TRM Labs Untersuchung zu KI-Agentenzahlungen zeigt: Die Autonomie-Erzählung von x402 ist der Realität voraus
TRM Labs analysierte 198,9 Millionen x402-Abwicklungen und stellte einen deutlichen Widerspruch zwischen Zahlungsaktivität und tatsächlicher KI-Autonomie fest. Die Untersuchung zu KI-Agentenzahlungen schätzt, dass Agenten wertmäßig nur 0,6 % bis 7,5 % des geprüften Handels ausmachten.
Diese Spanne stellt eines der attraktivsten Narrative des agentischen Handels infrage. Eine Blockchain kann zeigen, dass Software eine Zahlung gesendet hat, nicht jedoch, ob ein KI-Modell den Händler auswählte, Alternativen bewertete oder eigenständig handelte.
Die Unterscheidung ist wichtig, weil Coinbase, Amazon, Google, OpenAI, Stripe und große Zahlungsnetzwerke Infrastruktur für maschinell initiierte Transaktionen aufbauen. Ihre Zahlungswege funktionieren zunehmend. Die Belege dafür, dass autonome Agenten diese Infrastruktur in wirtschaftlich relevantem Umfang nutzen, bleiben jedoch deutlich dünner.
Die Ergebnisse von TRM bedeuten nicht, dass agentischer Handel gescheitert ist. Sie zeigen, dass Infrastrukturadoption, automatisiertes Zahlungsvolumen und intelligente wirtschaftliche Aktivität drei verschiedene Messgrößen sind. Sie gleichzusetzen, verzerrt das Bild des Marktes.
TRM Labs Untersuchung zu KI-Agentenzahlungen halbiert das Schlagzeilenvolumen
Die wichtigste Erkenntnis von TRM ist nicht, dass x402 keine Aktivität aufweist. Sie lautet vielmehr, dass ein großer Teil dieser Aktivität nicht als gewöhnlicher Handel gelten kann.
Das Blockchain-Intelligence-Unternehmen untersuchte bekannte x402-Facilitators auf Base, Solana und Polygon. Diese Facilitators prüfen signierte Zahlungsautorisierungen, senden Abwicklungen an die Blockchain und übernehmen die Netzwerkgebühr.
Der Datensatz umfasste seit Mai 2025 rund 52,7 Millionen USD aus 198,9 Millionen Abwicklungen. Auf den ersten Blick beschreiben diese Zahlen ein etabliertes Netzwerk für Maschinenzahlungen mit beträchtlicher Transaktionsfrequenz.
TRM filterte die Daten anschließend, um Aktivitäten auszuschließen, die nicht wie echter Handel wirkten. Die Prüfungen schlossen Adressen aus, die an sich selbst zahlten, Massenströme, die von ein oder zwei Zahlern dominiert wurden, sowie Verkäufer mit weniger als zehn unterschiedlichen Käufern.
Dadurch verringerte sich der wahrscheinliche Handelspool auf 25,62 Millionen USD. Mit anderen Worten: Etwa die Hälfte des beobachteten Werts verschwand, bevor TRM überhaupt zu bestimmen versuchte, ob ein KI-Agent beteiligt war.
Die vollständige Onchain-Analyse erklärt, warum dieser erste Filter notwendig ist. Geplante Prozesse, Lasttests, Selbstgeschäfte, Token-Aktivität und gewöhnliche Software können allesamt gültige x402-Abwicklungen erzeugen.
Eine technisch erfolgreiche Zahlung beantwortet daher nur eine eng gefasste Frage. Sie bestätigt, dass eine Adresse eine Übertragung gemäß den Regeln des Protokolls autorisiert hat. Sie belegt nicht, wer die Adresse kontrollierte oder warum die Zahlung erfolgte.
Nach der Identifizierung wahrscheinlicher Handelsaktivität stand TRM vor einem schwierigeren Zuordnungsproblem. Ein KI-Agent und ein herkömmliches Skript können exakt dieselbe Zahlungssequenz ausführen. Ihre Transaktionen können auf einer öffentlichen Blockchain identisch aussehen.
Das Unternehmen ging diese Unsicherheit mit zwei Modellen an. Sein großzügiges Modell zählte Zahlungen, die durch Facilitators gesendet wurden, im Wert variierten und im Durchschnitt unter einem Dollar lagen.
Das strenge Modell verlangte, dass diese Muster über mehrere Monate hinweg fortbestanden. Zudem war entweder eine öffentliche Agentenregistrierung oder Zahlungen an mehr als einen Verkäufer erforderlich.
Auf den gefilterten Handelspool angewandt, ergaben diese Tests die Schätzung von 0,6 % bis 7,5 %. Das breite Intervall spiegelt Unsicherheit in der Klassifikationsmethode wider und keine präzise Zählung aller Agenten.
Dieser Vorbehalt ist zentral für die Geschichte. TRM behauptet nicht, jede autonome Zahlung identifiziert zu haben. Das Unternehmen schätzt auf Basis unvollständiger Verhaltenssignale eine plausible Spanne.
Die Studie ergab außerdem, dass USDC die Abwicklung dominierte. Rund 52,47 Millionen USD von 52,68 Millionen USD beziehungsweise 99,6 % entfielen in der uneingeschränkten Vermögenswertanalyse auf diesen Stablecoin.
Diese Konzentration macht es leichter, x402-Aktivität als Stablecoin-Zahlungsmarkt zu beschreiben. Sie erleichtert jedoch nicht die Einordnung der zugrunde liegenden Käufer als intelligente Agenten.
Das Ergebnis verändert die Bedeutung der Schlagzeilenzahlen von x402. Sie dokumentieren Nachfrage nach programmierbaren Zahlungen, jedoch nicht unabhängig davon Nachfrage durch autonome KI-Käufer.
Warum x402-Aktivität keinen agentischen Handel beweist
x402 kann eine Zahlung maschinenlesbar machen, ohne die zahlende Maschine intelligent zu machen.
Das Protokoll macht aus dem HTTP-Statuscode 402 mit der Bezeichnung „Payment Required“ einen funktionierenden Zahlungsschritt. Ein Client fordert eine digitale Ressource an, und der Server antwortet mit Zahlungsbedingungen.
Der Client signiert eine Autorisierung und wiederholt die Anfrage mit diesem Nachweis. Ein Facilitator prüft die Autorisierung, wickelt die Zahlung onchain ab und liefert den Nachweis zurück, dass die Ressource bereitgestellt werden kann.
Dieses Design entfernt die herkömmliche Checkout-Seite. Es ermöglicht Software, innerhalb eines normalen Anfrageflusses eine API-Antwort, eine Datenabfrage, Modellinferenz oder einen anderen digitalen Dienst zu erwerben.
Dieser Mechanismus ist für KI-Agenten nützlich, weil die Zahlung innerhalb ihres Ausführungszyklus bleibt. Ein Agent muss keinen Browser öffnen, kein Kartenformular ausfüllen und nicht für jeden kleinen Kauf einen Menschen um Freigabe bitten.
Keiner dieser Schritte erfordert jedoch Schlussfolgerungsfähigkeit. Ein Entwickler kann deterministische Software schreiben, die nach einem Zeitplan denselben Endpunkt anfragt, denselben Betrag bezahlt und die Antwort speichert.
Ein Lasttestsystem kann dasselbe in deutlich höherer Frequenz tun. Ein Dienstbetreiber kann zudem Selbstzahlungen oder Werbeaktivitäten erzeugen, die die Transaktionszahlen erhöhen, ohne externe Nachfrage darzustellen.
Die Klassifizierung von TRM verwendet Preisvariation als ein Anzeichen für Handlungsfähigkeit. Die Überlegung lautet: Ein Agent, der mehrere Dienste erkundet, sollte auf unterschiedliche Preise stoßen, während ein Skript, das wiederholt denselben Endpunkt aufruft, oft einen festen Betrag zahlt.
Diese Annahme ist vertretbar, schafft jedoch einen blinden Fleck. Ein legitimer Agent mit nur einem Zweck könnte wiederholt denselben Dienst zum selben Preis kaufen. Das Modell von TRM könnte diese Aktivität als herkömmliche Automatisierung einordnen.
Auch der umgekehrte Fehler ist möglich. Ein Skript kann zwischen Endpunkten wechseln, Transaktionsbeträge variieren oder ein exploratives Zahlungsmuster nachahmen, ohne ein KI-Modell einzusetzen.
Blockchain-Daten allein können dieses Problem nicht lösen. Die Blockchain speichert Adressen, Vermögenswerte, Beträge, Zeitstempel und Contract-Interaktionen. Sie speichert keine verlässliche Erklärung des Entscheidungsprozesses hinter jeder Autorisierung.
Öffentliche Agentenregister bieten ein weiteres Signal, doch die Registrierung bleibt freiwillig. Ein Wallet-Inhaber kann erklären, dass eine Adresse zu einem Agenten gehört, aber diese Erklärung ist möglicherweise nicht unabhängig verifiziert.
TRM zufolge nutzen die meisten Teilnehmer diese Register derzeit nicht. Dadurch fehlt Forschern eine konsistente Identitätsebene, die Wallets mit Agenten, Betreibern, Modellen oder delegierenden Nutzern verbindet.
Das Analyseproblem ähnelt automatisiertem Webtraffic. Ein Server kann beobachten, dass eine Maschine eine Seite angefordert hat, doch zusätzliche Belege sind notwendig, um einen Such-Crawler, einen bösartigen Bot, ein Testwerkzeug und einen KI-Assistenten voneinander zu unterscheiden.
Bei Zahlungen steht mehr auf dem Spiel, weil die Klassifizierung Betrugsüberwachung, Sanktionsprüfungen, Streitfälle und Verantwortlichkeit beeinflusst. Eine falsche Kennzeichnung hat schwerwiegendere Folgen, wenn Software Gelder mit Maschinengeschwindigkeit bewegen kann.
Die x402-Ergebnisse legen daher eine Messlücke offen. Der Markt verfügt über verlässliche Abwicklungsdaten, aber nicht über ebenso verlässliche Zuordnungsdaten.
Diese Lücke erklärt, warum Transaktionssummen kein Ersatz für Adoptionskennzahlen sein sollten. Echter agentischer Handel erfordert Belege für delegierte Befugnisse, zielgerichtete Auswahl und einen wirtschaftlich relevanten Kauf.
Der eigentliche Gegner ist das Versprechen des agentischen Handels
Der zentrale Konflikt lautet nicht x402 gegen Kartennetzwerke. Es geht um das Versprechen autonomen Handels gegenüber den Belegen für gewöhnliche Automatisierung.
Technologieunternehmen haben mehr als ein Jahr damit verbracht, die Bausteine zusammenzustellen, die Agenten zum Einkaufen und Bezahlen benötigen. Diese Investitionen sind real, selbst wenn die aktuellen Transaktionsdaten keine breite Adoption belegen.
Google führte im September 2025 sein Agent Payments Protocol, kurz AP2, ein. AP2 bietet einen gemeinsamen Rahmen für die Kommunikation von Nutzerbefugnis, Kaufabsicht und Verantwortlichkeit zwischen Agenten, Händlern und Zahlungsanbietern.
Das AP2-Framework startete mit Unterstützung von mehr als 60 Technologie-, Handels- und Finanzorganisationen. Es enthielt außerdem eine x402-Erweiterung für kryptobasierte Agentenzahlungen.
OpenAI und Stripe wählten mit dem Agentic Commerce Protocol einen verbraucherorientierten Ansatz. Ihr erstes Instant-Checkout-Erlebnis ließ eine Person die Transaktion bestätigen, obwohl ChatGPT die Produktsuche und Kommunikation mit dem Händler übernahm.
Dieses Checkout-Protokoll verdeutlicht einen wichtigen Unterschied. KI-gestützter Handel kann wirtschaftlich relevant sein, ohne einem Modell vollständige Ausgabenautonomie zu geben.
Der Nutzer bestätigt weiterhin Artikel, Versandinformationen und Zahlungsdetails. Der Händler bleibt dafür verantwortlich, die Bestellung anzunehmen, die Zahlung zu verarbeiten, sie zu erfüllen und den Kunden zu unterstützen.
Amazon ist beim autonomen Software-Einkauf weiter gegangen. Amazon Bedrock AgentCore payments ging im Mai 2026 in die Vorschau und wurde im August allgemein verfügbar.
Der Dienst ermöglicht Entwicklern, unterstützte Wallets zu verbinden, Ausgabenlimits festzulegen und Agenten Zahlungen für APIs, Model Context Protocol-Server, Inhalte und andere digitale Ressourcen zu erlauben. Model Context Protocol, kurz MCP, ist ein Standard zur Verbindung von KI-Systemen mit externen Tools und Daten.
Laut dem AgentCore-Release kann die Infrastruktur x402-Zahlungen aushandeln, Limits durchsetzen und Transaktionsaktivitäten aufzeichnen. Diese Kontrollen zielen auf Unternehmensanforderungen, die ein bloßer Wallet-Zugriff allein nicht adressieren kann.
Diese Einführungen zeigen ein starkes Engagement auf der Angebotsseite. Große Unternehmen schaffen Protokolle, Identitätsmechanismen, Wallets, Händlerverbindungen und Governance-Kontrollen, bevor autonome Nachfrage leicht messbar wird.
Diese Reihenfolge ist auf Infrastrukturmärkten üblich. Entwickler benötigen verlässliche Zahlungswege, bevor sie Anwendungen bauen können, während Zahlungsanbieter glaubwürdige Anwendungen benötigen, bevor Transaktionsvolumen wirtschaftlich relevant wird.
Das Risiko entsteht, wenn Bereitschaft mit Adoption verwechselt wird. Ein Protokoll kann autonome Einkäufe unterstützen, selbst wenn die meisten aktuellen Nutzer Skripte, Tests oder eng programmierte Dienste sind.
Die Ergebnisse von TRM erhöhen den Druck auf Infrastrukturanbieter, bessere Belege vorzulegen. Transaktionszahl und abgewickelter Wert liefern nicht mehr genug Kontext, wenn dieselbe Infrastruktur Agenten, gewöhnliche Automatisierung und auffällige Aktivitäten bedient.
Nützliche Berichterstattung würde externen Handel von selbst erzeugten Zahlungsströmen trennen. Sie würde außerdem zwischen KI-gestützten Käufen, deterministischen Maschinenzahlungen und zielgerichteten autonomen Entscheidungen unterscheiden.
Diese Klassifizierung ist schwierig, aber notwendig. Andernfalls droht agentischer Handel zu einem Etikett für jede softwaregenerierte Zahlung zu werden.
Die optimistische Lesart ist, dass Unternehmen der Nachfrage vorausbauen. Die skeptische Lesart lautet, dass der Markt hochentwickelte Infrastruktur für Käufer geschaffen hat, die nur selten erscheinen.
Beide Interpretationen passen zu den verfügbaren Fakten. Die nächste Phase hängt davon ab, ob Entwickler Agenten einsetzen, die Ressourcen über eine relevante Bandbreite unabhängiger Verkäufer hinweg entdecken und erwerben.
Agentenzahlungen erklärt anhand dessen, was die Modelle nicht erkennen können
Die Spanne von TRM ist wertvoll, weil sie Unsicherheit sichtbar macht, doch ihre Verhaltenstests können keine endgültige Attribution liefern.
Das permissive und das strenge Modell setzen Grenzen, statt eine abschließende Antwort zu liefern. Dieser Ansatz ist glaubwürdiger, als jede x402-Abwicklung als Agentenaktivität darzustellen.
Dennoch hängen die unteren und oberen Schätzungen von Annahmen darüber ab, wie sich intelligente Agenten verhalten sollten. Agenten, die mehrere Anbieter erkunden und auf variable Preise treffen, passen leichter in das Modell.
Eng spezialisierte Agenten passen weniger gut hinein. Man stelle sich einen automatisierten Forschungsagenten vor, der jeden Morgen denselben spezialisierten Datensatz kauft. Er könnte die aktuellen Bedingungen bewerten, entscheiden, dass der Kauf weiterhin sinnvoll ist, und wiederholt an denselben Anbieter zahlen.
Sein Onchain-Muster könnte einem geplanten Skript ähneln. Die intelligente Arbeit könnte vor der Zahlung stattfinden, während die Abwicklung selbst gleichförmig bleibt.
Ein aufwendigeres Skript kann den gegenteiligen Eindruck erzeugen. Es könnte anhand fester Regeln zwischen mehreren Anbietern wählen, variable Zahlungen erzeugen und über Monate aktiv bleiben.
Dieses System könnte mehrere Verhaltensprüfungen bestehen, ohne generative KI zu verwenden. Eine auf Transaktionen basierende Klassifizierung würde die Beteiligung autonomer Agenten überschätzen.
TRM erkennt diese Einschränkung an. In seinem Bericht heißt es, dass der Test auf Preisvariationen Agenten mit einem einzigen Zweck untererfassen könnte, die wiederholt denselben Dienst bezahlen.
Das Beobachtungsfenster schafft eine weitere Einschränkung. x402 unterstützt vor allem maschinennative Zahlungen für digitale Ressourcen. Es erfasst nicht jeden kartengestützten Kauf, der von einem KI-Produkt initiiert oder unterstützt wird.
Visa und Artemis unterscheiden zwischen Macro Commerce und Micro Commerce. Macro Commerce umfasst vertraute Käufe wie Reisen oder Abonnements, bei denen ein Agent über bestehende Händlersysteme für eine Person handelt.
Micro Commerce umfasst kleine Software-zu-Software-Zahlungen für APIs, Rechenleistung oder Daten. Diese Zahlungen können häufig erfolgen und unterhalb der wirtschaftlichen Größenordnung konventioneller Kartentransaktionen liegen.
Ihre Zahlungsstudie meldete zum 21. April 2026 bereinigte x402-Aktivitäten von rund 15 Millionen USD über 109,6 Millionen Transaktionen. Die unterschiedlichen Summen und Zeitpunkte zeigen, warum die Methodik beim Vergleich von Studien entscheidend ist.
TRM nutzte einen späteren Beobachtungszeitraum und bekannte Facilitators über drei Netzwerke hinweg. Außerdem wandte das Unternehmen eigene Prüfungen für Handel und Agentenschaft an. Die daraus resultierenden Zahlen sollten nicht kombiniert werden, als würden sie eine identische Population messen.
Keiner der Datensätze erfasst jede Form von KI-gestütztem Einkaufen. Ein Verbraucher könnte ChatGPT bitten, Produkte zu vergleichen, und den Kauf anschließend manuell auf der Website eines Händlers abschließen.
Diese Transaktion spiegelt KI-Einfluss wider, aber keine autonome Ausgabe. Sie als agentischen Handel zu bezeichnen, würde Produktentdeckung, Empfehlung, Checkout-Unterstützung und delegierten Einkauf verwischen.
Die Unterscheidung ist für Händler wichtig. KI-generierte Empfehlungen können beeinflussen, welche Produkte Kunden in Betracht ziehen, selbst wenn die endgültige Zahlung über einen konventionellen Checkout erfolgt.
Anbieter von Zahlungsinfrastruktur stehen vor einer anderen Frage. Sie müssen wissen, wann Software die Befugnis besitzt, eine Transaktion einzuleiten, und wer die Verantwortung trägt, wenn das Ergebnis gegen die Anweisungen des Nutzers verstößt.
Forscher benötigen daher mehrere Kennzahlen, nicht nur eine. Nützliche Kategorien umfassen agentengestützte Entdeckung, vom Menschen bestätigten Checkout, deterministische Maschinenkäufe und autonomes zielgerichtetes Ausgeben.
Diese Klassifizierung würde auch Vergleiche zwischen Karten- und Stablecoin-Systemen verbessern. Sie würde verhindern, dass Infrastrukturentscheidungen mit unterschiedlichen Intelligenzniveaus verwechselt werden.
Bis solche Messungen vorliegen, sollte die Spanne von TRM als eingegrenzte Schätzung sichtbaren x402-Verhaltens gelesen werden. Sie ist kein Urteil über jeden KI-vermittelten Kauf im Internet.
Funktionierende Zahlungsrails verfügen weiterhin nicht über agentische Rechenschaftspflicht
Das dringendste Problem ist nicht mehr, ob Software Geld übertragen kann. Es ist die Frage, ob jede Zahlung vertrauenswürdige Belege für Befugnis und Verantwortung enthält.
Der traditionelle Onlinehandel geht davon aus, dass eine Person die Kaufsitzung kontrolliert. Betrugssysteme, Bestätigungsbildschirme, Belege, Streitfälle und Rückbuchungen beruhen alle auf dieser Annahme.
Ein autonomer Agent verändert diese Abfolge. Eine Person kann ein übergeordnetes Ziel vorgeben, während die Software Anbieter, Betrag, Zeitpunkt und Ressource auswählt, ohne für jede Transaktion eine Genehmigung einzuholen.
Diese Konstellation schafft mehrere Verantwortungsebenen. Der Nutzer definiert das Ziel, die Agentenplattform führt es aus, das Modell interpretiert es, die Wallet signiert und der Händler erfüllt die Anfrage.
Kauft der Agent die falsche Ressource, kann jeder Beteiligte auf andere verweisen. Der Nutzer könnte dem Modell die Schuld geben, die Plattform könnte sich auf delegierte Befugnisse berufen, und der Händler könnte sich auf eine gültige Signatur stützen.
Eine bösartige Anweisung kann einen schwierigeren Fall erzeugen. Prompt Injection tritt auf, wenn nicht vertrauenswürdige Inhalte ein KI-System dazu manipulieren, eine unbeabsichtigte Handlung auszuführen.
Ein Agent, der externe Ressourcen durchsucht, könnte auf Anweisungen stoßen, die dazu dienen, eine Zahlung umzuleiten. Eine gültige Blockchain-Abwicklung würde die Ausführung bestätigen, nicht die legitime Absicht.
Der IWF hat diese Spannung zwischen probabilistischen KI-Entscheidungen und deterministischen Zahlungssystemen hervorgehoben. Seine Zahlungsanalyse nennt Nachverfolgbarkeit der Autorisierung, Cybersicherheit, unklare Haftung und korreliertes automatisiertes Verhalten als neu entstehende Risiken.
Ausgabenlimits verringern das Risiko, belegen aber nicht, warum eine Transaktion erfolgte. Protokollierung verbessert die Untersuchung, doch die Protokolle müssen den Auftrag des Nutzers mit der Begründung des Agenten und der endgültigen Zahlung verbinden.
Identität schafft eine weitere Herausforderung. Eine Zahlungsadresse kann pseudonym sein, während ein Eintrag in einem öffentlichen Register freiwillig oder ungeprüft sein kann.
TRM argumentiert, dass agentischer Handel präzise Registrierung, Reputation von Gegenparteien und Monitoring benötigt, das für hohe Transaktionszahlen ausgelegt ist. Konventionelle Kontrollen konzentrieren sich häufig auf den Geldwert, weil menschliche Zahlungen seltener erfolgen.
Agentenzahlungen kehren dieses Muster um. Ein Agent kann viele kleine Überweisungen erzeugen, deren einzelne Werte unter vertrauten Prüfungsgrenzen bleiben.
Dieses Missverhältnis zwischen Volumen und Wert kann operative Probleme verbergen. Tausende fehlerhafte Mikrozahlen können unmittelbar nur geringen finanziellen Schaden verursachen und dennoch auf einen kompromittierten Agenten oder eine fehlerhafte Richtlinie hinweisen.
Die Branche braucht maschinenlesbare Mandate, die beschreiben, was ein Agent kaufen darf, von wem, innerhalb welcher Grenzen und wie lange. Diese Mandate müssen zudem widerrufbar sein.
Händler benötigen überprüfbare Agentenidentitäten und Belege dafür, dass der angeforderte Kauf dem Mandat entspricht. Betreiber benötigen Protokolle, die die Verbindung zwischen Absicht, Entscheidung, Autorisierung und Abwicklung bewahren.
Nutzer benötigen verständliche Kontrollen. Eine technische Wallet-Signatur bietet wenig Sicherheit, wenn die Person nicht sehen kann, welche Befugnisse erteilt wurden, oder sie nicht schnell stoppen kann.
Teams, die transagierende Agenten einsetzen, sollten auch eigene Nachweiswege bewahren. Durchsuchbare Aufzeichnungen über Prompts, Genehmigungen und Ergebnisse können komplexe KI-Workflows leichter überprüfbar machen.
Keine dieser Kontrollen beweist, dass die Nachfrage wachsen wird. Sie machen Experimente sicherer und Messungen glaubwürdiger.
Die Ebene der Rechenschaftspflicht wird darüber entscheiden, ob Agentenzahlungen über kontrollierte Entwicklerumgebungen hinausgehen. Ohne sie kann ein höheres Abwicklungsvolumen mehr Mehrdeutigkeit statt mehr Vertrauen schaffen.
Drei Signale werden zeigen, ob x402-Agentenzahlungen Realität werden
Die nächste Phase sollte anhand verifizierten Agentenverhaltens, unabhängiger Händlernachfrage und stärkerer Attribution beurteilt werden, nicht anhand roher Transaktionssummen.
Das erste Signal sind anhaltende Ausgaben über unabhängige Anbieter hinweg. Das strengere Modell von TRM behandelt Aktivitäten mit mehreren Anbietern bereits als stärkeren Hinweis auf Agentenschaft, weil sie auf Entdeckung und Auswahl hindeuten.
Künftige Daten sollten zeigen, ob registrierte Agenten über mehrere Monate hinweg wiederholt bei nicht verbundenen Anbietern einkaufen. Ein breiterer Händlermix würde die These stärken, dass Agenten kontextbezogene Entscheidungen treffen.
Konzentration würde sie schwächen. Wenn der Großteil des Werts weiterhin über einen Zahlungs-Contract, einen Router oder einen kleinen Cluster verbundener Adressen fließt, bleibt Infrastrukturaktivität nur schwer von echter Marktnachfrage zu trennen.
Das zweite Signal ist die Einführung überprüfbarer Mandate und Agentenidentitäten. Google’s AP2, Wallet-Anbieter, Register und Unternehmensplattformen nähern sich diesem Problem aus unterschiedlichen Richtungen.
Die entscheidende Entwicklung wird ein gemeinsamer Datensatz sein, der den Menschen oder die Organisation, den autorisierten Agenten, die zulässige Handlung und die daraus resultierende Abwicklung verbindet. Freiwillige Kennzeichnungen allein werden nicht ausreichen.
Ein bedeutender Anstieg authentifizierter Transaktionen würde die obere Schätzung von TRM stärken. Eine anhaltend niedrige Registrierung würde die derzeitige Unsicherheit bewahren, selbst wenn das Gesamtvolumen steigt.
Das dritte Signal sind Produktionsnachweise großer Plattformen. Die Zahlungen von Amazon’s AgentCore erreichten im August 2026 die allgemeine Verfügbarkeit und bieten Entwicklern damit einen verwalteten Weg zu transagierenden Agenten.
Die relevante Kennzahl ist nicht, wie viele Endpunkte in einem Katalog erscheinen. Entscheidend ist, ob externe Agenten unter durchgesetzten Budgets nützliche Ressourcen kaufen – mit niedrigen Fehlerraten und wiederkehrender Nachfrage.
Veröffentlichte Fallstudien sollten die Zahl unterschiedlicher externer Käufer, die Konzentration bei Verkäufern, wiederholte Nutzung, fehlgeschlagene Transaktionen und menschliche Eingriffe offenlegen. Diese Zahlen würden helfen, funktionale Demonstrationen von dauerhaftem Handel zu unterscheiden.
Auch der Verbrauchermarkt benötigt vergleichbare Klarheit. Ein Kauf, bei dem eine Person eine Bestätigungsschaltfläche drücken muss, bleibt wertvoll, gehört jedoch in eine andere Kategorie als autonomes Ausgeben.
Entwickler und Unternehmenskäufer sollten Anbieter fragen, welche Kategorie ihr Produkt unterstützt. Sie sollten außerdem fragen, wie der Anbieter KI-Entscheidungen von konventioneller Automatisierung unterscheidet.
Vorerst stützt die Forschung von TRM Labs zu KI-Agentenzahlungen eine zurückhaltende Schlussfolgerung. x402 hat gezeigt, dass software-native Abwicklung mit hoher Frequenz über öffentliche Blockchains funktionieren kann.
Sie hat nicht gezeigt, dass autonome KI-Agenten für den Großteil dieser Aktivität verantwortlich sind. Die beste verfügbare Schätzung beziffert ihren Anteil am geprüften x402-Handel auf 0,6 % bis 7,5 %.
Diese Lücke ist nicht bloß ein Streit um Bezeichnungen. Sie beeinflusst Investitionsentscheidungen, Händlerprioritäten, Sicherheitskontrollen und die Glaubwürdigkeit eines entstehenden Markts.
Die Rail funktioniert, doch der Käufer bleibt schwer zu identifizieren. Achten Sie in den nächsten Monaten auf Multi-Händler-Verhalten, überprüfbare delegierte Befugnisse und unabhängig gemeldete Produktionsnutzung.
Diese Signale werden zeigen, ob sich agentischer Handel von vorbereiteter Infrastruktur zu echter wirtschaftlicher Handlungsfähigkeit entwickelt. Bis dahin verdient jede große Transaktionssumme eine zweite Frage: Welche Belege zeigen, dass tatsächlich ein KI-Agent die Entscheidung getroffen hat?
