서론: AI가 온체인 게임의 "새로운 플레이어"가 될 때

2025년, 글로벌 DeFi 프로토콜의 총 예치 자산(TVL)은 1,000억 달러를 넘어섰지만, 시장 비효율성과 유동성 단편화와 같은 문제는 여전히 해결되지 않았습니다. 한편, AI 기술(예: GPT-4, Llama 2)의 폭발적인 성장은 DeFi에 새로운 변수인 AI 에이전트를 도입했습니다. 이러한 온체인 "로봇"은 미리 설정된 전략을 실행할 뿐만 아니라 머신 러닝을 통해 의사 결정을 동적으로 최적화하고 다른 AI 시스템과 게임을 할 수도 있습니다. 그러나 이러한 기술 혁명에는 날카로운 논쟁이 따릅니다. AI가 DeFi를 제로섬 게임의 심연으로 몰아넣을 것인가? 온체인 시장에서 공정성은 어떻게 보장될 수 있는가?

첫 번째 파트에서는 상징적인 사례를 심층적으로 살펴보고 AI와 DeFi의 통합 기술 경로를 밝히고, 두 번째 파트에서는 경제적 영향과 잠재적 위험에 초점을 맞출 것입니다.

DeFi의 기본 논리를 재편하는 AI

1.1 DeFi의 진화적 필요성

블록체인 기술과 탈중앙화 금융(DeFi)의 통합 이후, DeFi 생태계는 빠른 혁신과 발전을 경험했습니다. 초기 단계에서 DeFi의 핵심 원칙은 "코드가 곧 법이다"였습니다. 이는 모든 프로토콜과 거래 행위가 스마트 컨트랙트에 의해 제어되어 중개인에 대한 의존도를 줄이는 것을 의미했습니다. 그러나 시장 규모가 확대되고 거래량이 급증함에 따라 DeFi의 요구 사항이 변경되었고, 보다 복잡한 금융 운영 및 전략적 요구 사항이 등장하여 DeFi를 더욱 정교하고 지능적인 방향으로 이끌었습니다.

고빈도 거래, 유동성 관리 및 차익 거래 전략(전통적인 금융 시장에서 매우 일반적임)이 점차 DeFi 영역에 침투했습니다. 시장 변동성과 복잡성이 증가함에 따라 기존 규칙과 정적 알고리즘으로는 더 이상 수요를 충족할 수 없습니다. 이 시점에서 AI의 도입은 이 문제를 해결하는 데 핵심이 됩니다. 딥 러닝 및 최적화 알고리즘을 통해 AI는 방대한 양의 시장 데이터를 실시간으로 분석하여 보다 정확한 거래 전략 및 유동성 관리 솔루션을 공식화할 수 있습니다. 또한 AI는 DeFi 프로젝트 사용에 대한 장벽을 더욱 낮추는 데 도움이 될 수 있습니다. 자연어 명령을 사용하여 AI 에이전트를 통해 일련의 온체인 상호 작용을 수행하면 사용자 학습 비용을 크게 줄일 수 있습니다.

1.2 AI와 DeFi의 시너지 효과

AI 기술의 지속적인 발전과 함께 DeFi 분야는 순전히 코드 기반에서 지능적이고 데이터 기반 의사 결정 모델로 점차 전환되고 있습니다. AI는 전략 실행 효율성을 향상시킬 뿐만 아니라 심층적인 데이터 분석을 통해 시장의 잠재적 기회와 위험을 발견하여 전체 DeFi 시스템의 지능 수준을 향상시킵니다.

1.2.1 정보 우위: 온체인 및 오프체인 데이터 통합

기존 DeFi 프로토콜에서 시장 데이터는 주로 블록체인 거래 데이터, 자산 풀 잔액 및 유동성 풀 상태와 같은 온체인 정보에서 비롯됩니다. 그러나 AI의 도입으로 DeFi는 오프체인 데이터를 온체인 데이터와 유기적으로 결합하여 예측 기능을 더욱 향상시킬 수 있습니다. 예를 들어, 오라클을 도입하여 오프체인 가격 데이터를 제공하고 머신 러닝 기술을 사용하여 이 데이터를 분석함으로써 AI는 시장 가격 추세를 보다 정확하게 예측하여 효율적인 거래 전략을 수립하는 데 도움을 줄 수 있습니다. 이러한 정보 통합의 이점은 AI를 DeFi 프로토콜에서 중요한 기술 도구로 만듭니다.

1.2.2 게임 업그레이드: MEV 자동화

탈중앙화 금융 시스템에서 채굴자 추출 가치(MEV)는 지속적으로 관심의 뜨거운 주제였습니다. MEV는 채굴자가 블록에서 거래 순서를 조정하여 얻을 수 있는 추가 수익을 의미합니다. 과거에는 MEV 추출이 주로 수동 전략 및 운영에 의존했기 때문에 비효율적일 뿐만 아니라 인적 요인에 쉽게 영향을 받았습니다.

그러나 AI 기술의 발전으로 MEV 추출 방법은 기존의 수동 스나이핑에서 자동화된 지능형 운영으로 진화했습니다. AI는 밀리초 단위로 온체인 데이터를 분석하고 알고리즘을 통해 거래 순서를 최적화하여 수익을 극대화할 수 있습니다. 이러한 변화는 효율성을 향상시킬 뿐만 아니라 DeFi 프로토콜을 보다 효율적이고 공정한 방향으로 이끌어갑니다. AI 자동화를 통해 DeFi 시장의 게임 규칙이 재정의되고 있습니다.

1.3 DeFAI의 명확한 정의

DeFAI (DeFi + AI)는 DeFi와 AI 간의 심층적인 통합 제품으로, DeFi 생태계의 지능, 사용자 경험 및 자본 효율성을 향상시키는 것을 목표로 합니다. 핵심은 AI 에이전트를 통해 자동화된 의사 결정, 복잡한 작업 실행(예: 거래, 수익률 최적화, 크로스체인 운영) 및 사용자 상호 작용 추상화(예: 자연어 지침)를 달성하여 DeFi 사용 장벽을 낮추고 금융 전략을 최적화하는 것입니다.

AI의 DeFi 핵심 응용 시나리오

2.1 AI 기반 운영 실행

다양한 AI 모델 또는 에이전트의 집계와 다양한 DeFi 애플리케이션의 API 통합을 통해 사용자는 ChatGPT와 유사한 채팅 인터페이스를 통해 DeFi 운영을 신속하게 실행할 수 있습니다. 이러한 DeFAI 조합은 온체인 사용자 경험을 향상시켜 원스톱 DeFi 운영 인터페이스를 제공합니다. 사용자는 더 이상 DeFi 운영을 실행하기 위해 서로 다른 UI 사이를 탐색할 필요가 없으며, 100 SOL을 USDC로 스왑한 다음 대출 프로토콜에 예치하는 것과 같이 원하는 결과를 얻기 위해 다양한 프로토콜을 결합하는 방법을 검색하고 배울 필요가 없습니다. 사용자는 채팅 인터페이스에서 채팅을 통해 의도를 전달하기만 하면 됩니다.

사례: Bankr

Bankr는 고급 기술을 활용하고 타사 지갑 제공업체인 Privy와 통합하여 디지털 지갑을 안전하게 생성하고 디지털 자산 거래 및 이전을 포함한 블록체인 거래를 용이하게 하는 AI 기반 플랫폼입니다. (데모 비디오: https://x.com/bankrbot/status/1893788678776070481)

사례: Griffain

Solana 블록체인을 기반으로 하는 DeFAI (DeFi + AI) 프로젝트로, 핵심 포지셔닝은 AI 에이전트 엔진이며, 자연어 상호 작용을 통해 DeFi 운영을 단순화하여 사용자 요구와 블록체인 생태계 간의 원활한 연결을 달성하는 것을 목표로 합니다. 사용자는 스마트 계약을 수동으로 조작하거나 기본 기술 세부 사항을 이해하지 않고도 인간과 유사한 언어 지침(예: "200 USDC 상당의 SOL 구매" 또는 "크로스체인 전송 및 스테이킹")을 통해 DeFi 프로토콜과 직접 상호 작용할 수 있습니다.

Griffain은 여러 전문 에이전트를 내부에 배포하며, 각 에이전트는 특정 작업에 집중합니다.

에어드롭 관리 에이전트: 적격한 에어드롭을 자동으로 추적하고 청구합니다.

수익률 최적화 에이전트: 온체인 데이터를 분석하고 자산 배분을 동적으로 조정하여 수익을 극대화합니다.

포트폴리오 관리 에이전트: 자산 위험을 모니터링하고 리밸런싱 제안을 제공합니다.

토큰 연구: 온체인 정보를 기반으로 보고서를 생성합니다.

2.2 신용 평가 및 위험 관리

DeFi의 신용 평가 및 위험 관리는 프로토콜 안정성과 사용자 자금 보안을 보장하는 데 중요합니다. 기존 금융 시스템에 비해 DeFi의 신용 시스템은 여전히 불완전하며 사용자 신용 평가는 주로 담보에 의존합니다. 그러나 AI 기술의 도입은 특히 신용 평가 및 위험 통제에서 DeFi 프로토콜에 더 혁신적인 기회를 제공합니다.

사례: Spectral Finance의 AI 신용 점수 모델

Spectral Finance는 2022년에 Multi-Asset Credit Risk Oracle (MACRO) 점수를 처음 도입하여 사용자의 온체인 행동과 신용 기록 데이터를 결합하여 대출 시장에 대한 보다 지능적인 신용 위험 분석을 제공했습니다.

MACRO 점수 모델의 핵심 요소

Spectral Finance의 MACRO 점수는 대출, 상환, 청산 기록, 심지어 시장 변동성 요인을 포함한 다차원 데이터를 채택합니다. 이러한 데이터는 머신 러닝 모델을 통해 정량적으로 처리되어 사용자에게 정확한 신용 점수를 제공합니다. 사용자의 신용 점수는 다음과 같은 몇 가지 주요 요소를 기반으로 합니다.

대출, 상환 및 예금 기록: DeFi 프로토콜에 대한 사용자 거래 행동, 특히 대출 및 상환 빈도와 신뢰성.

청산 기록: 사용자 지갑의 다른 지갑 주소에서 발생한 청산 기록이 신용 평가에 미치는 영향.

건전성 요소: LTV(Loan-to-Value) 비율 및 기타 시장 위험 요소 평가와 같습니다.

지갑 기록 길이 및 거래 추세: 지갑 사용 시간 및 거래 패턴도 신용 점수에 영향을 미칩니다.

시장 변동성 및 대출 프로토콜과의 상호 작용: 다양한 DeFi 프로토콜과의 상호 작용 빈도 및 시장 변동성도 신용 평가에서 중요한 역할을 합니다.

NFC (Non-Fungible Credit) 토큰 및 신용 관리

DeFi 생태계에서 사용자의 신용을 더 잘 반영하고 활용하기 위해 Spectral Finance는 Non-Fungible Credit(NFC) 토큰을 도입했습니다. NFC 토큰은 사용자의 온체인 거래 내역을 나타내는 ERC721 토큰입니다. 각 NFC 토큰은 사용자의 MACRO 점수를 포함하며, 새로운 대출이 시작될 때마다 점수를 재계산할 수 있습니다.

현재 Spectral은 백서에서 AI 에이전트 프레임워크 개발로 방향을 전환했지만, AI 신용 평가 모델은 여전히 훌륭한 탐구 사례로 남아 있습니다.

2.3 자동화된 전략 및 수익률 최적화

DeFi 시장에서 자동화된 전략과 수익률 최적화는 사용자 수익을 개선하고 투자 위험을 줄이는 데 핵심적인 요소입니다. AI 기술과 머신 러닝의 지속적인 발전과 함께, 여러 혁신적인 프로토콜이 이러한 기술을 활용하여 투자 결정과 자산 배분을 자동화하고, 더 효율적인 수익률 최적화를 달성하는 방법을 모색하기 시작했습니다. ARMA와 Amplifi Lending Agents는 자동화 및 지능화를 통해 사용자가 DeFi 시장에서 더 나은 투자 수익을 얻을 수 있도록 지원하는 대표적인 예시입니다.

사례: 자산 관리 프로토콜 ARMA

ARMA는 Giza Tech에서 USDC 자산에 집중하여 개발한 자동화된 수익률 관리 프로토콜입니다. ARMA는 AAVE, Morpho, Compound, Moonwell과 같은 프로토콜 전반에서 기회를 지속적으로 모니터링하고 평가하여 가장 높은 수익률을 제공하는 풀로 자금을 자동으로 재할당합니다. 주요 기능으로는 자동 자산 재할당, 수익률 최적화, 거래 비용 최소화, 강력한 보안 유지 및 완전한 사용자 제어 등이 있습니다.

ARMA의 수익률 최적화 전략은 다음과 같은 여러 측면을 통해 작동합니다.

프로토콜 간 자동 리밸런싱: ARMA는 여러 대출 프로토콜 전반의 실시간 대출 금리를 분석하고, APR, 프로토콜 보상, 생태계 보상 및 거래 비용을 평가한 다음, 가장 유리한 풀로 자금을 자동으로 이전합니다. 이러한 동적 조정을 통해 사용자는 수익을 극대화할 수 있습니다.

스마트 복리 메커니즘: ARMA는 누적된 수익을 자동으로 청구하고 재투자하여 모든 보상 토큰을 원래 스테이블 코인으로 다시 교환하여 복리 효과를 극대화합니다. 복리 빈도는 포지션 규모, APR 및 거래 비용을 기반으로 동적으로 최적화되어 수익률을 높입니다.

토큰 교환 로직: ARMA는 USDC 및 USDT를 사용하여 광범위한 수익 기회에 접근합니다. 서로 다른 토큰 간의 수익률 차이가 클 경우 ARMA는 토큰 스왑을 실행하여 수익을 최적화합니다. 모든 작업은 통합된 DEX 프로토콜을 통해 수행되므로 사용자는 언제든지 원래 예치 토큰을 인출할 수 있습니다.

사례: 투자 전략 Amplifi Lending Agents

Amplifi Lending Agents는 Amplifi.Fi에서 AI 알고리즘을 기반으로 개발한 자동화된 대출 전략 최적화 도구입니다. 이 프로토콜은 딥 러닝 및 데이터 분석을 통해 DeFi 시장에서 사용자의 대출 행동 및 수익 창출 전략을 최적화합니다. 핵심 목표는 지능형 자산 배분, 위험 관리 및 수익률 최적화를 통해 사용자가 복잡한 시장 환경에서 최상의 투자 수익을 달성하도록 돕는 것입니다.

source：https://amplifi-2.gitbook.io/documentation

Amplifi Lending Agents의 핵심 기능:

동적 자산 관리(최적화 및 리밸런싱): Amplifi의 AI/ML 엔진은 독점적인 기관 등급 전략을 기반으로 자산 배분을 지속적으로 최적화합니다. 자산을 가장 높은 수익률을 제공하는 풀로 자동으로 재할당하고 Bitcoin 및 스테이블 코인 전략의 효과적인 관리를 보장합니다.

크로스체인 기능: Polyhedras zkBridge를 통해 Amplifi는 원활한 크로스체인 유동성을 제공하며, 사용자는 수동으로 브리징하거나 가스 수수료를 지불할 필요가 없습니다. zkBridge는 효율적이고 안전한 크로스체인 운영을 보장하여 사용자 경험을 단순화하고 위험을 줄입니다.

계정 추상화: Amplifi는 가스 무료(스폰서 지불) 거래 및 Web2 로그인(예: Facebook, Gmail 등)을 지원하여 사용자가 지갑을 더 쉽게 생성하고 관리할 수 있도록 합니다. 이러한 방식으로 Amplifi는 DeFi 운영을 단순화하여 블록체인에 익숙하지 않은 사용자도 쉽게 참여할 수 있도록 합니다.

Amplifi의 지능형 전략: Amplifi의 AI/ML 엔진은 진화 알고리즘, 경사 하강법 및 Markowitz 포트폴리오 이론을 포함한 여러 최적화 알고리즘을 결합합니다. 이러한 전략은 가중 방법을 통해 위험과 수익의 균형을 맞추고 자산 배분을 지속적으로 최적화하여 투자자가 다양한 시장 상황에서 최상의 수익을 달성할 수 있도록 보장합니다.

최적화 전략: Amplifi는 시장 변화를 지속적으로 평가하고 머신 러닝 기술의 포괄적인 적용을 통해 자산 배분을 동적으로 조정하여 안정적인 연간 수익률(APY)을 유지합니다. APY 변동이 합리적인 임계값을 초과하면 시스템은 자동으로 재할당 전략을 트리거하여 포트폴리오가 항상 최적의 상태를 유지하도록 합니다.

자산 재할당: Amplifi는 DeFi 플랫폼(예: AAVE)의 APY 변화를 모니터링하여 APY가 크게 변동할 때 자동으로 자산을 재할당하여 사용자 수익을 극대화할 수 있습니다.

2.4 시장 분석 및 감정 추적

DeFi에서 AI의 시장 분석 및 감정 추적은 데이터 기반 의사 결정 지원에 중점을 두며, 핵심 기능은 다차원 정보의 실시간 통합 및 시장 위험의 정량화입니다. AI 시스템은 온체인 거래 행동(예: 대규모 전송, 유동성 풀 변경), 오프체인 소셜 미디어 감정(예: Twitter 감정) 및 거시적 시장 지표(예: BTC 가격 변동)를 동시에 구문 분석하여 머신 러닝 모델을 통해 단기 자산 변동성 추세를 예측하고 잠재적 위험 신호(예: 계약 취약성 경고 또는 유동성 고갈 위험)를 식별할 수 있습니다. 동시에 AI는 자연어 처리 기술을 사용하여 뉴스 이벤트에 감정적으로 점수를 매겨 자산 배분 제안을 동적으로 생성하거나 자동 헤징 전략을 트리거하여 사용자가 복잡한 시장 환경에서 정보 비대칭을 줄이고 의사 결정 효율성을 향상시키도록 돕습니다.

사례: AIXBT

암호화폐 분야에 중점을 둔 특수 AI 에이전트 도구로, 실시간 데이터 분석 및 자연어 처리 기술을 통합하여 사용자에게 시장 동향 통찰력 및 거래 의사 결정 지원을 제공합니다. Crypto Twitter에서 인기 있는 주제, 시장 감정 및 주요 지표를 실시간으로 추적하고 구문 분석하여 투자자가 업계 동향을 신속하게 파악하고 잠재적인 투자 기회를 식별하도록 돕습니다. AIXBT의 핵심 기능에는 다중 플랫폼 데이터 집계, 소셜 감정 분석 및 자동화된 전략 생성이 포함되며, 특히 400명 이상의 KOL의 트윗을 분석하고, 가치 있는 정보를 추출하고, 실행 가능한 거래 제안을 생성하는 데 탁월합니다.

또한 AIXBT는 대화형 기능을 갖추고 있어 사용자가 소셜 미디어를 통해 직접 통신하여 맞춤형 분석 보고서를 얻을 수 있습니다. 앞으로 AI 에이전트 기술이 발전함에 따라 AIXBT는 암호화폐 시장 참여 장벽을 더욱 낮추고 DeFi를 더욱 지능적이고 자동화된 방향으로 이끌 것으로 예상됩니다.

기술 아키텍처 및 경쟁 환경

3.1 온체인 AI 모델을 위한 경로

현재 가장 주류적인 잠재적 개발 방향은 온체인 경량 구현입니다. 여기에는 오프체인에서 계산하고 결과 및 계산 증명을 푸시하여 온체인 리소스 소비를 줄이는 것이 포함됩니다. 한 가지 접근 방식은 zkML입니다.

zkML은 영지식 증명(예: zkSNARK)을 통해 머신 러닝 모델의 추론 프로세스를 검증하여 모델 매개변수 또는 입력 데이터를 공개하지 않고도 계산 결과의 정확성을 보장합니다. 핵심 프로세스는 다음과 같습니다.

오프체인 계산: ML 모델을 오프체인에서 실행하여 추론 결과를 생성합니다.

증명 생성: zk 기술을 사용하여 추론 프로세스가 미리 정의된 모델(예: 모델 가중치, 아키텍처)을 준수하고 변조되지 않았음을 나타내는 간결한 수학적 증명을 생성합니다.

온체인 검증: 증명을 블록체인에 제출합니다. 여기서 스마트 계약은 계산을 다시 실행할 필요 없이 증명을 검증하여 결과의 합법성을 검증합니다.

이 메커니즘은 투명성 및 검열 저항을 보장하면서 ML 모델을 온체인에서 직접 실행하는 데 드는 높은 비용 문제(예: EVM의 계산 제한)를 해결합니다.

Modulus Labs의 ZKML 프레임워크와 같이 관련 사용 사례가 이미 존재합니다.

Modulus Labs의 핵심 기술은 오프체인 계산 + 온체인 검증이며, 프레임워크 기능은 다음과 같습니다.

AI 실행 무결성 검증: 영지식 증명을 통해 AI 모델 추론 결과가 변조되지 않았는지 확인합니다(예: NFT 가격 평가 모델 출력의 진위성 보장). 사례: Upshot과 협력하여 AI 생성 NFT 가격 평가 결과(시간당 1억 개)를 ZK 증명을 통해 온체인에 배치하여 "AI 기능 + 온체인 보안"의 조합을 달성합니다.

부정 행위 방지 메커니즘: 게임 시나리오(예: AI Arena)에서 플레이어가 훈련한 AI 모델과 실제로 경쟁에 배포된 모델 간의 일관성을 검증하여 경제적 이익에 의해 유도된 부정 행위를 방지합니다.

개방형 API: dApp 개발자가 분산형 보안을 희생하지 않고도 검증 가능한 AI 기능을 통합할 수 있도록 "변조 방지 AI" API를 제공합니다.

3.2 주요 프로젝트 비교

인프라 계층을 넘어 DeFAI 애플리케이션 계층에서의 경쟁은 치열합니다. 전반적으로 제품 장벽이 높지 않으며, 다른 경쟁사보다 월등한 제품 안정성과 정확성을 갖춘 애플리케이션 프로토콜은 아직 발견되지 않았습니다. 한편, 기존 애플리케이션의 제품-시장 적합성(PMF)은 사용자들에 의해 시험대에 오르고 있습니다. 오늘날 빠르게 발전하는 AI 인프라에서 더욱 효과적인 DeFAI 애플리케이션이 언제든지 등장하여 기존 선두 프로젝트를 대체할 수 있습니다.

현재 선두 프로젝트는 Griffain입니다. 이들의 제품은 사용자가 자연어를 통해 블록체인과 상호 작용하고 온체인 DeFi 작업을 수행할 수 있도록 합니다. Griffain의 제품 업데이트 속도는 인상적입니다. 현재 Agent Sniper, Agentic Commerce, 다중 에이전트 API 통합(에너지 시스템) 등과 같은 제품을 이미 출시했으며, 전체적인 구축 방향은 통합 자연어 운영 플랫폼으로, 사용자가 봇 채팅 창을 통해 다양한 일상적인 온체인 정보를 탐색하고 운영할 수 있도록 하는 것입니다.

AI가 고급 기술 아키텍처와 혁신적인 애플리케이션을 통해 DeFi 환경을 계속 재편함에 따라, 이러한 변화에 수반되는 잠재적 위험과 윤리적 과제를 인식하는 것이 중요합니다. 다음 분석에서는 AI 기반 DeFi의 어두운 면을 자세히 살펴보고, 이 새로운 생태계의 미래를 정의할 수 있는 시스템적 위험, 규제 장애물 및 윤리적 딜레마를 탐구할 것입니다.

AI와 DeFi 통합: AlphaGo의 온체인 게임을 넘어서 (I)