Bagaimana Menggunakan Agen AI untuk Menggerakkan Manajemen Aset di Chain

null

Bagi tim yang mampu menguasai dua dimensi sekaligus, yaitu Web3 dan AI, inilah saat yang tepat untuk mulai masuk—baik saat membangun sistem on-chain Agent yang lebih andal pada lapisan eksekusi, maupun saat menjembatani data, izin, dan kepercayaan pada lapisan infrastruktur, masih terdapat celah yang cukup besar yang menunggu untuk diisi.

Sebelum memulai analisis secara resmi, perlu terlebih dahulu menjelaskan satu konsep inti: DeFAI.

DeFAI adalah singkatan dari gabungan DeFi (keuangan terdesentralisasi) dan AI (kecerdasan buatan), yang merujuk pada memasukkan AI Agent ke dalam skenario keuangan di blockchain agar ia memiliki kemampuan untuk merasakan kondisi pasar, menyusun strategi secara mandiri, dan mengeksekusi operasi on-chain secara langsung—sehingga, tanpa bergantung pada intervensi real-time manusia, dapat menyelesaikan serangkaian tindakan keuangan tradisional yang sebelumnya memerlukan pengoperasian oleh profesional, seperti pengalokasian aset, manajemen risiko, interaksi protokol, dan lain-lain.

Secara sederhana, DeFAI bukanlah sekadar peningkatan versi AI dari alat DeFi, melainkan upaya untuk membangun lapisan eksekusi keuangan di atas blockchain yang dapat berjalan secara mandiri.

Jejak karier ini mulai memanas dengan cepat sejak 2024 Q4. Di baliknya, ada tiga peristiwa yang menjadi penanda sekaligus patut diperhatikan; ketiganya masing-masing mewakili tiga tingkat masuknya AI Agent ke Web3: terobosan narasi, pembangunan infrastruktur berbasis aset, serta realisasi kemampuan eksekusi yang sesungguhnya.

Peristiwa pertama terjadi pada Juli 2024. Robot Twitter Truth Terminal yang dibangun oleh developer Andy Ayrey, setelah menerima hadiah BTC senilai 50k dolar dari Marc Andreessen, co-founder a16z, dengan cepat menjadi viral dan ikut menyebarkan secara masif GOAT coin. Ini merupakan pertama kalinya AI Agent sebagai peserta ekonomi on-chain benar-benar memasuki pandangan publik.

Peristiwa kedua terjadi pada bulan Oktober tahun yang sama. Virtuals Protocol meledak di jaringan Base, mengtokenisasi AI Agent itu sendiri; kapitalisasi nilai ekosistemnya tertinggi menembus 3,5 miliar dolar, menjadi representasi khas tahap pembangunan infrastruktur berbasis aset dalam jalur DeFAI.

Peristiwa ketiga adalah bahwa proyek-proyek seperti Giza, HeyAnon, dan Almanak secara berurutan mewujudkan eksekusi pada lapisan on-chain, mendorong industri untuk beralih dari fase yang digerakkan narasi menuju fase yang lebih produk. AI Agent mulai benar-benar “bergerak” mengeksekusi operasi on-chain, bukan sekadar bertahan di tingkat interaksi informasi.

Dari perspektif ukuran pasar global, banyak lembaga riset memiliki ekspektasi pertumbuhan yang sangat konsisten untuk jalur AI Agent:

Gambar 1: Perbandingan proyeksi ukuran pasar global AI Agent

Sumber data: MarketsandMarkets (2025), Grand View Research (2025), BCC Research (2026.01)

Namun, masih terdapat kesenjangan yang signifikan antara panasnya modal dan realisasi industri. Dalam laporan berjudul《The State of AI in 2025》yang dirilis McKinsey pada November 2025 (berdasarkan 105 negara dengan 1.993 responden), meskipun 88% organisasi sudah menggunakan AI dalam setidaknya satu fungsi bisnis, hampir dua pertiga lainnya masih berada pada tahap eksperimen atau pilot. Secara spesifik untuk bidang AI Agent: 62% organisasi mulai bereksperimen, 23% mendorong penerapan berskala pada setidaknya satu fungsi, tetapi proporsi yang mencapai penerapan berskala dalam satu fungsi tertentu pun masih di bawah 10%.

Data ini memberi petunjuk kepada kita: antusiasme naratif di jalur DeFAI saat ini masih tertinggal langkah dari kemajuan implementasi yang sesungguhnya. Memahami kesenjangan ini adalah prasyarat untuk menilai nilai jalur ini secara objektif.

II. Landasan Teknis DeFAI: Bagaimana AI Agent Berinteraksi dengan Dunia On-Chain

Untuk memahami bagaimana DeFAI beroperasi, pertama-tama perlu menjawab satu pertanyaan kunci: mekanisme apa yang memungkinkan AI terlibat dalam operasi keuangan on-chain?

Unit eksekusi inti dari sistem DeFAI adalah AI Agent yang dibangun berdasarkan large language model. Menurut tinjauan akademis Wang et al. (2023), kemampuan intinya dapat diringkas sebagai arsitektur tiga lapis, dan setiap lapis memiliki fungsi spesifiknya masing-masing dalam skenario on-chain:

Lapisan perencanaan, bertanggung jawab atas pemecahan tujuan dan optimisasi jalur, yang berpadanan dengan generasi strategi dan penilaian risiko dalam skenario on-chain;

Lapisan memori, melalui penyimpanan eksternal seperti basis data vektor untuk akumulasi informasi lintas periode, yang menampung data pasar historis dan status protokol;

Lapisan alat, memperluas kemampuan model agar mampu memanggil sistem eksternal seperti protokol DeFi, price oracle, dan bridging lintas rantai.

Namun, ada satu hal yang perlu ditegaskan di sini: model AI itu sendiri tidak bisa berinteraksi secara langsung dengan blockchain. Hampir semua sistem DeFAI saat ini menggunakan arsitektur yang memisahkan penalaran off-chain dan eksekusi on-chain—AI Agent menyelesaikan perhitungan strategi di luar rantai, lalu mengubah hasilnya menjadi sinyal transaksi on-chain, yang kemudian dikirim oleh modul eksekusi. Desain arsitektur ini bukan hanya pilihan realistis berdasarkan kondisi teknologi saat ini, tetapi juga melahirkan serangkaian isu keamanan seperti otorisasi private key dan manajemen izin (lihat Bab V untuk detail).

Pada dasarnya, AI Agent adalah sistem pengambilan keputusan mandiri berbasis large language model. Dengan pemecahan tugas, manajemen memori, dan pemanggilan alat, ia menjalankan eksekusi dengan pola loop tertutup. Saat ini, interaksi AI Agent dengan sisi aset on-chain juga sudah mulai memiliki bentuk.

Gambar 2: Arsitektur tiga lapis AI Agent dan model eksekusi on-chain

III. Evolusi DeFAI: Dari Interaksi Informasi ke Loop Eksekusi Tertutup

Setelah memahami landasan teknis DeFAI, muncul pertanyaan alami berikutnya: bagaimana sistem ini selangkah demi selangkah mencapai kondisi seperti sekarang?

Menurut riset The Block, evolusi DeFAI bukanlah sesuatu yang terjadi dalam sekejap, melainkan melalui dua tahap berbeda—dari interaksi型 Agent pada fase awal yang dominan berfokus pada pemrosesan informasi, hingga sistem eksekusi yang benar-benar mampu terlibat dalam operasi on-chain.

Keduanya memiliki perbedaan mendasar pada penentuan tujuan, pendekatan teknis, dan tingkat risiko.

Gambar 3: Perbandingan dua jalur evolusi DeFAI

Alur evolusi dua tahap tersebut dapat dipahami seperti ini:

Gelombang pertama adalah interaksi型 Agent, yang menekankan pembangunan kerangka agen yang bisa diajak berdialog dan bisa dianalisis. Proyek-proyek yang menjadi contoh antara lain ElizaOS (kerangka Eliza dari ai16z sebelumnya), serta G.A.M.E. dari Virtuals, dan lain-lain. Pada tahap ini, esensinya masih berupa alat informasi—Agent bisa membaca, bisa berbicara, bisa menganalisis, tetapi batas fungsinya berhenti pada lapisan informasi dan belum menyentuh operasi eksekusi aset apa pun.

Gelombang kedua adalah DeFAI Agent tipe eksekusi, yang benar-benar masuk ke loop keputusan dan eksekusi tertutup. Proyek contohnya meliputi HeyAnon, Wayfinder, Giza (ARMA Agent), serta Almanak. Ciri yang sama dari jenis sistem ini adalah: AI berjalan di luar rantai (off-chain), menghasilkan sinyal strategi yang terstruktur, lalu mengeksekusinya melalui modul eksekusi on-chain untuk melakukan transaksi—ia tidak menggantikan protokol DeFi yang sudah ada, melainkan menambahkan lapisan mekanisme keputusan AI di atasnya, sehingga keseluruhan rantai operasinya berubah dari “perintah dari manusia” menjadi “eksekusi mandiri oleh Agent”.

Perbedaan mendasar antara dua gelombang bukan terletak pada kompleksitas teknis, melainkan pada apakah benar-benar menyentuh aset. Hal ini juga menentukan bahwa tantangan yang dihadapi pada sistem gelombang kedua dalam mekanisme kepercayaan, desain otorisasi, dan arsitektur keamanan jauh lebih kompleks dibanding gelombang pertama—itulah yang akan menjadi fokus pembahasan pada bab berikutnya.

IV. Peta implementasi DeFAI: Empat skenario aplikasi arus utama

Dari arsitektur teknis hingga jalur evolusi, “apa yang bisa dilakukan” oleh DeFAI kini makin jelas. Lalu pada tingkat produk nyata, masalah riil apa yang sedang diselesaikannya?

Secara keseluruhan, eksplorasi aplikasi DeFAI saat ini telah membentuk pola implementasi yang relatif matang di sekitar empat arah inti, yang masing-masing menangani empat titik sakit utama dalam operasi on-chain: “efisiensi imbal hasil, eksekusi strategi, ambang interaksi, dan pengendalian risiko”.

4.1 Optimasi Imbal Hasil: Rebalancing otomatis lintas protokol

Optimasi imbal hasil adalah skenario aplikasi DeFAI yang paling matang dan paling siap diterapkan saat ini. Logika intinya adalah: secara berkelanjutan memindai imbal hasil tahunan (annualized yield) simpanan pada protokol DeFi arus utama seperti Aave, Compound, Fluid, lalu menggabungkan parameter risiko yang telah ditetapkan untuk memutuskan apakah perlu melakukan rebalancing, dan sebelum setiap operasi menjalankan analisis biaya transaksi—hanya ketika peningkatan imbal hasil dapat menutup semua gas serta biaya transaksi, barulah dana benar-benar dipindahkan untuk mencapai konfigurasi optimal yang terotomatisasi lintas protokol.

Sebagai contoh, Giza: ARMA Agent-nya pada Februari 2025 diluncurkan di jaringan Base dengan strategi imbal hasil stablecoin. Ia memantau terus perubahan suku bunga pada protokol seperti Aave, Morpho, Compound, dan Moonwell. Setelah mempertimbangkan secara menyeluruh APY protokol, biaya komisi, dan likuiditas, ia melakukan penjadwalan cerdas dana pengguna untuk memaksimalkan imbal hasil. Berdasarkan data publik, ARMA saat ini telah memiliki sekitar 60k pemegang unik, lebih dari 36k Agent yang sudah dideploy, dan skala aset yang dikelola (AUA) melebihi 20 juta dolar.

Dalam kondisi pasar di mana imbal hasil protokol DeFi terus berfluktuasi, efisiensi dan ketepatan pemantauan manual serta rebalancing manual jauh lebih rendah dibanding sistem otomatis—dan itulah nilai inti dari skenario ini.

Gambar 4: Contoh gambar ARMA Agent pada platform Giza

Sumber data:

4.2 Otomatisasi strategi kuantitatif: Demokratisasi kemampuan level institusi

Pada skenario otomatisasi strategi kuantitatif, platform DeFAI berupaya memodulkan dan mengotomatisasi seluruh rangkaian modul operasi tradisional tim kuantitatif, sehingga pengguna individu pun dapat mengakses kemampuan eksekusi strategi kelas institusi.

Sebagai contoh, Almanak yang didukung Delphi Digital: sistem AI Swarm yang mereka luncurkan memecah alur kuantitatif menjadi empat tahapan:

Modul strategi mendukung penulisan logika investasi melalui Python SDK dan menjalankan backtest;

Mesin eksekusi, setelah mendapatkan otorisasi dari pengguna, otomatis menjalankan kode strategi yang telah diaudit dan memicu pemanggilan DeFi;

Dompet aman dibangun menggunakan Safe + Zodiac untuk membentuk skema multi-signature. Melalui kontrol izin berbasis peran, hak eksekusi strategi diberikan kepada AI Agent, sehingga memastikan dana selalu berada dalam batas kendali pengguna;

Lumbung strategi mengemas strategi sebagai trading treasury standar ERC-7540; investor dapat berpartisipasi dalam pembagian imbal hasil strategi dengan cara yang mirip seperti kepemilikan unit dana (fund shares).

Makna arsitektur ini terletak pada: agen AI menanggung fungsi analisis data, iterasi strategi, dan manajemen risiko; sementara pengguna hanya perlu melakukan audit akhir atas hasil output sistem, tanpa perlu membentuk tim kuantitatif profesional—yaitu mewujudkan apa yang disebut “setara akses strategi level institusi” (proyek mengklaim demikian).

Gambar 5: Tampilan gambar di beranda platform Almanak

Sumber data:

4.3 Eksekusi perintah berbasis bahasa alami: membuat operasi DeFi semudah mengirim pesan

Skenario ini berfokus pada operasi DeFi berbasis niat (Intent-based DeFi): dengan memanfaatkan teknologi pemrosesan bahasa alami, pengguna menyampaikan perintah transaksi dengan bahasa sehari-hari; AI kemudian menguraikan dan mengubahnya menjadi serangkaian langkah operasi on-chain, sehingga sangat menurunkan ambang batas operasi bagi pengguna biasa.

HeyAnon membangun platform chatting DeFAI: pengguna memasukkan perintah melalui kotak percakapan, dan AI bisa mengeksekusi operasi on-chain seperti pertukaran token, bridging lintas rantai, pinjam-meminjam, dan staking. Platform ini mengintegrasikan LayerZero cross-chain bridge serta protokol seperti Aave v3, dan mendukung deployment multi-rantai seperti Ethereum, Base, dan Solana.

Gambar 6: Tampilan gambar di beranda platform HeyAnon

Sumber data:

Wayfinder, yang diinvestasikan oleh Paradigm, menyediakan layanan transaksi seluruh rantai yang lebih lanjut. AI Agent-nya (disebut Shells) secara otomatis mencari jalur terbaik di antara berbagai rantai untuk transaksi lintas rantai, mengeksekusi transfer lintas rantai, swap token, atau interaksi NFT, dan pengguna tidak perlu memperhatikan detail teknis seperti biaya gas lapisan bawah atau kompatibilitas cross-chain.

Gambar 7: Tampilan gambar di beranda platform Wayfinder

Sumber data:

Secara keseluruhan, antarmuka bahasa alami secara signifikan menurunkan ambang operasi DeFi, namun juga menuntut akurasi yang lebih tinggi pada penguraian niat dasar—begitu AI salah memahami instruksi, hasil operasi bisa sangat jauh dari ekspektasi pengguna.

4.4 Manajemen Risiko dan Pemantauan Likuidasi: mekanisme yang tertanam di protokol on-chain

Dalam skenario DeFi lending dan leverage, aplikasi paling umum dari AI Agent adalah pemantauan kesehatan posisi on-chain secara real-time, serta eksekusi operasi protektif secara otomatis sebelum ambang likuidasi terdekat. Lapisan aplikasi ini sedang secara bertahap diintegrasikan ke dalam berbagai protokol DeFi arus utama, menjadi fitur bawaan asli platform DeFi.

Aave mengukur keamanan posisi melalui “health factor”. Ketika health factor turun di bawah 1.0, posisi peminjam langsung memicu kelayakan untuk likuidasi;

Compound menggunakan mekanisme “Liquidation Collateral Factor”. Ketika saldo pinjaman akun melampaui batas maksimum yang ditetapkan oleh faktor ini, likuidasi pun dipicu; parameter spesifik dari setiap aset jaminan ditetapkan secara terpisah melalui tata kelola on-chain.

Pemantauan manual sulit mempertahankan efisiensi respons yang konsisten di pasar on-chain yang sangat volatil 24/7. Dalam skenario ini, AI Agent dapat melakukan pelacakan berkelanjutan, penilaian cerdas, dan intervensi otomatis, meningkatkan efisiensi manajemen risiko ke tingkat yang sulit dicapai oleh sistem otomatis manual atau berbasis aturan.

Gambar 8: Empat skenario aplikasi arus utama Agent×DeFi

Secara keseluruhan, empat skenario di atas tidak berdiri sendiri satu sama lain, melainkan saling melengkapi di sekitar satu garis utama: optimasi imbal hasil dan otomatisasi strategi kuantitatif ditujukan untuk pengguna tingkat lanjut yang memiliki ukuran aset tertentu. Keunggulan utamanya adalah efisiensi eksekusi dan ketepatan strategi; interaksi bahasa alami berfokus pada penurunan ambang operasi bagi pengguna biasa; manajemen risiko merupakan jaminan keamanan lapisan dasar yang menyeluruh untuk semua skenario. Ketiganya saling bersinergi, bersama-sama membentuk pola implementasi dasar ekosistem DeFAI saat ini, sekaligus menjadi fondasi untuk penerapan Agent on-chain yang lebih kompleks di masa depan.

V. Batas Keamanan DeFAI: Manajemen Private Key dan Kontrol Izin

Keempat skenario aplikasi yang dibahas sebelumnya, baik optimasi imbal hasil maupun otomatisasi strategi kuantitatif, memiliki satu prasyarat agar bisa diwujudkan: AI Agent harus memegang semacam otorisasi penandatanganan, yaitu kemampuan untuk mengakses private key. Ini adalah tantangan teknis paling kritis sekaligus yang paling mudah tertutupi oleh popularitas narasi dalam seluruh jalur DeFAI—begitu mekanisme penandatanganan memiliki celah, semua kemampuan strategi di lapisan atas akan kehilangan maknanya.

Saat ini, solusi manajemen keamanan private key yang dominan di industri terbagi menjadi dua kategori: MPC (multi-party computation) dan TEE (trusted execution environment). Keduanya memiliki fokus yang berbeda dalam model keamanan, tingkat otomatisasi, dan kompleksitas rekayasa.

Gambar 9: Perbandingan dua solusi manajemen keamanan private key

Inti dari MPC (Multi-Party Computation, komputasi multipihak) adalah menghapus single point of failure melalui pemecahan kunci. Misalnya pada skema tanda tangan berbasis ambang 2-of-3 yang umum: sekalipun satu salinan kunci bocor, penyerang tidak bisa melakukan penandatanganan secara independen, sehingga keamanan dana tidak terpengaruh. Vultisig adalah produk representatif untuk arah ini: ini adalah dompet multi-chain open-source self-custody yang dibangun berdasarkan teknologi MPC/TSS, menggunakan arsitektur tanpa satu seed frase yang tunggal, dan menggabungkan keamanan kunci dengan self-custody pengguna.

TEE (Trusted Execution Environment, lingkungan eksekusi tepercaya) menempuh jalur yang berbeda: private key dan kode agen dibungkus bersama dalam area terisolasi (enclave) yang dilindungi perangkat keras; AI Agent melakukan perhitungan strategi dan penandatanganan di dalam enclave, lalu hanya mengeluarkan hasil penandatanganan ke blockchain. Lingkungan eksternal tidak dapat melihat private key sama sekali. Intel SGX, AMD SEV, ARM CCA, dan chip-chip utama lainnya menyediakan dukungan isolasi dan enkripsi tingkat perangkat keras. Chainlink telah memperkenalkan TEE ke jaringan oracle untuk memproses data sensitif dan, melalui mekanisme remote attestation, membuktikan integritas lingkungan eksekusi kepada pihak eksternal.

Namun, keamanan kunci hanyalah garis pertahanan pertama. Pada praktik implementasi, apa pun skema manajemen kunci yang digunakan, perlu ditambahkan lapisan mekanisme kontrol izin di atasnya untuk mencegah Agent melakukan operasi di luar otoritas. Praktik Almanak menyediakan kerangka referensi yang relatif lengkap: platform menggunakan TEE untuk melindungi logika strategi dan parameter sensitif, serta menyisipkan lapisan izin Zodiac Roles Modifier di antara mesin deployment dan akun cerdas Safe yang dimiliki pengguna. Setiap transaksi yang dimulai oleh AI harus dibandingkan secara satu per satu dengan daftar putih alamat kontrak, fungsi, dan parameter yang telah ditetapkan; transaksi yang tidak sesuai dengan ruang lingkup otorisasi akan secara otomatis ditolak.

Cara mewujudkan prinsip least privilege seperti ini saat ini telah menjadi referensi penting dalam desain keamanan sistem DeFAI. Ini juga mengungkap logika yang lebih dalam: masalah keamanan DeFAI pada dasarnya bukan sekadar masalah pemilihan satu teknologi, melainkan sebuah rekayasa sistem di mana manajemen kunci, batas otorisasi, dan audit eksekusi saling berkoordinasi—jika salah satu bagian hilang, ia dapat menjadi simpul terlemah di seluruh rantai. Inilah juga titik awal untuk analisis risiko pada bab berikutnya.

VI. Kesenjangan antara Realitas dan Narasi: Analisis Risiko Inti DeFAI

Ekspansi narasi yang cepat sering kali terjadi lebih awal daripada kematangan teknis yang sesungguhnya. Antara 2024 hingga 2025, penilaian pasar terhadap DeFAI umumnya lebih tinggi dibanding progres implementasi aktualnya. Penilaian yang objektif terhadap nilai jalur ini harus didasarkan pada pemahaman yang jelas tentang risiko struktural berikut.

Gambar 10: Tabel perbandingan identifikasi risiko inti DeFAI

Dari risiko-risiko di atas, ada tiga jenis yang terutama layak dijelaskan lebih lanjut.

Pertama, halusinasi model adalah jenis risiko yang paling sulit diselesaikan secara mendasar saat ini. Dalam skenario layanan informasi, biaya halusinasi LLM hanyalah jawaban yang salah; tetapi dalam skenario aset on-chain, kesalahan yang sama bisa langsung memicu kerugian dana yang tidak dapat dipulihkan. Selama penalaran dasar bergantung pada LLM, risiko ini tidak bisa dihilangkan sepenuhnya; saat ini hanya bisa dikelola melalui verifikasi output dan mekanisme fallback, bukan disembuhkan secara tuntas.

Kedua, serangan MEV memiliki karakteristik struktural: ketika pola transaksi AI Agent menjadi stabil dan mudah diprediksi, robot front-running akan secara khusus ikut masuk. Menggabungkan TEE dengan eksekusi yang bersifat privat dapat mengurangi eksposur strategi sampai batas tertentu, tetapi belum membentuk solusi sistematis.

Terakhir, celah implementasi bisnis juga tidak boleh diremehkan: menurut laporan McKinsey 2025, dalam skenario perusahaan umum, kurang dari 10% organisasi telah mencapai deployment berskala AI Agent pada fungsi tertentu mana pun. Ambang kepercayaan dan kompleksitas operasional dalam skenario on-chain lebih tinggi—dan kesenjangan ini justru lebih buruk. Banyak produk yang diberi label “DeFAI”, pada kenyataannya, masih berada pada tahap proof of concept; dari demonstrasi teknis menuju loop tertutup komersial yang benar-benar berarti, masih ada jarak yang cukup jauh.

VII. Prakiraan Tren

Berdasarkan analisis di atas, kita dapat membuat penilaian bertahap mengenai jalur evolusi DeFAI. Secara keseluruhan, jalur ini berada pada titik kunci transisi dari proof of concept menuju produk. Evolusinya diperkirakan akan melalui tiga tahap berturut-turut:

Gambar 11: Prediksi tahap pengembangan DeFAI

Catatan: Tabel di atas adalah penilaian gabungan yang dibuat berdasarkan laporan publik industri, perkembangan proyek, dan tingkat kematangan teknologi; bukan jadwal waktu yang pasti.

Pada titik saat ini, DeFAI secara keseluruhan berada dalam fase transisi dari periode pendukung keputusan menuju periode semi-otonom—sebagian proyek sudah mulai menanggung kemampuan eksekusi otonom dalam lingkup terbatas, tetapi audit dan mekanisme fail-safe manusia masih menjadi bentuk deployment yang dominan. Dalam konteks ini, dengan mempertimbangkan kematangan teknologi dan kondisi pasar saat ini, ada tiga penilaian yang patut mendapat perhatian.

Pertama, pada dasarnya sebagian besar proyek DeFAI saat ini masih berupa alat otomatis, bukan Agent otonom yang benar-benar mandiri. Produk yang diberi label “DeFAI” pada tahap ini, kemampuan intinya umumnya menerjemahkan instruksi manusia menjadi rangkaian operasi DeFi yang telah ditetapkan. Secara esensi, ia lebih mirip antarmuka eksekusi yang efisien, bukan sistem mandiri yang memiliki kemampuan penalaran dan pengambilan keputusan secara independen. Menurut laporan McKinsey 2025, bahkan dalam skenario perusahaan umum, kurang dari 10% organisasi mencapai deployment berskala AI Agent pada fungsi tunggal mana pun. Di skenario on-chain, ambang kepercayaan dan kompleksitas operasi lebih tinggi; dari demonstrasi teknis menuju loop tertutup komersial yang benar-benar nyata, masih ada jarak yang cukup.

Kedua, arah implementasi AI Agent yang paling matang dan paling mudah memperoleh kepercayaan institusi bukanlah transaksi mandiri yang berisiko tinggi, melainkan pemantauan on-chain, peringatan dini, dan bantuan tata kelola. Skenario seperti pemantauan posisi 7×24 jam, peringatan likuidasi, analisis proposal tata kelola, dan sejenisnya: di satu sisi tingkat toleransi terhadap halusinasi LLM relatif lebih tinggi—output yang salah tidak langsung memicu kerugian dana; di sisi lain, skenario ini secara efektif mengatasi kekurangan bawaan manusia dalam kontinuitas perhatian. Jenis skenario ini merupakan jalur yang lebih realistis bagi DeFAI dari “pameran teknologi” menuju “adopsi institusi”.

Ketiga, perpaduan AI Agent dengan RWA adalah arah persilangan berikutnya yang layak mendapat perhatian dalam jalur ini. Menurut data dari RWA.xyz, per awal April 2026, total nilai aset RWA tokenized on-chain telah melewati 27 miliar dolar (tidak termasuk stablecoin), mencakup berbagai kategori seperti US Treasury bonds, private credit, komoditas, dan corporate bonds. Jika AI Agent dapat terlibat dalam manajemen aset gabungan yang mencakup kombinasi US Treasury RWA dan stablecoin—misalnya dengan menyesuaikan rasio alokasi keduanya secara otomatis sesuai kondisi pasar—maka skala aset yang dapat dijangkaunya akan jauh melampaui kategori saat ini yang masih dominan aset asli DeFi, dan berpotensi benar-benar menjembatani aset sisi on-chain dan off-chain. Hal ini diharapkan dapat mewujudkan sinergi Web3+AI+TraFi dan secara signifikan memperluas imajinasi pasar.

VIII. Penutup

AI Agent dan manajemen aset on-chain saat ini berada pada periode kritis transisi dari proof of concept menuju produk. Kelayakan teknis telah terbukti secara awal, tetapi tantangan yang dihadapi industri—mulai dari risiko halusinasi LLM, heterogenitas data on-chain, hingga ketiadaan infrastruktur kepercayaan—tidak bisa diselesaikan hanya melalui iterasi teknologi. Dibutuhkan dorongan sistematis: desain arsitektur proyek, perencanaan jalur kepatuhan, pembangunan sistem keamanan, dan validasi model bisnis.

Hal ini juga berarti bahwa jalur ini masih berada pada tahap pembangunan awal; lanskap persaingan yang sesungguhnya belum terbentuk. Bagi tim yang mampu menguasai dua dimensi, yaitu Web3 dan AI, saat ini adalah window period untuk masuk—baik saat membangun sistem on-chain Agent yang lebih andal di lapisan eksekusi, maupun saat menjembatani data, izin, dan kepercayaan pada lapisan infrastruktur, masih terdapat celah yang cukup besar yang menunggu untuk diisi.

Batas keunggulan kompetitif DeFAI pada akhirnya tidak akan bertumpu pada kemampuan model yang tunggal atau kedalaman integrasi protokol, melainkan pada apakah mampu membangun loop tertutup yang benar-benar konsisten di antara teknologi, kepatuhan, dan keamanan.

—Kami terus mendalami area persilangan ini, dan juga berharap dapat mengeksplorasi batas serta kemungkinan bidang ini bersama proyek-proyek dan investor institusi yang sepemikiran.