DWF-Ausführlicher Bericht: KI übertrifft Menschen bei der Yield-Farming-Optimierung im DeFi-Bereich, aber komplexe Transaktionen hinken immer noch 5x hinterher.

Originaltitel des Artikels: Werden Agenten DeFi übernehmen?
Originalquelle: DWF Ventures

Übersetzung von: DeepFlow Tech

Wichtigste Punkte

Derzeit machen Automatisierung und Agententätigkeit etwa 19 % aller On-Chain-Aktivitäten aus, eine echte End-to-End-Autonomie wurde jedoch noch nicht erreicht.

In eng umrissenen, klar definierten Anwendungsfällen wie der Ertragsoptimierung haben Agenten eine bessere Leistung gezeigt als Menschen und Bots. Bei Tätigkeiten, die mehrere Aspekte umfassen, wie beispielsweise dem Handel, sind Menschen Agenten jedoch überlegen.

Bei den Agenten haben die Modellauswahl und das Risikomanagement den größten Einfluss auf die Handelsperformance.

Mit dem großflächigen Einsatz von Agenten ergeben sich verschiedene Risiken in Bezug auf Vertrauen und Ausführung, darunter Sandwich-Angriffe, Strategieüberlastung und Kompromisse beim Datenschutz.

Kontinuierliches Wachstum der Agententätigkeit

Im vergangenen Jahr hat die Aktivität der Makler stetig zugenommen, sowohl das Transaktionsvolumen als auch die Anzahl der Makler sind gestiegen. Wir haben bedeutende Entwicklungen erlebt, angeführt vom x402-Protokoll von Coinbase, wobei sich Akteure wie Visa, Stripe und Google angeschlossen haben, um ihre eigenen Standards einzuführen. Der Großteil der derzeit aufgebauten Infrastruktur ist auf zwei Arten von Szenarien ausgerichtet: Kommunikationskanäle zwischen Agenten oder Agentenaufrufe, die von Menschen ausgelöst werden.

Obwohl Stablecoin-Transaktionen breite Unterstützung finden, basiert die aktuelle Infrastruktur immer noch auf traditionellen Zahlungsportalen als Basisschicht, was bedeutet, dass sie weiterhin von zentralisierten Gegenparteien abhängig ist. Daher ist der „vollständig autonome“ Endzustand, in dem sich die Agenten selbst finanzieren, selbst ausführen und sich kontinuierlich an veränderte Bedingungen anpassen können, noch nicht erreicht.

Agenten sind mit DeFi nicht völlig unvertraut. Seit Jahren gibt es Automatisierung durch Bots in On-Chain-Protokollen, die MEV erfassen oder überdurchschnittliche Renditen erzielen, die ohne Code nicht möglich wären. Diese Systeme haben unter klar definierten Parametern, die sich nicht häufig ändern oder einer zusätzlichen Überwachung bedürfen, sehr gut funktioniert.

Der Markt ist jedoch im Laufe der Zeit immer komplexer geworden. Hier sehen wir den Eintritt der neuen Generation von Agenten, wobei die vergangenen Monate in der Blockchain als experimentelles Feld für solche Aktivitäten dienten.

Agentenleistung in Aktion

Laut Berichten hat die Agentenaktivität ein exponentielles Wachstum erfahren, wobei seit 2025 über 17.000 Agenten eingesetzt wurden. Das Gesamtvolumen der Automatisierungs-/Agentenaktivitäten wird auf über 19 % aller On-Chain-Aktivitäten geschätzt. Dies ist nicht überraschend, da schätzungsweise über 76 % des Stablecoin-Transfervolumens von Bots generiert werden. Dies deutet auf ein erhebliches Wachstumspotenzial für die Agentenaktivität im DeFi-Bereich hin.

Die Agenten weisen ein breites Spektrum an Autonomie auf, von chatbotähnlichen Erlebnissen, die eine hohe menschliche Überwachung erfordern, bis hin zu Agenten, die auf Basis von Zielvorgaben marktadaptive Strategien formulieren können. Im Vergleich zu Bots bieten Agenten einige entscheidende Vorteile, darunter die Fähigkeit, innerhalb von Millisekunden auf neue Informationen zu reagieren und diese umzusetzen sowie die Abdeckung auf Tausende von Märkten auszudehnen und dabei das gleiche Maß an Sorgfalt beizubehalten.

Aktuell befinden sich die meisten Agenten noch auf dem Analysten- bis Copiloten-Niveau, da viele noch in der Testphase sind.

Ertragsoptimierung: Beeindruckende Leistung des Agenten

Die Bereitstellung von Liquidität ist ein Bereich, in dem Automatisierung weit verbreitet ist; das gesamte von Agenten gehaltene TVL übersteigt 39 Millionen US-Dollar. Diese Kennzahl erfasst vor allem Vermögenswerte, die von Nutzern direkt bei Agenten hinterlegt werden, beinhaltet aber kein Kapital, das über Finanzministerien geleitet wird.

Giza Tech ist eines der größten Protokolle in diesem Bereich und brachte Ende letzten Jahres die erste Agenten-App ARMA auf den Markt, die darauf abzielt, die Ertragsgenerierung für wichtige DeFi-Protokolle zu verbessern. Es hat über 19 Millionen Dollar an verwalteten Vermögenswerten angezogen und ein Agentenhandelsvolumen von über 40 Milliarden Dollar generiert.

Das hohe Verhältnis von Handelsvolumen zu verwaltetem Vermögen deutet darauf hin, dass die Agenten das Kapital häufig umschichten, was eine höhere Rendite ermöglicht. Sobald das Kapital in den Vertrag eingezahlt ist, erfolgt die Ausführung automatisiert, sodass die Benutzer eine einfache Ein-Klick-Erfahrung mit minimalem Überwachungsaufwand genießen können.

Die Performance von ARMA ist quantifizierbar hervorragend und generiert eine jährliche Rendite von über 9,75 % für USDC. Selbst unter Berücksichtigung zusätzlicher Rebalancing-Gebühren und einer erfolgsabhängigen Gebühr von 10 % für den Vermittler übertrifft die Rendite die üblichen Kreditzinsen bei Aave oder Morpho. Die Skalierbarkeit bleibt jedoch ein zentrales Anliegen, da diese Agenten noch nicht im praktischen Einsatz erprobt wurden, um die Größe großer DeFi-Protokolle zu bewältigen oder auf diese zu skalieren.

Transaktion: Der Mensch führt deutlich

Bei komplexeren Vorgängen wie Transaktionen sind die Ergebnisse jedoch wesentlich vielfältiger. Das aktuelle Transaktionsmodell basiert auf von Menschen definierten Eingaben und liefert Ausgaben gemäß vordefinierten Regeln. Maschinelles Lernen hat diesen Prozess vorangetrieben, indem es dem Modell ermöglicht, sein Verhalten auf der Grundlage neuer Informationen ohne explizite Umprogrammierung zu aktualisieren, wodurch es sich zu einem Co-Piloten entwickelt hat. Mit dem Einzug vollständig autonomer Agenten steht die Transaktionslandschaft vor einem bedeutenden Wandel.

Es wurden mehrere Wettbewerbe zwischen Agenten sowie zwischen Menschen und Agenten durchgeführt, die deutliche Leistungsunterschiede zwischen den Modellen aufzeigten. Trade XYZ veranstaltete einen Wettstreit zwischen menschlichen Kunden und Agenten bei Transaktionen mit auf seiner Plattform gelisteten Aktien. Jedes Konto wurde mit einem Startkapital von 10.000 US-Dollar ohne Beschränkungen hinsichtlich Hebelwirkung oder Handelshäufigkeit eingerichtet. Die Ergebnisse sprachen überwiegend für die Menschen, wobei die besten menschlichen Teilnehmer die besten Agenten um mehr als das Fünffache übertrafen.

Parallel dazu veranstaltete Nof1 einen Wettbewerb zwischen Modellen, bei dem mehrere Modelle (Grok-4, GPT-5, Deepseek, Kimi, Qwen3, Claude, Gemini) gegeneinander antraten und verschiedene Risikoprofile von der Kapitalerhaltung bis zur maximalen Hebelwirkung testeten. Die Ergebnisse offenbarten mehrere Faktoren, die zur Erklärung von Leistungsunterschieden beitragen könnten:

Positionshaltezeit: Es bestand eine starke Korrelation: Modelle, die jede Position durchschnittlich 2-3 Stunden lang innehatten, schnitten deutlich besser ab als Modelle mit häufigem Positionswechsel.

Lebenserwartung: Dies misst, ob das Modell im Durchschnitt pro Trade profitabel ist. Interessanterweise wiesen nur die drei besten Modelle eine positive Gewinnerwartung auf, was darauf hindeutet, dass die meisten Modelle mehr Verlustgeschäfte als Gewinne verzeichneten.

Hebelwirkung: Modelle, die mit einem durchschnittlich niedrigeren Hebel von 6-8x operierten, erwiesen sich als besser geeignet als solche mit einem Hebel von über 10x, da hohe Hebel die Verluste beschleunigten.

Strategiehinweise: Das Modell „Mönchsmodus“ hat sich bisher als das leistungsstärkste erwiesen, während das Modell „Situationsbewusstsein“ am schlechtesten abgeschnitten hat. Anhand der Eigenschaften der Modelle lässt sich feststellen, dass eine Fokussierung auf das Risikomanagement und weniger externe Inputs zu einer besseren Performance führt.

Basismodell: Grok 4.20 übertraf andere Modelle bei verschiedenen Strategiehinweisen um mehr als 22 % und war das einzige Modell, das durchgehend profitabel war.

Andere Faktoren wie Long/Short-Präferenz, Handelsvolumen und Vertrauenswürdigkeitswert wiesen entweder nicht genügend Daten auf oder zeigten keine positive Korrelation mit der Modellleistung. Insgesamt deuten die Ergebnisse darauf hin, dass Agenten innerhalb klar definierter Beschränkungen oft besser abschneiden, was impliziert, dass menschliche Aufsicht bei der Zielzuweisung nach wie vor sehr wichtig ist.

Beurteilung eines Agenten

Da sich die Agenten noch in einem frühen Entwicklungsstadium befinden, existiert derzeit kein umfassender Bewertungsrahmen. Die bisherige Leistung wird oft als Maßstab für die Beurteilung eines Agenten herangezogen, sie wird jedoch von fundamentalen Faktoren beeinflusst, die stärkere Hinweise auf eine robuste Agentenleistung liefern.

Verhalten unter verschiedenen Volatilitäten: Dies beinhaltet eine disziplinierte Verlustkontrolle bei sich verschlechternden Bedingungen, was darauf hindeutet, dass der Agent in der Lage ist, Off-Chain-Faktoren zu identifizieren, die die Rentabilität des Handels beeinflussen.

Transparenz vs. Datenschutz: Beide Seiten haben ihre Vor- und Nachteile. Ein transparenter Agent, der durch Replikation handelbar ist, hat im Wesentlichen keinen strategischen Vorteil. Ein privater Agent ist dem Risiko des Creator-Front-Running ausgesetzt, bei dem der Creator seine eigenen Nutzer leicht übertrumpfen kann.

Informationsquelle: Die vom Agenten genutzten Datenquellen sind entscheidend dafür, wie der Agent Entscheidungen trifft. Es ist von entscheidender Bedeutung sicherzustellen, dass die Quellen zuverlässig sind und keine Abhängigkeiten von einzelnen Komponenten aufweisen.

Sicherheit: Die Durchführung von Smart-Contract-Audits und die Bereitstellung einer geeigneten Fondsverwaltungsarchitektur zur Sicherstellung von Backup-Maßnahmen im Falle eines unvorhergesehenen Ereignisses sind von entscheidender Bedeutung.

Nächste Schritte für Agenten

Für eine breite Akzeptanz der Agenten muss noch viel Infrastrukturarbeit geleistet werden. Im Kern geht es dabei um Fragen des Vertrauens in die Agenten und deren Umsetzung. Das Handeln autonomer Agenten ist unkontrolliert, und es sind bereits Fälle von schlechtem Fondsmanagement aufgetreten.

Der ERC-8004-Standard wurde im Januar 2026 eingeführt und ist damit die erste On-Chain-Registry, die es autonomen Agenten ermöglicht, einander zu entdecken, überprüfbare Reputationen aufzubauen und sicher zusammenzuarbeiten. Dies ist ein entscheidender Schritt zur Erschließung der Kompositionsfähigkeit von DeFi, da Vertrauensbewertungen in den Smart Contract selbst eingebettet sind, was erlaubnisfreie Interaktionen zwischen Agenten und Protokollen ermöglicht.

Dies garantiert jedoch nicht, dass Agenten stets unschädlich handeln, da Sicherheitslücken wie Rufmanipulation und Sybil-Angriffe weiterhin auftreten können. Daher besteht noch immer eine erhebliche Lücke in Bezug auf Versicherung, Sicherheit und die wirtschaftliche Beteiligung der Agenten.

Mit der zunehmenden Aktivität von DeFi-Agenten hat sich die Strategieüberlastung zu einem strukturellen Risiko entwickelt. Yield Farming ist das offensichtlichste Beispiel, wobei mit zunehmender Verbreitung der Strategien die Erträge sinken. Eine ähnliche Dynamik könnte auch für den Agentenhandel gelten. Wenn viele Agenten mit ähnlichen Daten trainieren und auf ähnliche Ziele optimieren, werden sie sich auf ähnliche Positionen und ähnliche Ausstiegssignale zubewegen.

Eine Version dieses Problems wurde in einem CoinAlg-Papier der Cornell University vom Januar 2026 formalisiert. Transparente Agenten sind anfällig für Arbitrage, da ihre Transaktionen vorhersehbar und vorausschauend nutzbar sind. Private Akteure mindern zwar dieses Risiko, bergen aber ein anderes: Die Urheber behalten einen Informationsvorsprung gegenüber ihren Nutzern und können aus der Intransparenz, die ursprünglich dem Schutz internen Wissens dienen sollte, Nutzen ziehen.

Die Aktivitäten der Agenten werden sich weiter beschleunigen, und die heute geschaffene Infrastruktur wird bestimmen, wie die nächste Phase der On-Chain-Finanzierung ablaufen wird. Durch den zunehmenden Einsatz von Agenten werden diese sich selbst iterativ weiterentwickeln und immer besser auf die Präferenzen der Nutzer eingehen. Daher wird der wichtigste Unterscheidungsfaktor die vertrauenswürdige Infrastruktur sein, die den größten Marktanteil erzielen wird.

Link zum Originalartikel