La recherche de TRM Labs sur les paiements des agents IA conclut que le récit d’autonomie de x402 devance la réalité
TRM Labs a analysé 198,9 millions de règlements x402 et constaté un fort décalage entre l’activité de paiement et l’autonomie réelle des IA. Sa recherche sur les paiements des agents IA estime que les agents n’ont généré que 0,6 % à 7,5 % du commerce filtré en valeur.
Cette fourchette remet en question l’un des récits les plus séduisants du commerce agentique. Une blockchain peut montrer qu’un logiciel a envoyé un paiement, mais elle ne peut pas indiquer si un modèle d’IA a choisi le marchand, évalué des alternatives ou agi de manière indépendante.
Cette distinction importe, car Coinbase, Amazon, Google, OpenAI, Stripe et de grands réseaux de paiement construisent des infrastructures autour de transactions initiées par des machines. Leurs infrastructures fonctionnent de plus en plus. Les preuves que des agents autonomes les utilisent à une échelle commerciale significative restent bien plus limitées.
Les conclusions de TRM ne signifient pas que le commerce agentique a échoué. Elles montrent que l’adoption des infrastructures, le volume de paiements automatisés et l’activité économique intelligente sont trois mesures différentes. Les traiter comme interchangeables donne une image déformée du marché.
La recherche de TRM Labs sur les paiements des agents IA réduit de moitié le volume mis en avant
La conclusion la plus importante de TRM n’est pas que x402 manque d’activité. C’est qu’une grande partie de cette activité ne peut pas être considérée comme du commerce ordinaire.
L’entreprise d’intelligence blockchain a examiné des facilitateurs x402 connus sur Base, Solana et Polygon. Ces facilitateurs vérifient les autorisations de paiement signées, diffusent les règlements et prennent en charge les frais du réseau blockchain.
L’ensemble de données comptait environ 52,7 millions de dollars américains répartis sur 198,9 millions de règlements depuis mai 2025. À première vue, ces chiffres décrivent un réseau établi de paiements machine à machine, avec une fréquence transactionnelle considérable.
TRM a ensuite filtré les données pour retirer les activités qui ne ressemblaient pas à du commerce réel. Ses critères ont exclu les adresses qui se payaient elles-mêmes, les flux de masse dominés par un ou deux payeurs, et les vendeurs comptant moins de dix acheteurs distincts.
Ces exclusions ont ramené le bassin de commerce probable à 25,62 millions de dollars américains. Autrement dit, environ la moitié de la valeur observée a disparu avant même que TRM tente de déterminer si un agent IA était impliqué.
L’analyse onchain complète explique pourquoi ce premier filtrage est nécessaire. Des processus planifiés, des tests de charge, des opérations entre parties liées, l’activité liée aux jetons et des logiciels classiques peuvent tous générer des règlements x402 valides.
Un paiement techniquement réussi ne répond donc qu’à une question limitée. Il confirme qu’une adresse a autorisé un transfert selon les règles du protocole. Il n’établit pas qui contrôlait l’adresse ni pourquoi le paiement a eu lieu.
TRM a été confronté à un problème d’attribution plus difficile après avoir identifié le commerce probable. Un agent IA et un script conventionnel peuvent suivre exactement la même séquence de paiement. Leurs transactions peuvent sembler identiques sur une blockchain publique.
L’entreprise a traité cette incertitude à l’aide de deux modèles. Son modèle permissif a comptabilisé les paiements diffusés par un facilitateur, variables en valeur et inférieurs à un dollar en moyenne.
Le modèle strict exigeait que ces schémas se poursuivent sur plusieurs mois. Il exigeait également soit un enregistrement public de l’agent, soit des paiements à plus d’un vendeur.
Appliqués au bassin de commerce filtré, ces tests ont produit l’estimation de 0,6 % à 7,5 %. Ce large intervalle reflète l’incertitude de la méthode de classification, et non un recensement précis de chaque agent.
Cette réserve est au cœur du sujet. TRM ne prétend pas avoir identifié chaque paiement autonome. L’entreprise estime une fourchette plausible à partir de signaux comportementaux qui restent incomplets.
L’étude a également constaté que l’USDC dominait les règlements. Environ 52,47 millions de dollars américains sur 52,68 millions, soit 99,6 %, utilisaient ce stablecoin dans l’analyse d’actifs non restreinte.
Cette concentration facilite la description de l’activité x402 comme un marché de paiements en stablecoins. Elle ne facilite pas la classification des acheteurs sous-jacents comme agents intelligents.
Le résultat modifie la signification des chiffres mis en avant par x402. Ils documentent une demande de paiements programmables, mais ne documentent pas indépendamment une demande provenant d’acheteurs IA autonomes.
Pourquoi l’activité x402 ne prouve pas le commerce agentique
x402 peut rendre un paiement lisible par machine sans rendre la machine qui paie intelligente.
Le protocole adapte le code d’état HTTP 402, intitulé « Payment Required », en une étape de paiement opérationnelle. Un client demande une ressource numérique, et le serveur répond avec des conditions de paiement.
Le client signe une autorisation et répète la requête avec cette preuve jointe. Un facilitateur vérifie l’autorisation, règle le paiement onchain et renvoie une preuve que la ressource peut être livrée.
Cette conception supprime la page de paiement conventionnelle. Elle permet à un logiciel d’acheter une réponse d’API, une requête de données, une inférence de modèle ou un autre service numérique dans un flux de requête normal.
Ce mécanisme est utile pour les agents IA, car il maintient le paiement dans leur boucle d’exécution. Un agent n’a pas besoin d’ouvrir un navigateur, de remplir un formulaire de carte ou de demander à un humain d’approuver chaque petit achat.
Cependant, aucune de ces étapes n’exige de raisonnement. Un développeur peut écrire un logiciel déterministe qui sollicite le même endpoint selon un calendrier, paie le même montant et stocke la réponse.
Un système de tests de charge peut faire la même chose à une fréquence bien plus élevée. Un opérateur de service peut également générer des autopaiements ou une activité promotionnelle qui accroît le nombre de transactions sans représenter une demande externe.
La classification de TRM utilise la variation des prix comme un signe d’agentivité. Le raisonnement est qu’un agent explorant plusieurs services devrait rencontrer des prix différents, tandis qu’un script appelant à répétition un endpoint paie souvent un montant fixe.
Cette hypothèse est défendable, mais elle crée un angle mort. Un agent légitime à vocation unique pourrait acheter à répétition le même service au même prix. Le modèle de TRM pourrait classer cette activité comme une automatisation conventionnelle.
L’erreur inverse est également possible. Un script peut alterner entre plusieurs endpoints, varier les montants des transactions ou imiter un schéma de paiement exploratoire sans utiliser de modèle d’IA.
Les données blockchain seules ne peuvent pas résoudre ce problème. La chaîne enregistre des adresses, des actifs, des montants, des horodatages et des interactions avec des contrats. Elle n’enregistre pas d’explication fiable du processus de décision derrière chaque autorisation.
Les registres publics d’agents offrent un autre signal, mais l’enregistrement reste volontaire. Le propriétaire d’un wallet peut déclarer qu’une adresse appartient à un agent, mais cette déclaration peut ne pas être vérifiée de manière indépendante.
TRM a indiqué que la plupart des participants n’utilisent pas actuellement ces registres. Les chercheurs ne disposent donc pas d’une couche d’identité cohérente reliant les wallets aux agents, aux opérateurs, aux modèles ou aux utilisateurs délégants.
Le problème analytique ressemble à celui du trafic web automatisé. Un serveur peut constater qu’une machine a demandé une page, mais des éléments supplémentaires sont nécessaires pour distinguer un crawler de recherche, un bot malveillant, un outil de test et un assistant IA.
Les paiements augmentent les enjeux, car la classification influence la surveillance de la fraude, le contrôle des sanctions, les litiges et la responsabilité. Une étiquette erronée a davantage de conséquences lorsqu’un logiciel peut déplacer des fonds à la vitesse d’une machine.
Les conclusions concernant x402 révèlent donc une lacune de mesure. Le marché dispose de données de règlement fiables, mais il ne possède pas de données d’attribution tout aussi fiables.
Cette lacune explique pourquoi les totaux de transactions ne devraient pas servir de substitut aux indicateurs d’adoption. Un véritable commerce agentique exige des preuves d’autorité déléguée, de sélection orientée vers un objectif et d’un achat économiquement significatif.
Le véritable adversaire est la promesse du commerce agentique
Le conflit principal n’oppose pas x402 aux réseaux de cartes. Il oppose la promesse du commerce autonome aux preuves d’une automatisation ordinaire.
Les entreprises technologiques ont passé plus d’un an à assembler les éléments nécessaires pour que des agents puissent faire des achats et payer. Ces investissements sont réels, même si les données transactionnelles actuelles ne prouvent pas une adoption généralisée.
Google a introduit son Agent Payments Protocol, ou AP2, en septembre 2025. AP2 fournit un cadre partagé pour communiquer l’autorité de l’utilisateur, l’intention d’achat et la responsabilité entre les agents, les marchands et les fournisseurs de paiement.
Le cadre AP2 a été lancé avec le soutien de plus de 60 organisations technologiques, commerciales et financières. Il incluait également une extension x402 pour les paiements d’agents basés sur les cryptomonnaies.
OpenAI et Stripe ont adopté une approche orientée consommateur avec l’Agentic Commerce Protocol. Leur première expérience Instant Checkout maintenait l’intervention d’une personne pour confirmer l’achat, même si ChatGPT gérait la découverte de produits et la communication avec le marchand.
Ce protocole de paiement illustre une différence importante. Le commerce assisté par IA peut être commercialement pertinent sans accorder à un modèle une autonomie totale de dépense.
L’utilisateur confirme toujours l’article, les informations de livraison et les détails de paiement. Le marchand reste responsable de l’acceptation de la commande, du traitement du paiement, de son exécution et du support client.
Amazon est allé plus loin dans les achats logiciels autonomes. Les paiements Amazon Bedrock AgentCore sont entrés en préversion en mai 2026 et sont devenus généralement disponibles en août.
Le service permet aux développeurs de connecter des wallets pris en charge, de fixer des limites de dépenses et d’autoriser des agents à payer pour des API, des serveurs Model Context Protocol, du contenu et d’autres ressources numériques. Model Context Protocol, ou MCP, est une norme permettant de connecter des systèmes d’IA à des outils et données externes.
Selon la publication AgentCore, l’infrastructure peut négocier des paiements x402, appliquer des limites et enregistrer l’activité transactionnelle. Ces contrôles répondent à des préoccupations d’entreprise que le simple accès à un wallet ne peut pas résoudre seul.
Ces lancements démontrent un fort engagement du côté de l’offre. De grandes entreprises créent des protocoles, des mécanismes d’identité, des wallets, des connexions avec les marchands et des contrôles de gouvernance avant que la demande autonome ne devienne facile à mesurer.
Cette séquence est courante dans les marchés d’infrastructure. Les développeurs ont besoin d’infrastructures fiables avant de pouvoir créer des applications, tandis que les fournisseurs de paiement ont besoin d’applications crédibles avant que le volume transactionnel ne devienne économiquement significatif.
Le risque vient de la confusion entre préparation et adoption. Un protocole peut prendre en charge des achats autonomes même lorsque la plupart des utilisateurs actuels sont des scripts, des tests ou des services programmés de manière limitée.
Les résultats de TRM font pression sur les fournisseurs d’infrastructure pour qu’ils communiquent de meilleures preuves. Le nombre de transactions et la valeur réglée ne fournissent plus suffisamment de contexte lorsque la même infrastructure sert des agents, de l’automatisation ordinaire et des activités anormales.
Des rapports utiles sépareraient le commerce externe des flux auto-générés. Ils distingueraient également les achats assistés par IA, les paiements machine déterministes et les décisions autonomes orientées vers un objectif.
Ce niveau de classification est difficile, mais nécessaire. Sans cela, le commerce agentique risque de devenir une étiquette appliquée à tout paiement généré par un logiciel.
L’interprétation optimiste est que les entreprises construisent en anticipation de la demande. L’interprétation sceptique est que le marché a développé une plomberie sophistiquée pour des acheteurs qui arrivent rarement.
Les deux lectures correspondent aux faits disponibles. La prochaine étape dépendra de la capacité des développeurs à déployer des agents qui découvrent et achètent des ressources auprès d’un éventail significatif de vendeurs indépendants.
Les paiements par agents expliqués par ce que les modèles ne peuvent pas voir
La fourchette de TRM est précieuse car elle rend l’incertitude visible, mais ses tests comportementaux ne peuvent pas fournir une attribution définitive.
Les modèles permissif et strict créent des limites plutôt qu’une réponse définitive. Cette approche est plus crédible que de présenter chaque règlement x402 comme une activité d’agent.
Néanmoins, les estimations basse et haute dépendent d’hypothèses sur la manière dont les agents intelligents devraient se comporter. Les agents qui explorent plusieurs vendeurs et rencontrent des prix variables correspondent plus facilement au modèle.
Les agents spécialisés s’y adaptent moins aisément. Prenons l’exemple d’un agent de recherche automatisé qui achète chaque matin le même jeu de données spécialisé. Il pourrait évaluer les conditions du moment, décider que l’achat reste utile et payer régulièrement le même fournisseur.
Son schéma onchain pourrait ressembler à celui d’un script planifié. Le travail intelligent pourrait avoir lieu avant le paiement, tandis que le règlement lui-même resterait uniforme.
Un script plus élaboré peut créer l’impression inverse. Il pourrait sélectionner plusieurs fournisseurs selon des règles fixes, produire des paiements variables et rester actif pendant des mois.
Ce système pourrait satisfaire plusieurs critères comportementaux sans utiliser d’IA générative. Une classification fondée sur les transactions surestimerait la participation d’agents autonomes.
TRM reconnaît cette limite. Son rapport indique que le test de variation des prix peut sous-estimer les agents à usage unique qui paient régulièrement le même service.
La fenêtre de mesure crée une autre contrainte. x402 prend principalement en charge les paiements natifs aux machines pour des ressources numériques. Il ne capture pas tous les achats par carte initiés ou assistés par un produit d’IA.
Visa et Artemis décrivent une distinction entre le commerce macro et le commerce micro. Le commerce macro comprend les achats familiers, tels que les voyages ou les abonnements, dans lesquels un agent agit pour une personne via les systèmes marchands existants.
Le commerce micro couvre les petits paiements de logiciel à logiciel pour des API, du calcul ou des données. Ces paiements peuvent être fréquents et se situer sous le seuil économique des transactions conventionnelles par carte.
Leur recherche sur les paiements faisait état d’une activité x402 ajustée d’environ 15 millions USD pour 109,6 millions de transactions au 21 avril 2026. Les totaux et les dates différents montrent pourquoi la méthodologie compte lors de la comparaison d’études.
TRM a utilisé une période d’observation plus tardive et des facilitateurs connus sur trois réseaux. Il a également appliqué ses propres critères de commerce et d’autonomie. Les chiffres obtenus ne doivent pas être combinés comme s’ils mesuraient une population identique.
Aucun des deux ensembles de données ne capture toutes les formes d’achats assistés par l’IA. Un consommateur pourrait demander à ChatGPT de comparer des produits, puis finaliser manuellement l’achat sur le site web d’un détaillant.
Cette transaction reflète l’influence de l’IA, mais pas une dépense autonome. La qualifier de commerce agentique brouillerait la distinction entre découverte de produits, recommandation, assistance au paiement et achat délégué.
Cette distinction compte pour les commerçants. Les recommandations générées par l’IA peuvent influencer les produits envisagés par les clients, même lorsque le paiement final s’effectue via un processus de paiement classique.
Les fournisseurs d’infrastructures de paiement font face à une autre question. Ils doivent savoir quand un logiciel a l’autorité d’initier une transaction et qui assume la responsabilité si le résultat enfreint les instructions de l’utilisateur.
Les chercheurs ont donc besoin de plusieurs indicateurs, et non d’un seul. Les catégories utiles comprennent la découverte assistée par agent, le paiement confirmé par un humain, les achats déterministes effectués par des machines et les dépenses autonomes orientées vers un objectif.
Cette classification améliorerait également les comparaisons entre systèmes de cartes et de stablecoins. Elle empêcherait de confondre des choix d’infrastructure avec des niveaux d’intelligence différents.
Tant que ces mesures n’existent pas, la fourchette de TRM doit être lue comme une estimation encadrée du comportement x402 visible. Elle ne constitue pas un verdict sur chaque achat médiatisé par l’IA sur Internet.
Les rails de paiement opérationnels manquent encore de responsabilité agentique
Le problème le plus urgent n’est plus de savoir si un logiciel peut transmettre de l’argent. Il s’agit de savoir si chaque paiement s’accompagne de preuves fiables d’autorité et de responsabilité.
Le commerce en ligne traditionnel suppose qu’une personne contrôle la session d’achat. Les systèmes antifraude, écrans de confirmation, reçus, litiges et rétrofacturations reposent tous sur cette hypothèse.
Un agent autonome modifie cette séquence. Une personne peut accorder un objectif général, tandis qu’un logiciel choisit le vendeur, le montant, le moment et la ressource sans demander d’approbation pour chaque transaction.
Cette organisation crée plusieurs niveaux de responsabilité. L’utilisateur définit l’objectif, la plateforme d’agent l’exécute, le modèle l’interprète, le portefeuille signe et le commerçant honore la demande.
Si l’agent achète la mauvaise ressource, chaque participant peut renvoyer la responsabilité ailleurs. L’utilisateur peut blâmer le modèle, la plateforme peut invoquer l’autorité déléguée et le commerçant peut s’appuyer sur une signature valide.
Une instruction malveillante peut créer un cas plus difficile. L’injection de prompt survient lorsqu’un contenu non fiable manipule un système d’IA afin qu’il entreprenne une action non intentionnelle.
Un agent parcourant des ressources externes pourrait rencontrer des instructions conçues pour rediriger un paiement. Un règlement blockchain valide confirmerait l’exécution, et non l’intention légitime.
Le FMI a souligné cette tension entre les décisions probabilistes de l’IA et les systèmes de paiement déterministes. Son évaluation des paiements identifie la traçabilité de l’autorisation, la cybersécurité, la responsabilité floue et les comportements automatisés corrélés comme des risques émergents.
Les plafonds de dépenses réduisent l’exposition, mais ils n’établissent pas pourquoi une transaction a eu lieu. La journalisation améliore l’enquête, mais les journaux doivent relier le mandat de l’utilisateur au raisonnement de l’agent et au paiement final.
L’identité constitue un autre défi. Une adresse de paiement peut être pseudonyme, tandis qu’une inscription dans un registre public peut être volontaire ou non vérifiée.
TRM soutient que le commerce agentique nécessite un enregistrement précis, une réputation des contreparties et une surveillance conçue pour des volumes élevés de transactions. Les contrôles conventionnels se concentrent souvent sur la valeur monétaire, car les paiements humains sont moins fréquents.
Les paiements par agents inversent ce schéma. Un seul agent peut générer de nombreux petits transferts dont les valeurs individuelles restent sous les seuils de contrôle habituels.
Ce décalage entre volume et valeur peut masquer des problèmes opérationnels. Des milliers de micropaiements incorrects peuvent causer peu de dommages financiers immédiats tout en révélant un agent compromis ou une politique défectueuse.
Le secteur a besoin de mandats lisibles par machine qui décrivent ce qu’un agent peut acheter, auprès de qui, dans quelles limites et pendant combien de temps. Ces mandats doivent également pouvoir être révoqués.
Les commerçants ont besoin d’identités d’agents vérifiables et de preuves que l’achat demandé correspond au mandat. Les opérateurs ont besoin de journaux préservant le lien entre intention, décision, autorisation et règlement.
Les utilisateurs ont besoin de contrôles compréhensibles. Une signature technique de portefeuille rassure peu si la personne ne peut pas voir quelle autorité a été accordée ou l’arrêter rapidement.
Les équipes qui adoptent des agents transactionnels devraient également préserver leurs propres pistes de preuve. Des enregistrements consultables couvrant les prompts, approbations et résultats peuvent faciliter la revue de workflows d’IA complexes.
Aucun de ces contrôles ne prouve que la demande augmentera. Ils rendent l’expérimentation plus sûre et les mesures plus crédibles.
La couche de responsabilité déterminera si les paiements par agents dépassent les environnements de développement contrôlés. Sans elle, davantage de volume de règlement peut créer davantage d’ambiguïté plutôt que davantage de confiance.
Trois signaux montreront si les paiements d’agents x402 deviennent réels
La prochaine phase doit être évaluée selon le comportement vérifié des agents, la demande indépendante des commerçants et une attribution plus solide, et non selon les seuls totaux bruts de transactions.
Le premier signal est une dépense durable auprès de vendeurs indépendants. Le modèle plus strict de TRM considère déjà l’activité auprès de plusieurs vendeurs comme une preuve plus forte d’autonomie, car elle suggère la découverte et la sélection.
Les données futures devront montrer si des agents enregistrés achètent régulièrement auprès de fournisseurs non liés pendant plusieurs mois. Un éventail plus large de commerçants renforcerait l’idée que les agents effectuent des choix contextuels.
La concentration l’affaiblirait. Si la plupart de la valeur continue de transiter par un contrat de paiement, un routeur ou un petit groupe d’adresses liées, l’activité d’infrastructure restera difficile à distinguer de la véritable demande du marché.
Le deuxième signal est l’adoption de mandats vérifiables et d’identités d’agents. Google AP2, les fournisseurs de portefeuilles, les registres et les plateformes d’entreprise abordent ce problème sous des angles différents.
L’évolution décisive sera un enregistrement commun reliant la personne ou l’organisation, l’agent autorisé, l’action permise et le règlement qui en résulte. Les simples étiquettes volontaires ne suffiront pas.
Une hausse significative des transactions authentifiées renforcerait l’estimation haute de TRM. La persistance d’un faible niveau d’enregistrement maintiendrait l’incertitude actuelle, même si le volume total augmente.
Le troisième signal est la preuve d’utilisation en production provenant de grandes plateformes. Les paiements AgentCore d’Amazon sont devenus disponibles de façon générale en août 2026, offrant aux développeurs une voie gérée vers les agents transactionnels.
L’indicateur pertinent n’est pas le nombre de points de terminaison figurant dans un catalogue. Il s’agit de savoir si des agents externes achètent des ressources utiles dans le cadre de budgets appliqués, avec de faibles taux d’erreur et une demande récurrente.
Les études de cas publiées devraient indiquer le nombre d’acheteurs externes distincts, la concentration des vendeurs, l’utilisation répétée, les transactions échouées et l’intervention humaine. Ces chiffres aideraient à distinguer les démonstrations fonctionnelles d’un commerce durable.
Le commerce grand public a besoin d’une clarté similaire. Un achat nécessitant qu’une personne appuie sur un bouton de confirmation reste précieux, mais il appartient à une catégorie différente de la dépense autonome.
Les développeurs et acheteurs d’entreprise devraient demander aux fournisseurs quelle catégorie leur produit prend en charge. Ils devraient également demander comment le fournisseur distingue les décisions de l’IA de l’automatisation conventionnelle.
Pour l’instant, les recherches de TRM Labs sur les paiements par agents d’IA étayent une conclusion mesurée. x402 a montré que le règlement natif aux logiciels peut fonctionner à haute fréquence sur des blockchains publiques.
Il n’a pas montré que les agents d’IA autonomes représentent la majeure partie de cette activité. La meilleure estimation disponible situe leur part du commerce x402 filtré entre 0,6 % et 7,5 %.
Cet écart n’est pas simplement un différend de communication. Il influence les décisions d’investissement, les priorités des commerçants, les contrôles de sécurité et la crédibilité d’un marché émergent.
Le rail fonctionne, mais l’acheteur demeure difficile à identifier. Au cours des prochains mois, surveillez les comportements auprès de plusieurs commerçants, l’autorité déléguée vérifiable et les usages en production rapportés de manière indépendante.
Ces signaux révéleront si le commerce agentique passe d’une infrastructure préparée à une véritable autonomie économique. D’ici là, chaque total de transactions élevé mérite une seconde question : quelles preuves montrent qu’un agent d’IA a réellement pris la décision ?
