모델 선택과 위험 관리가 거래 성능에 가장 큰 영향을 미칩니다.

에이전트가 대규모로 채택됨에 따라 시빌 공격, 전략 포화, 프라이버시 트레이드오프를 포함한 신뢰와 실행에 관한 여러 위험이 존재합니다.

에이전트 활동 지속적 성장

지난해 에이전트 활동은 꾸준히 성장했으며, 거래량과 거래 건수가 모두 증가했습니다. 우리는 Coinbase의 x402 프로토콜이 중요한 발전을 주도했으며, Visa, Stripe, Google과 같은 플레이어들도 자체 표준을 출시하며 참여하고 있음을 봅니다. 현재 구축 중인 대부분의 인프라는 두 가지 유형의 시나리오를 제공하기 위한 것입니다: 에이전트 간 채널 또는 인간에 의해 트리거된 에이전트 호출.

스테이블코인 거래는 널리 지원되고 있지만, 현재 인프라는 여전히 기존 결제 게이트웨이를 기반으로 의존하고 있어, 여전히 중앙화된 상대방에 의존함을 의미합니다. 따라서 에이전트가 자체 자금 조달, 자체 실행 및 변화하는 조건에 따라 지속적으로 최적화할 수 있는 '완전 자율' 최종 단계는 아직 실현되지 않았습니다.

에이전트는 DeFi에 완전히 낯선 개념이 아닙니다. 수년 동안 온체인 프로토콜에는 봇을 통한 자동화가 존재해 왔으며, MEV를 포착하거나 코드 없이는 달성할 수 없는 초과 수익을 얻었습니다. 이러한 시스템은 자주 변경되거나 추가 감독이 필요하지 않은 명확하게 정의된 매개변수 하에서 매우 잘 작동합니다. 그러나 시장은 시간이 지남에 따라 더욱 복잡해졌습니다. 이것이 우리가 새로운 세대의 에이전트가 진입하는 것을 보는 곳이며, 지난 몇 달 동안 온체인은 그러한 활동의 실험장이 되었습니다.

에이전트의 실제 성능

보고서에 따르면, 에이전트 활동은 기하급수적으로 성장했으며, 2025년 이후 17,000개 이상의 에이전트가 시작되었습니다. 자동화/에이전트 활동 총량은 모든 온체인 활동의 19% 이상을 차지하는 것으로 추정됩니다. 이는 놀라운 일이 아닙니다. 왜냐하면 추정에 따르면 스테이블코인 전송량의 76% 이상이 봇에 의해 생성되기 때문입니다. 이는 DeFi에서 에이전트 활동이 성장할 막대한 여지가 있음을 시사합니다.

에이전트 자율성에는 광범위한 스펙트럼이 존재합니다. 높은 수준의 인간 감독이 필요한 채팅봇식 경험부터 목표 입력에 따라 시장 조건에 적응하는 전략을 수립할 수 있는 에이전트까지 다양합니다. 봇과 비교했을 때, 에이전트는 몇 가지 주요 이점을 가지고 있습니다. 여기에는 밀리초 단위로 새로운 정보에 응답하고 실행하는 능력, 그리고 동일한 엄격성을 유지하면서 수천 개의 시장으로 범위를 확장하는 능력이 포함됩니다.

현재 대부분의 에이전트는 아직 테스트 단계에 있기 때문에 분석가에서 부조종사 수준에 머물러 있습니다.

수익 최적화: 에이전트 우수한 성능

유동성 공급은 자동화가 이미 빈번하게 발생하는 분야이며, 에이전트가 보유한 총 TVL은 3,900만 달러를 넘습니다. 이 숫자는 주로 사용자가 에이전트에 직접 예치한 자산을 측정하지만, 금고를 통해 라우팅된 자본은 포함하지 않습니다.

Giza Tech는 이 분야에서 가장 큰 프로토콜 중 하나로, 작년 말 주요 DeFi 프로토콜의 수익 포착을 강화하기 위해 설계된 첫 번째 에이전트 애플리케이션인 ARMA를 출시했습니다. 이는 1,900만 달러 이상의 관리 자산을 유치했으며 40억 달러 이상의 에이전트 거래량을 생성했습니다. 거래량 대 관리 자산 총액의 높은 비율은 에이전트가 자본을 자주 재조정하여 더 높은 수익 포착을 가능하게 함을 나타냅니다. 자본이 계약에 예치되면 실행이 자동화되므로 사용자는 거의 감독 없이 간단한 원클릭 경험을 제공받습니다.

ARMA의 성능은 측정 가능할 정도로 우수하며, USDC에 대해 9.75% 이상의 연간 수익률을 생성했습니다. 추가 재조정 수수료와 에이전트의 10% 성과 수수료를 고려하더라도, 이 수익률은 Aave나 Morpho에서의 일반적인 대출보다 높습니다. 그럼에도 불구하고 확장성은 여전히 핵심 문제로 남아 있습니다. 왜냐하면 이러한 에이전트들은 주요 DeFi 프로토콜 규모로 관리되거나 확장되기 위한 실전 테스트를 아직 거치지 않았기 때문입니다.

거래: 인간이 크게 앞서다

그러나 거래와 같은 더 복잡한 행동에 대해서는 결과가 훨씬 다양합니다. 현재의 거래 모델은 인간이 정의한 입력을 기반으로 실행되며, 사전 설정된 규칙에 따라 출력을 제공합니다. 머신 러닝은 모델이 명시적인 재프로그래밍 없이 새로운 정보에 따라 행동을 업데이트할 수 있게 함으로써 이를 확장하여 부조종사 역할로 발전시킵니다. 완전 자율 에이전트가 추가되면 거래 환경은 크게 변화할 것입니다.

에이전트 간 및 인간 대 에이전트 거래 대회가 여러 차례 개최되었으며, 결과는 모델 간에 큰 차이를 보여주었습니다. Trade XYZ는 플랫폼에 상장된 주식에 대해 인간 대 에이전트 거래 대회를 개최했습니다. 각 계정에는 1만 달러의 초기 자금이 있었으며, 레버리지나 거래 빈도에 제한이 없었습니다. 결과는 압도적으로 인간에게 유리했으며, 최고의 인간 성능은 최고의 에이전트 성능보다 5배 이상 높았습니다.

한편, Nof1는 모델 간 에이전트 거래 대회를 개최하여 여러 모델(Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini)이 서로 경쟁하게 하여 자본 보존에서 최대 레버리지까지 다양한 위험 구성을 테스트했습니다. 결과는 성과 차이를 설명하는 데 도움이 될 수 있는 몇 가지 요인을 드러냈습니다:

보유 기간: 강한 상관관계가 있었으며, 평균적으로 각 포지션을 2-3시간 보유한 모델이 빈번하게 포지션을 뒤집는 모델보다 훨씬 우수한 성능을 보였습니다.

기대값: 이는 모델이 평균적으로 거래당 돈을 버는지 여부를 측정합니다. 흥미롭게도 상위 3개 모델만 양의 기대값을 가졌으며, 이는 대부분의 모델이 이익보다 손실을 보는 거래가 더 많음을 의미합니다.

레버리지: 평균 6-8배의 낮은 레버리지 수준은 10배 이상의 레버리지를 실행하는 모델보다 더 나은 성능을 보였으며, 높은 수준은 손실을 가속화했습니다.

프롬프트 전략: Monk Mode는 지금까지 가장 성능이 좋은 모델이었으며, Situational Awareness는 가장 성능이 좋지 않았습니다. 모델의 특성에 기초하여, 위험 관리에 집중하고 외부 소스를 덜 참조하는 것이 더 나은 성능으로 이어짐을 보여주었습니다.

기초 모델: Grok 4.20는 다양한 프롬프트 전략에서 다른 모델보다 22% 이상 크게 앞섰으며, 평균적으로 이익을 낸 유일한 모델이었습니다.

롱/숏 선호도, 거래 규모, 신뢰도 점수와 같은 다른 요소들은 충분한 데이터가 없었거나 모델 성능과 어떤 긍정적인 상관관계가 있는 것으로 입증되지 않았습니다. 전반적으로, 결과는 에이전트가 명확하게 정의된 제약 내에서 더 잘 수행하는 경향이 있음을 나타내며, 이는 목표 구성 측면에서 인간이 여전히 매우 필요함을 의미합니다.

에이전트 평가 방법

에이전트가 아직 초기 단계에 있기 때문에, 현재 포괄적인 평가 프레임워크가 없습니다. 과거 성과는 일반적으로 에이전트를 평가하는 벤치마크로 사용되지만, 이는 강력한 에이전트 성과의 더 강력한 징후를 제공하는 기초 요인에 의해 영향을 받습니다.

다양한 변동성 하의 성능: 조건이 악화될 때 규율 있는 손실 통제를 포함하며, 이는 에이전트가 거래 수익성에 영향을 미칠 수 있는 오프체인 요인을 식별할 수 있음을 나타냅니다.

투명성 대 프라이버시: 양쪽 모두 각자의 트레이드오프가 있습니다. 투명한 에이전트는 적극적으로 복사 거래가 가능하다면 기본적으로 전략적 이점이 없습니다. 비공개 에이전트는 생성자가 자신의 사용자를 앞지르기 쉽게 할 수 있는 내부 추출 위험에 직면합니다.

정보 출처: 에이전트가 접근하는 데이터 소스는 에이전트가 어떻게 결정을 내리는지 결정하는 데 중요합니다. 소스가 신뢰할 수 있고 단일 의존성이 없도록 하는 것이 중요합니다.

보안성: 블랙 스완 이벤트 시 대비책이 있도록 스마트 계약 감사와 적절한 자금 관리 아키텍처를 갖추는 것이 중요합니다.

에이전트의 다음 단계

에이전트의 대규모 채택을 위해서는 인프라 측면에서 여전히 많은 작업이 필요합니다. 이는 에이전트 신뢰와 실행을 둘러싼 핵심 문제로 귀결될 수 있습니다. 자율 에이전트의 행동에는 안전 장치가 없으며, 이미 자금 관리 부실 사례가 나타났습니다.

ERC-8004는 2026년 1월에 출시되어 자율 에이전트가 서로를 발견하고, 검증 가능한 평판을 구축하며, 안전하게 협업할 수 있도록 하는 최초의 온체인 레지스트리가 되었습니다. 이는 신뢰 점수가 스마트 계약 자체에 내장되어 에이전트와 프로토콜 간의 무허가 활동을 허용하기 때문에 DeFi의 조합 가능성에 대한 핵심 해제입니다. 이는 에이전트가 항상 비악의적인 방식으로 작동한다는 것을 보장하지는 않습니다. 왜냐하면 담합 평판과 시빌 공격과 같은 보안 취약점이 여전히 발생할 수 있기 때문입니다. 따라서 보험, 보안, 에이전트의 경제적 스테이킹 등에서 여전히 채워야 할 큰 공간이 남아 있습니다.

DeFi에서 에이전트 활동이 확대됨에 따라, 전략 포화는 구조적 위험이 되고 있습니다. 수익 농사는 가장 명확한 선례입니다. 전략이 보편화됨에 따라 수익이 압축됩니다. 동일한 역학이 에이전트 거래에도 적용될 수 있습니다. 많은 수의 에이전트가 유사한 데이터로 훈련되고 유사한 목표를 최적화한다면, 그들은 유사한 포지션과 유사한 청산 신호에 수렴할 것입니다.

코넬 대학교의 2026년 1월 CoinAlg 논문은 이 문제의 한 버전을 공식화했습니다. 투명한 에이전트는 그들의 거래가 예측 가능하고 앞지르기가 가능하기 때문에 차익거래 대상이 될 수 있습니다. 비공개 에이전트는 이러한 위험을 피하지만, 생성자가 자신의 사용자에 대한 정보 우위를 유지하고 불투명성 자체로 보호하려던 내부 지식을 통해 가치를 추출할 수 있는 다른 위험을 도입합니다.

에이전트 활동은 계속 가속화될 것이며, 오늘 마련된 인프라는 온체인 금융의 다음 단계가 어떻게 작동할지 결정할 것입니다. 에이전트 사용률이 증가함에 따라, 그들은 스스로 반복하며 사용자 선호도에 적응하는 데 더욱 민감해질 것입니다. 따라서 주요 차