As exchanges oferecem às "lagostas" (traders) uma árvore de habilidades; será que a Openclaw vai deixar os traders humanos para trás?

Autor: Frank, PANews

Da noite para o dia, parece que todos estão a implementar lagostins (uma plataforma de criptomoedas popular). Esta tendência finalmente chegou à indústria cripto. A 3 de março, Binance e OKX, dois gigantes cripto, lançaram e disponibilizaram simultaneamente bibliotecas de AI Skills para Agentes de IA, permitindo que os Agentes de IA alcancem diretamente a descoberta alfa on-chain e negociação em tempo real através destes protocolos. Pouco antes, o líder do mercado de previsões Polymarket também lançou uma ferramenta CLI especificamente para agentes.

Por trás desta situação aparentemente coincidente está o facto de a IA estar a tornar-se a principal entidade de negociação no futuro da indústria cripto, e esta mudança já começou.

Mas a questão central que os utilizadores enfrentam é: as transações baseadas em agentes são realmente confiáveis?

A liderar o caminho, cripto oficialmente dá as boas-vindas aos traders de IA.

Vamos ver o que a Skill, que Binance e OKX disponibilizaram desta vez, pode realmente fazer.

As sete Skills da Binance estão posicionadas como um "núcleo inteligente unificado", transformando sinais fragmentados do mercado cripto em decisões de negociação acionáveis. Especificamente, permitem que agentes de IA automatizem a execução de Negociação Spot, como aceder a dados de mercado em tempo real e colocar ordens. Também podem analisar qualquer endereço de carteira para gerar relatórios de rastreamento de Smart Money, incluindo participações detalhadas. Outras funcionalidades incluem recuperação de token, copy trading e monitorização de risco de contratos.

A atualização de IA OnchainOS da OKX está posicionada como um "sistema operativo on-chain para agentes de IA". Suporta mais de 60 funções on-chain relacionadas com gestão autónoma de carteiras, transações e pagamentos. Estas incluem funcionalidades como consulta de participações de carteira (saldos de ativos cross-chain e portfólios), dados de mercado DEX, execução de negociação e descoberta de tokens.

A interface Rust CLI da Polymarket, lançada anteriormente, é um terminal para agentes de IA, permitindo-lhes consultar, negociar e gerir diretamente todos os mercados de previsão na Polymarket. Além disso, Bitget e Coinbase também lançaram bibliotecas de habilidades semelhantes.

De uma perspetiva funcional, estas habilidades fornecem as funções básicas que os utilizadores comuns precisam para transações on-chain ou participação noutras transações cripto, incluindo pesquisa de mercado, execução de ordens, rastreamento de Smart Money e muito mais.

No entanto, isto significa que todos podem agora desfrutar de um café enquanto observam os lagostins a trabalhar nos bastidores para ganhar dinheiro para eles?

Um utilizador nas redes sociais partilhou uma ferramenta de ganhar dinheiro "lagostim".

Agente de IA ≠ Robô Quantitativo

Mas o resultado real pode ser diferente do que a maioria das pessoas imagina.

Muitas pessoas equiparam "negociação de IA" com robôs de Negociação Quantitativa, mas a lógica subjacente dos dois é fundamentalmente diferente.

A diferença é fundamental. Os robôs de negociação quantitativa tradicionais são essencialmente programas automatizados que executam regras pré-definidas, como "comprar quando o RSI cai abaixo de 30 e vender quando sobe acima de 70". São extremamente rápidos, mas não têm compreensão do que estão a fazer, não conseguem ler notícias e desconhecem o sentimento do mercado. A eficácia da sua estratégia depende inteiramente da pessoa que escreveu o código.

No coração do Agente de IA está um modelo de linguagem grande. Pode ler um artigo de notícias sobre o FRS a aumentar as taxas de juro, compreender o que isto significa para o mercado cripto e depois decidir se deve reduzir as suas participações.

Simplificando: O bot executa as regras e o agente faz os julgamentos.

Por outras palavras, o agente atual não monitoriza o mercado sozinho e depois coloca uma ordem diretamente quando surge uma oportunidade. Os custos de token resultantes e o atraso de tempo são devastadores para a negociação.

A negociação de agente atual tende a adotar um modelo de "divisão de trabalho": os programas tradicionais são responsáveis pela monitorização e execução, enquanto os modelos grandes são apenas responsáveis pela análise e tomada de decisões.

Especificamente, um programa tradicional extrai continuamente preços em tempo real, dados on-chain, notícias e outras informações da exchange, depois empacota estes dados e envia-os para um modelo grande. O modelo grande integra informações multidimensionais como condições de mercado, notícias e anomalias on-chain para fornecer uma decisão de negociação, como "Comprar ETH, posição de 10%, preço da ordem $2450". Finalmente, a instrução de negociação é devolvida ao programa tradicional, que executa a ordem através da interface da exchange e acompanha continuamente os resultados.

O código tradicional atua como as "mãos" e "olhos" do agente, enquanto o modelo geral serve como o "cérebro". As Skills oferecidas pelas três principais plataformas essencialmente fornecem ao agente "mãos" e "olhos" padronizados, permitindo-lhe aceder rapidamente aos dados e capacidades de negociação de várias plataformas de negociação. No entanto, nos bastidores, os humanos ainda desenham a lógica de negociação com base em estratégias específicas. Não se trata simplesmente de ligar à Skill e ver o saldo da sua conta disparar automaticamente.

Para além da tecnologia e funcionalidade, existem duas questões do mundo real que devem ser abordadas.

A primeira é a velocidade. Os bots quantitativos de alta frequência tradicionais têm latência de negociação na faixa de microssegundos a milissegundos, com sistemas profissionais a atingirem até latência sub-milissegundo. O principal estrangulamento para agentes de IA, no entanto, reside no tempo necessário para inferência de modelo em grande escala. Uma análise e saída de decisão completas geralmente levam entre várias centenas de milissegundos e vários segundos, e em cenários complexos, pode até exceder 5 segundos. Isto é milhares ou até milhões de vezes mais lento do que os bots tradicionais.

Portanto, os agentes simplesmente não conseguem competir com bots quantitativos em termos de velocidade. Não podem realizar Arbitragem de alta frequência nem lucrar com diferenças de preço ao nível de milissegundos. A competitividade dos agentes reside na qualidade das suas decisões: um bot quantitativo pode colocar uma ordem em milissegundos, mas não conhece o significado de "o Presidente do FRB acabou de enviar um tweet dovish", enquanto um agente conhece. Os agentes são mais adequados para fazer uma ou duas negociações bem pensadas por hora, em vez de realizar milhares de operações mecânicas por segundo.

O segundo fator é o custo. Os bots tradicionais, uma vez desenvolvidos, apenas requerem custos de servidor para funcionar. No entanto, os agentes chamam interfaces de modelos grandes cada vez que tomam uma decisão, o que gera despesas. Por exemplo, com o GPT-5.2, se um agente analisa o mercado a cada 5 minutos (288 vezes por dia), o custo mensal de inferência é aproximadamente $106. Usando o mais poderoso Claude Opus 4.6, fica em torno de $238. Isto não é uma quantia significativa para traders que gerem grandes somas, mas para investidores de retalho com apenas alguns milhares de dólares em capital, este custo de inferência, combinado com taxas de transação, torna muito mais difícil alcançar um lucro líquido.

Quando se trata de ganhar dinheiro como agente, há mais armadilhas do que oportunidades.

Além disso, a qualidade da tomada de decisão do agente também é uma questão importante. Por trás desses julgamentos aparentemente lógicos e claros, pode muito bem haver decisões absurdas.

Em 2025, uma Competição de Negociação de IA realizada pela Nof1 forneceu um exemplo claro. Múltiplos agentes impulsionados por modelos grandes competiram, com resultados amplamente divergentes: o agente impulsionado pelo GPT-5 perdeu 62% do seu capital inicial, enquanto Qwen3 e DeepSeek alcançaram lucros de 22,3% e 4,89%, respetivamente. Nesta competição de negociação de IA, embora alguns modelos tenham lucrado no final, exibiram características extremamente instáveis. DeepSeek, em particular, demonstrou retornos elevados inicialmente seguidos por um drawdown significativo, o que reduziu as expectativas do mercado.

Na segunda temporada da experiência, 15 bots de IA, cada um com um capital de $10.000, participaram. Apenas o GROK-4.2 alcançou um retorno positivo. No geral, apenas três modelos alcançaram retornos positivos em ambas as temporadas, enquanto o resto estava em estado de prejuízo.

Além disso, a PANews também conduziu estudos de simulação em vários dos modelos mais poderosos na época, e os resultados finais mostraram que, a longo prazo, os seus lucros esperados eram todos negativos. (Leitura relacionada: Avaliação Quantitativa de IA: Lucros Esperados para Todos os Modelos Menos de 1, Quão Longe Está a Inteligência Artificial de Substituir Traders?)

Na Polymarket, a estratégia de bot de IA mais clássica é Arbitragem de paridade matemática: quando o custo total de comprar contratos "sim" e "não" num mercado binário é inferior a $1, comprar ambos simultaneamente garante lucros sem risco. Muitos bloggers elogiaram muito esta estratégia. No entanto, a Polymarket respondeu introduzindo taxas dinâmicas e outros ajustes de regras, tornando algumas estratégias de arbitragem ineficazes.

No geral, a negociação de agente não é uma "máquina de imprimir dinheiro". A seleção de modelo, design de estratégia e disciplina de controlo de risco são todos indispensáveis.

Além destes, as transações de agente também envolvem vários outros riscos que precisam de ser considerados.

Em primeiro lugar, relativamente à segurança, o agente detém a chave privada e executa transações autonomamente. Se o ambiente operacional for comprometido, pode levar à perda de ativos. Casos anteriores mostraram que técnicas maliciosas foram injetadas em plataformas de código aberto para roubar chaves de utilizadores. As três plataformas usaram isenções de responsabilidade cautelosas nas suas declarações, com a Polymarket até a rotulá-la diretamente como "software experimental inicial".

Em segundo lugar, o problema de "ilusão" de modelos grandes não pode ser ignorado. Os modelos às vezes geram análises que parecem razoáveis mas são na verdade erradas. Em conversas quotidianas, isto pode ser apenas embaraçoso, mas na negociação, pode significar uma perda de dinheiro real.

A homogeneização de estratégias também é motivo de preocupação. Quando um grande número de agentes usa as mesmas habilidades e os mesmos modelos para analisar o mesmo mercado, os seus julgamentos tornam-se altamente semelhantes, os sinais de compra são acionados simultaneamente, os preços são rapidamente impulsionados e o espaço para recém-chegados é reduzido.

A IA é meramente uma arma; ainda é o humano que a maneja.

As regras do jogo no mercado cripto estão a passar por uma mudança profunda à medida que as exchanges começam a desenhar produtos para agentes em vez de humanos. Dados de 2023 mostram que sistemas automatizados já representavam mais de 70% do Volume de Negociação no mercado cripto, e esta percentagem ainda está a aumentar.

No entanto, a negociação de agente ainda está na fase "experimental inicial". A lógica subjacente é que isto é meramente uma melhoria na ferramenta, não "automatizar a geração de lucro". Não esqueça que instituições com ampla experiência em estratégia e quantitativa também estão a usar as mesmas ferramentas para fazer melhorias.

Para investidores comuns, em vez de se apressarem a construir os seus próprios agentes de IA, é melhor primeiro conter as emoções de FOMO (medo de ficar de fora) e compreender as suas limitações e fraquezas. Reconhecidamente, a era da negociação de agente chegou, mas a lucratividade ainda depende das capacidades de tomada de decisão estratégica dos humanos por trás dela.