La investigación de TRM Labs sobre pagos de agentes de IA concluye que la narrativa de autonomía de x402 va por delante de la realidad
TRM Labs analizó 198,9 millones de liquidaciones de x402 y detectó un marcado conflicto entre la actividad de pagos y la autonomía real de la IA. Su investigación sobre pagos de agentes de IA estima que los agentes generaron solo entre el 0,6% y el 7,5% del comercio examinado por valor.
Ese rango cuestiona una de las narrativas más atractivas del comercio agéntico. Una blockchain puede demostrar que un software envió un pago, pero no puede demostrar si un modelo de IA eligió al comerciante, evaluó alternativas o actuó de forma independiente.
La distinción importa porque Coinbase, Amazon, Google, OpenAI, Stripe y las principales redes de pago están construyendo infraestructura en torno a las transacciones iniciadas por máquinas. Sus vías de pago funcionan cada vez mejor. La evidencia de que agentes autónomos usan esas vías a una escala comercial significativa sigue siendo mucho más limitada.
Los hallazgos de TRM no significan que el comercio agéntico haya fracasado. Muestran que la adopción de infraestructura, el volumen de pagos automatizados y la actividad económica inteligente son tres mediciones diferentes. Tratarlas como equivalentes crea una imagen distorsionada del mercado.
La investigación de TRM Labs sobre pagos de agentes de IA reduce a la mitad el volumen de los titulares
El hallazgo más importante de TRM no es que x402 carezca de actividad. Es que gran parte de esa actividad no puede considerarse comercio ordinario.
La empresa de inteligencia blockchain examinó facilitadores conocidos de x402 en Base, Solana y Polygon. Estos facilitadores verifican autorizaciones de pago firmadas, transmiten las liquidaciones y cubren la comisión de red de la blockchain.
El conjunto de datos contenía aproximadamente USD 52,7 millones repartidos en 198,9 millones de liquidaciones desde mayo de 2025. A primera vista, estas cifras describen una red establecida de pagos entre máquinas con una frecuencia transaccional considerable.
TRM filtró entonces los datos para eliminar actividad que no parecía comercio genuino. Sus filtros excluyeron direcciones que se pagaban a sí mismas, flujos masivos dominados por uno o dos pagadores y vendedores con menos de diez compradores distintos.
Esas exclusiones redujeron el probable conjunto de comercio a USD 25,62 millones. En otras palabras, aproximadamente la mitad del valor observado desapareció antes de que TRM siquiera intentara determinar si participaba un agente de IA.
El análisis onchain completo explica por qué este primer filtro es necesario. Los procesos programados, las pruebas de carga, las operaciones entre partes vinculadas, la actividad de tokens y el software convencional pueden generar liquidaciones x402 válidas.
Por tanto, un pago técnicamente exitoso solo responde a una pregunta limitada. Confirma que una dirección autorizó una transferencia conforme a las reglas del protocolo. No establece quién controlaba la dirección ni por qué ocurrió el pago.
TRM se enfrentó a un problema de atribución más difícil tras identificar el comercio probable. Un agente de IA y un script convencional pueden seguir exactamente la misma secuencia de pago. Sus transacciones pueden parecer idénticas en una blockchain pública.
La empresa abordó esa incertidumbre con dos modelos. Su modelo permisivo contó los pagos transmitidos por facilitadores, variables en valor y con un promedio inferior a un dólar.
El modelo estricto exigía que esos patrones continuaran durante varios meses. También requería un registro público de agente o pagos a más de un vendedor.
Aplicadas al conjunto de comercio examinado, esas pruebas produjeron la estimación de entre el 0,6% y el 7,5%. El amplio intervalo refleja la incertidumbre del método de clasificación, no un censo preciso de cada agente.
Esa salvedad es fundamental para la historia. TRM no afirma haber identificado cada pago autónomo. Está estimando un rango plausible a partir de señales de comportamiento que siguen siendo incompletas.
El estudio también concluyó que USDC dominó la liquidación. Aproximadamente USD 52,47 millones de USD 52,68 millones, o el 99,6%, utilizaron esa stablecoin en el análisis de activos sin restricciones.
Esta concentración facilita describir la actividad de x402 como un mercado de pagos con stablecoins. No hace que los compradores subyacentes sean más fáciles de clasificar como agentes inteligentes.
El resultado cambia el significado de las cifras destacadas de x402. Documentan demanda de pagos programables, pero no documentan de forma independiente demanda procedente de compradores autónomos de IA.
Por qué la actividad de x402 no demuestra el comercio agéntico
x402 puede hacer que un pago sea legible por máquinas sin hacer inteligente a la máquina que paga.
El protocolo adapta el código de estado HTTP 402, denominado “Payment Required”, a un paso de pago operativo. Un cliente solicita un recurso digital y el servidor responde con las condiciones de pago.
El cliente firma una autorización y repite la solicitud con esa prueba adjunta. Un facilitador verifica la autorización, liquida el pago onchain y devuelve evidencia de que el recurso puede entregarse.
Este diseño elimina la página de pago convencional. Permite que el software compre una respuesta de API, una consulta de datos, inferencia de modelos u otro servicio digital dentro de un flujo normal de solicitudes.
Ese mecanismo es útil para los agentes de IA porque mantiene el pago dentro de su ciclo de ejecución. Un agente no necesita abrir un navegador, completar un formulario de tarjeta ni pedir a una persona que apruebe cada pequeña compra.
Sin embargo, ninguno de esos pasos requiere razonamiento. Un desarrollador puede escribir software determinista que solicite el mismo endpoint según un calendario, pague la misma cantidad y almacene la respuesta.
Un sistema de pruebas de carga puede hacer lo mismo con una frecuencia mucho mayor. Un operador de servicios también puede generar autopagos o actividad promocional que incremente el número de transacciones sin representar demanda externa.
La clasificación de TRM utiliza la variación de precios como una señal de agencia. El razonamiento es que un agente que explora varios servicios debería encontrarse con precios distintos, mientras que un script que llama repetidamente a un endpoint suele pagar una cantidad fija.
Esta suposición es defendible, pero crea un punto ciego. Un agente legítimo de propósito único podría comprar repetidamente el mismo servicio al mismo precio. El modelo de TRM podría clasificar esa actividad como automatización convencional.
También es posible el error opuesto. Un script puede alternar endpoints, variar los importes de las transacciones o imitar un patrón de pagos exploratorio sin utilizar un modelo de IA.
Los datos de blockchain por sí solos no pueden resolver ese problema. La cadena registra direcciones, activos, importes, marcas de tiempo e interacciones con contratos. No registra una explicación fiable del proceso de decisión detrás de cada autorización.
Los registros públicos de agentes ofrecen otra señal, pero el registro sigue siendo voluntario. El propietario de una wallet puede declarar que una dirección pertenece a un agente, aunque esa declaración no sea verificable de forma independiente.
TRM indicó que la mayoría de los participantes no utiliza actualmente estos registros. Eso deja a los investigadores sin una capa de identidad coherente que conecte wallets con agentes, operadores, modelos o usuarios delegantes.
El problema analítico se parece al tráfico web automatizado. Un servidor puede observar que una máquina solicitó una página, pero se necesita evidencia adicional para distinguir entre un rastreador de búsqueda, un bot malicioso, una herramienta de pruebas y un asistente de IA.
Los pagos elevan el nivel de exigencia porque la clasificación afecta la supervisión del fraude, el control de sanciones, las disputas y la responsabilidad. Una etiqueta equivocada tiene consecuencias mayores cuando el software puede mover fondos a velocidad de máquina.
Por tanto, los hallazgos de x402 ponen de manifiesto una brecha de medición. El mercado dispone de datos fiables de liquidación, pero carece de datos de atribución igual de fiables.
Esa brecha explica por qué los totales de transacciones no deben sustituir a las métricas de adopción. El comercio agéntico real exige evidencia de autoridad delegada, selección orientada a objetivos y una compra económicamente significativa.
El verdadero adversario es la promesa del comercio agéntico
El conflicto principal no es x402 frente a las redes de tarjetas. Es la promesa del comercio autónomo frente a la evidencia de automatización ordinaria.
Las empresas tecnológicas han pasado más de un año reuniendo las piezas necesarias para que los agentes compren y paguen. Esas inversiones son reales, incluso si los datos de transacciones actuales no demuestran una adopción amplia.
Google presentó su Agent Payments Protocol, o AP2, en septiembre de 2025. AP2 proporciona un marco compartido para comunicar la autoridad del usuario, la intención de compra y la rendición de cuentas entre agentes, comerciantes y proveedores de pagos.
El marco AP2 se lanzó con el apoyo de más de 60 organizaciones tecnológicas, minoristas y financieras. También incluyó una extensión x402 para pagos de agentes basados en criptomonedas.
OpenAI y Stripe adoptaron una vía orientada al consumidor con el Agentic Commerce Protocol. Su experiencia inicial de Instant Checkout mantuvo a una persona involucrada en la confirmación de la compra, aunque ChatGPT gestionara el descubrimiento de productos y la comunicación con el comerciante.
Ese protocolo de pago ilustra una diferencia importante. El comercio asistido por IA puede ser comercialmente relevante sin otorgar a un modelo autonomía total de gasto.
El usuario sigue confirmando el artículo, la información de envío y los datos de pago. El comerciante sigue siendo responsable de aceptar el pedido, procesar el pago, cumplirlo y atender al cliente.
Amazon ha avanzado más en las compras autónomas mediante software. Los pagos de Amazon Bedrock AgentCore entraron en vista previa en mayo de 2026 y estuvieron disponibles de forma general en agosto.
El servicio permite a los desarrolladores conectar wallets compatibles, establecer límites de gasto y permitir que los agentes paguen por API, servidores de Model Context Protocol, contenido y otros recursos digitales. Model Context Protocol, o MCP, es un estándar para conectar sistemas de IA con herramientas y datos externos.
Según el lanzamiento de AgentCore, la infraestructura puede negociar pagos x402, aplicar límites y registrar la actividad transaccional. Estos controles se dirigen a preocupaciones empresariales que el acceso directo a wallets no puede resolver por sí solo.
Estos lanzamientos demuestran un fuerte compromiso por el lado de la oferta. Las grandes empresas están creando protocolos, mecanismos de identidad, wallets, conexiones con comerciantes y controles de gobernanza antes de que la demanda autónoma resulte fácil de medir.
Esa secuencia es habitual en los mercados de infraestructura. Los desarrolladores necesitan vías fiables antes de poder crear aplicaciones, mientras que los proveedores de pagos necesitan aplicaciones creíbles antes de que el volumen de transacciones adquiera relevancia económica.
El riesgo surge al confundir preparación con adopción. Un protocolo puede admitir compras autónomas incluso cuando la mayoría de los usuarios actuales son scripts, pruebas o servicios programados de forma limitada.
Los resultados de TRM presionan a los proveedores de infraestructura para que informen con mejores pruebas. El número de transacciones y el valor liquidado ya no aportan suficiente contexto cuando la misma vía presta servicio a agentes, automatización convencional y actividad anómala.
Una información útil separaría el comercio externo de los flujos autogenerados. También distinguiría entre compras asistidas por IA, pagos deterministas de máquinas y decisiones autónomas orientadas a objetivos.
Ese nivel de clasificación es difícil, pero necesario. De lo contrario, el comercio agéntico corre el riesgo de convertirse en una etiqueta aplicada a cualquier pago generado por software.
La interpretación optimista es que las empresas están construyendo antes de que llegue la demanda. La interpretación escéptica es que el mercado ha desarrollado una infraestructura sofisticada para compradores que rara vez aparecen.
Ambas lecturas encajan con los hechos disponibles. La siguiente etapa depende de que los desarrolladores desplieguen agentes que descubran y compren recursos entre una gama significativa de vendedores independientes.
Los pagos de agentes explicados por lo que los modelos no pueden ver
El rango de TRM es valioso porque hace visible la incertidumbre, pero sus pruebas de comportamiento no pueden ofrecer una atribución definitiva.
Los modelos permisivo y estricto establecen límites, no una respuesta final. Este enfoque es más creíble que presentar cada liquidación x402 como actividad de agentes.
Aun así, las estimaciones inferior y superior dependen de supuestos sobre cómo deberían comportarse los agentes inteligentes. Los agentes que exploran varios vendedores y encuentran precios variables encajan más fácilmente en el modelo.
Los agentes especializados encajan con menor comodidad. Pensemos en un agente de investigación automatizado que compra el mismo conjunto de datos especializado cada mañana. Podría evaluar las condiciones actuales, decidir que la compra sigue siendo útil y pagar repetidamente al mismo proveedor.
Su patrón onchain podría parecerse al de un script programado. El trabajo inteligente podría realizarse antes del pago, mientras que la liquidación en sí permanece uniforme.
Un script más elaborado puede crear la impresión opuesta. Podría elegir entre varios proveedores mediante reglas fijas, generar pagos variables y mantenerse activo durante meses.
Ese sistema podría cumplir varios filtros de comportamiento sin utilizar IA generativa. Una clasificación basada en transacciones exageraría la participación de agentes autónomos.
TRM reconoce esta limitación. Su informe indica que la prueba de variación de precios podría subestimar a los agentes de propósito único que pagan repetidamente por un servicio.
La ventana de medición crea otra limitación. x402 respalda principalmente pagos nativos de máquina para recursos digitales. No captura todas las compras con tarjeta iniciadas o asistidas por un producto de IA.
Visa y Artemis describen una distinción entre comercio macro y microcomercio. El comercio macro incluye compras conocidas, como viajes o suscripciones, en las que un agente actúa para una persona mediante los sistemas existentes de los comercios.
El microcomercio abarca pequeños pagos de software a software por API, cómputo o datos. Estos pagos pueden producirse con frecuencia y quedar por debajo de la viabilidad económica de las transacciones convencionales con tarjeta.
Su investigación sobre pagos informó de una actividad x402 ajustada de aproximadamente 15 millones de USD en 109,6 millones de transacciones al 21 de abril de 2026. Los distintos totales y fechas muestran por qué la metodología importa al comparar estudios.
TRM utilizó un período de observación posterior y facilitadores conocidos en tres redes. También aplicó sus propios filtros de comercio y agencia. Las cifras resultantes no deben combinarse como si midieran una población idéntica.
Ninguno de los conjuntos de datos captura todas las formas de compra respaldada por IA. Un consumidor podría pedir a ChatGPT que compare productos y luego completar la compra manualmente en el sitio web de un minorista.
Esa transacción refleja influencia de la IA, pero no gasto autónomo. Llamarla comercio agéntico difuminaría el descubrimiento de productos, la recomendación, la asistencia durante el pago y la compra delegada.
La distinción importa a los comercios. Las referencias generadas por IA pueden afectar qué productos consideran los clientes, incluso cuando el pago final ocurre mediante un proceso de compra convencional.
Los proveedores de infraestructura de pagos se enfrentan a una pregunta distinta. Necesitan saber cuándo el software tiene autoridad para iniciar una transacción y quién asume la responsabilidad si el resultado infringe las instrucciones del usuario.
Por ello, los investigadores necesitan varias métricas, no una sola. Entre las categorías útiles se incluyen el descubrimiento asistido por agentes, el pago confirmado por humanos, las compras deterministas realizadas por máquinas y el gasto autónomo orientado a objetivos.
Esta clasificación también mejoraría las comparaciones entre los sistemas de tarjeta y stablecoins. Evitaría que las decisiones de infraestructura se confundieran con distintos niveles de inteligencia.
Hasta que existan estas mediciones, el rango de TRM debe leerse como una estimación acotada del comportamiento x402 visible. No es un veredicto sobre cada compra mediada por IA en internet.
Las infraestructuras de pago operativas aún carecen de responsabilidad agéntica
El problema más urgente ya no es si el software puede transferir dinero. Es si cada pago incorpora evidencia confiable de autoridad y responsabilidad.
El comercio electrónico tradicional presupone que una persona controla la sesión de compra. Los sistemas antifraude, las pantallas de confirmación, los recibos, las disputas y los contracargos se basan en ese supuesto.
Un agente autónomo cambia la secuencia. Una persona puede otorgar un objetivo amplio, mientras el software elige al vendedor, el importe, el momento y el recurso sin solicitar aprobación para cada transacción.
Este esquema crea varias capas de responsabilidad. El usuario define el objetivo, la plataforma de agentes lo ejecuta, el modelo lo interpreta, la cartera firma y el comercio atiende la solicitud.
Si el agente compra el recurso equivocado, cada participante puede señalar a otro. El usuario podría culpar al modelo, la plataforma podría invocar autoridad delegada y el comercio podría basarse en una firma válida.
Una instrucción maliciosa puede crear un caso más difícil. La inyección de prompts ocurre cuando contenido no confiable manipula un sistema de IA para que realice una acción no deseada.
Un agente que navega recursos externos podría encontrar instrucciones diseñadas para redirigir un pago. Una liquidación válida en blockchain confirmaría la ejecución, no la intención legítima.
El FMI ha destacado esta tensión entre las decisiones probabilísticas de la IA y los sistemas de pago deterministas. Su evaluación de pagos identifica la trazabilidad de la autorización, la ciberseguridad, la responsabilidad poco clara y el comportamiento automatizado correlacionado como riesgos emergentes.
Los límites de gasto reducen la exposición, pero no establecen por qué ocurrió una transacción. El registro mejora la investigación, pero los registros deben conectar el mandato del usuario con el razonamiento del agente y el pago final.
La identidad plantea otro desafío. Una dirección de pago puede ser seudónima, mientras que una entrada en un registro público puede ser voluntaria o no verificada.
TRM sostiene que el comercio agéntico necesita un registro preciso, reputación de contraparte y supervisión diseñada para altos volúmenes de transacciones. Los controles convencionales suelen centrarse en el valor monetario porque los pagos humanos son menos frecuentes.
Los pagos de agentes invierten ese patrón. Un solo agente puede generar muchas transferencias pequeñas cuyos valores individuales permanecen por debajo de los umbrales habituales de revisión.
Este desajuste entre volumen y valor puede ocultar problemas operativos. Miles de micropagos incorrectos pueden causar poco daño financiero inmediato, al tiempo que revelan un agente comprometido o una política defectuosa.
La industria necesita mandatos legibles por máquina que describan qué puede comprar un agente, a quién, dentro de qué límites y durante cuánto tiempo. Esos mandatos también deben poder revocarse.
Los comercios necesitan identidades de agentes verificables y evidencia de que la compra solicitada se ajusta al mandato. Los operadores necesitan registros que preserven la conexión entre intención, decisión, autorización y liquidación.
Los usuarios necesitan controles comprensibles. Una firma técnica de cartera ofrece poca tranquilidad si la persona no puede ver qué autoridad se concedió o detenerla rápidamente.
Los equipos que adopten agentes que realizan transacciones también deberían conservar sus propios rastros de evidencia. Los registros consultables de prompts, aprobaciones y resultados pueden facilitar la revisión de flujos de trabajo de IA complejos.
Ninguno de estos controles demuestra que la demanda crecerá. Hacen que la experimentación sea más segura y que la medición sea más creíble.
La capa de responsabilidad determinará si los pagos de agentes avanzan más allá de entornos de desarrollo controlados. Sin ella, un mayor volumen de liquidaciones puede generar más ambigüedad en lugar de más confianza.
Tres señales mostrarán si los pagos de agentes x402 se están convirtiendo en realidad
La siguiente fase debe juzgarse por el comportamiento verificado de los agentes, la demanda independiente de los comercios y una atribución más sólida, no por los totales brutos de transacciones.
La primera señal es un gasto sostenido entre vendedores independientes. El modelo más estricto de TRM ya considera la actividad con múltiples vendedores como evidencia más sólida de agencia porque sugiere descubrimiento y selección.
Los datos futuros deberían mostrar si los agentes registrados compran repetidamente a proveedores no relacionados durante varios meses. Una combinación más amplia de comercios reforzaría la idea de que los agentes toman decisiones contextuales.
La concentración la debilitaría. Si la mayor parte del valor sigue fluyendo por un contrato de pago, un router o un pequeño grupo de direcciones relacionadas, la actividad de infraestructura seguirá siendo difícil de separar de la demanda real del mercado.
La segunda señal es la adopción de mandatos verificables e identidades de agentes. AP2 de Google, los proveedores de carteras, los registros y las plataformas empresariales abordan este problema desde direcciones diferentes.
El avance decisivo será un registro común que conecte a la persona u organización, el agente autorizado, la acción permitida y la liquidación resultante. Las etiquetas voluntarias por sí solas no bastarán.
Un aumento significativo de las transacciones autenticadas reforzaría la estimación superior de TRM. Un registro persistentemente bajo mantendría la incertidumbre actual, incluso si el volumen total aumenta.
La tercera señal es la evidencia de producción de grandes plataformas. Los pagos de AgentCore de Amazon alcanzaron la disponibilidad general en agosto de 2026, ofreciendo a los desarrolladores una vía gestionada hacia los agentes que realizan transacciones.
La métrica relevante no es cuántos endpoints aparecen en un catálogo. Es si agentes externos compran recursos útiles bajo presupuestos aplicados, con bajas tasas de error y demanda recurrente.
Los estudios de caso publicados deberían revelar el número de compradores externos distintos, la concentración de vendedores, el uso recurrente, las transacciones fallidas y la intervención humana. Estas cifras ayudarían a separar las demostraciones funcionales del comercio duradero.
El comercio de consumo necesita una claridad similar. Una compra que exige que una persona pulse un botón de confirmación sigue siendo valiosa, pero pertenece a una categoría diferente del gasto autónomo.
Los desarrolladores y compradores empresariales deberían preguntar a los proveedores qué categoría admite su producto. También deberían preguntar cómo distingue el proveedor las decisiones de IA de la automatización convencional.
Por ahora, la investigación de TRM Labs sobre pagos de agentes de IA respalda una conclusión prudente. x402 ha demostrado que la liquidación nativa de software puede operar a alta frecuencia en blockchains públicas.
No ha demostrado que los agentes de IA autónomos representen la mayor parte de esa actividad. La mejor estimación disponible sitúa su participación en el comercio x402 analizado entre el 0,6 % y el 7,5 %.
Esta diferencia no es solo una disputa de marketing. Afecta las decisiones de inversión, las prioridades de los comercios, los controles de seguridad y la credibilidad de un mercado emergente.
La infraestructura funciona, pero el comprador sigue siendo difícil de identificar. Durante los próximos meses, observe el comportamiento entre múltiples comercios, la autoridad delegada verificable y el uso en producción informado de forma independiente.
Estas señales revelarán si el comercio agéntico está pasando de una infraestructura preparada a una verdadera agencia económica. Hasta entonces, cada gran total de transacciones merece una segunda pregunta: ¿qué evidencia demuestra que un agente de IA realmente tomó la decisión?
