La ricerca di TRM Labs sui pagamenti degli agenti AI rileva che la narrativa sull’autonomia di x402 è più avanti della realtà

TRM Labs ha analizzato 198,9 milioni di regolamenti x402 e ha riscontrato un netto conflitto tra l’attività di pagamento e l’effettiva autonomia dell’AI. La sua ricerca sui pagamenti degli agenti AI stima che gli agenti abbiano generato solo dallo 0,6% al 7,5% del commercio sottoposto a screening in termini di valore.

Questa fascia mette in discussione una delle narrazioni più attraenti del commercio agentico. Una blockchain può dimostrare che un software ha inviato un pagamento, ma non può dimostrare se un modello AI abbia scelto il merchant, valutato alternative o agito in modo indipendente.

La distinzione è importante perché Coinbase, Amazon, Google, OpenAI, Stripe e le principali reti di pagamento stanno costruendo infrastrutture attorno a transazioni avviate dalle macchine. Le loro infrastrutture funzionano sempre meglio. Le prove che agenti autonomi le utilizzino su una scala commerciale significativa restano molto più limitate.

Le conclusioni di TRM non significano che il commercio agentico abbia fallito. Mostrano che adozione dell’infrastruttura, volume dei pagamenti automatizzati e attività economica intelligente sono tre metriche diverse. Trattarle come intercambiabili crea un’immagine distorta del mercato.

La ricerca di TRM Labs sui pagamenti degli agenti AI dimezza il volume in evidenza

La conclusione più importante di TRM non è che x402 sia privo di attività. È che gran parte di tale attività non può essere trattata come commercio ordinario.

La società di intelligence blockchain ha esaminato facilitatori x402 noti su Base, Solana e Polygon. Questi facilitatori verificano autorizzazioni di pagamento firmate, trasmettono i regolamenti e coprono la commissione della rete blockchain.

Il dataset conteneva circa 52,7 milioni di dollari statunitensi distribuiti su 198,9 milioni di regolamenti dal maggio 2025. A prima vista, queste cifre descrivono una rete consolidata di pagamenti macchina-macchina con una frequenza transazionale considerevole.

TRM ha poi filtrato i dati per rimuovere attività che non sembravano commercio autentico. I suoi filtri hanno escluso indirizzi che pagavano sé stessi, flussi in blocco dominati da uno o due pagatori e venditori con meno di dieci acquirenti distinti.

Tali esclusioni hanno ridotto il bacino di commercio probabile a 25,62 milioni di dollari statunitensi. In altre parole, circa metà del valore osservato è scomparsa prima ancora che TRM cercasse di stabilire se fosse coinvolto un agente AI.

L’analisi onchain completa spiega perché questo primo filtro sia necessario. Processi pianificati, test di carico, auto-negoziazione, attività con token e software ordinario possono tutti generare regolamenti x402 validi.

Un pagamento tecnicamente riuscito risponde quindi soltanto a una domanda circoscritta. Conferma che un indirizzo ha autorizzato un trasferimento secondo le regole del protocollo. Non stabilisce chi controllasse l’indirizzo né perché il pagamento sia avvenuto.

TRM ha affrontato un problema di attribuzione più difficile dopo aver identificato il commercio probabile. Un agente AI e uno script convenzionale possono seguire esattamente la stessa sequenza di pagamento. Le loro transazioni possono apparire identiche su una blockchain pubblica.

L’azienda ha affrontato questa incertezza con due modelli. Il suo modello permissivo ha conteggiato pagamenti trasmessi dal facilitatore, variabili nel valore e inferiori in media a un dollaro.

Il modello rigoroso richiedeva che tali schemi proseguissero per più mesi. Richiedeva inoltre una registrazione pubblica dell’agente o pagamenti a più di un venditore.

Applicati al bacino di commercio sottoposto a screening, questi test hanno prodotto la stima dallo 0,6% al 7,5%. L’ampio intervallo riflette l’incertezza nel metodo di classificazione, non un censimento preciso di ogni agente.

Questa precisazione è centrale nella vicenda. TRM non afferma di aver identificato ogni pagamento autonomo. Sta stimando un intervallo plausibile a partire da segnali comportamentali che restano incompleti.

Lo studio ha anche rilevato che USDC dominava i regolamenti. Circa 52,47 milioni di dollari statunitensi su 52,68 milioni, ovvero il 99,6%, utilizzavano questa stablecoin nell’analisi degli asset senza restrizioni.

Questa concentrazione rende più facile descrivere l’attività x402 come un mercato dei pagamenti in stablecoin. Non rende più facile classificare gli acquirenti sottostanti come agenti intelligenti.

Il risultato cambia il significato dei numeri in evidenza di x402. Documentano la domanda di pagamenti programmabili, ma non documentano in modo indipendente la domanda proveniente da acquirenti AI autonomi.

Perché l’attività x402 non dimostra il commercio agentico

x402 può rendere un pagamento leggibile dalle macchine senza rendere intelligente la macchina che paga.

Il protocollo adatta il codice di stato HTTP 402, denominato “Payment Required”, trasformandolo in un passaggio di pagamento funzionante. Un client richiede una risorsa digitale e il server risponde con le condizioni di pagamento.

Il client firma un’autorizzazione e ripete la richiesta allegando tale prova. Un facilitatore verifica l’autorizzazione, regola il pagamento onchain e restituisce la prova che la risorsa può essere consegnata.

Questo design elimina la tradizionale pagina di checkout. Consente al software di acquistare una risposta API, una query di dati, un’inferenza di modello o un altro servizio digitale all’interno di un normale flusso di richieste.

Questo meccanismo è utile agli agenti AI perché mantiene il pagamento nel loro ciclo di esecuzione. Un agente non deve aprire un browser, compilare un modulo carta o chiedere a una persona di approvare ogni piccolo acquisto.

Tuttavia, nessuno di questi passaggi richiede ragionamento. Uno sviluppatore può scrivere software deterministico che richiede lo stesso endpoint secondo una pianificazione, paga lo stesso importo e memorizza la risposta.

Un sistema di test di carico può fare la stessa cosa a una frequenza molto più elevata. Un operatore di servizi può anche generare auto-pagamenti o attività promozionali che aumentano il numero di transazioni senza rappresentare domanda esterna.

La classificazione di TRM usa la variazione di prezzo come un indicatore di agency. Il ragionamento è che un agente che esplora diversi servizi dovrebbe incontrare prezzi differenti, mentre uno script che richiama ripetutamente un endpoint spesso paga un importo fisso.

Questa ipotesi è difendibile, ma crea un punto cieco. Un agente legittimo a scopo singolo potrebbe acquistare ripetutamente lo stesso servizio allo stesso prezzo. Il modello di TRM potrebbe classificare quell’attività come automazione convenzionale.

È possibile anche l’errore opposto. Uno script può alternare endpoint, variare gli importi delle transazioni o imitare uno schema di pagamento esplorativo senza utilizzare un modello AI.

I dati blockchain da soli non possono risolvere il problema. La chain registra indirizzi, asset, importi, timestamp e interazioni con contratti. Non registra una spiegazione affidabile del processo decisionale alla base di ciascuna autorizzazione.

I registri pubblici degli agenti offrono un altro segnale, ma la registrazione resta volontaria. Il proprietario di un wallet può dichiarare che un indirizzo appartiene a un agente, ma la dichiarazione potrebbe non essere verificata in modo indipendente.

TRM ha dichiarato che la maggior parte dei partecipanti attualmente non utilizza questi registri. Ciò lascia i ricercatori senza un livello di identità coerente che colleghi i wallet ad agenti, operatori, modelli o utenti deleganti.

Il problema analitico ricorda il traffico web automatizzato. Un server può osservare che una macchina ha richiesto una pagina, ma sono necessarie ulteriori prove per distinguere un crawler di ricerca, un bot malevolo, uno strumento di test e un assistente AI.

I pagamenti alzano la posta in gioco perché la classificazione influenza il monitoraggio delle frodi, lo screening delle sanzioni, le controversie e la responsabilità. Un’etichetta errata ha conseguenze maggiori quando il software può spostare fondi alla velocità delle macchine.

Le conclusioni su x402 espongono quindi un divario di misurazione. Il mercato dispone di dati affidabili sui regolamenti, ma manca di dati di attribuzione altrettanto affidabili.

Questo divario spiega perché i totali delle transazioni non dovrebbero sostituire le metriche di adozione. Il vero commercio agentico richiede prove di autorità delegata, selezione orientata agli obiettivi e un acquisto economicamente significativo.

Il vero avversario è la promessa del commercio agentico

Il conflitto principale non è x402 contro le reti di carte. È la promessa del commercio autonomo contro le prove dell’automazione ordinaria.

Le aziende tecnologiche hanno dedicato più di un anno a riunire gli elementi necessari affinché gli agenti possano acquistare e pagare. Questi investimenti sono reali, anche se gli attuali dati sulle transazioni non dimostrano un’adozione diffusa.

Google ha introdotto il suo Agent Payments Protocol, o AP2, nel settembre 2025. AP2 fornisce un framework condiviso per comunicare l’autorità dell’utente, l’intento d’acquisto e la responsabilità tra agenti, merchant e fornitori di pagamento.

Il framework AP2 è stato lanciato con il supporto di oltre 60 organizzazioni tecnologiche, retail e finanziarie. Includeva inoltre un’estensione x402 per i pagamenti degli agenti basati su crypto.

OpenAI e Stripe hanno scelto un percorso rivolto ai consumatori con l’Agentic Commerce Protocol. La loro esperienza iniziale di Instant Checkout ha mantenuto una persona coinvolta nella conferma dell’acquisto, anche se ChatGPT gestiva la scoperta del prodotto e la comunicazione con il merchant.

Quel protocollo di checkout illustra una differenza importante. Il commercio assistito dall’AI può essere commercialmente rilevante senza concedere a un modello piena autonomia di spesa.

L’utente conferma comunque l’articolo, le informazioni di spedizione e i dettagli di pagamento. Il merchant resta responsabile dell’accettazione dell’ordine, dell’elaborazione del pagamento, dell’evasione e dell’assistenza al cliente.

Amazon si è spinta oltre negli acquisti software autonomi. I pagamenti Amazon Bedrock AgentCore sono entrati in anteprima nel maggio 2026 e sono diventati generalmente disponibili in agosto.

Il servizio consente agli sviluppatori di connettere wallet supportati, impostare limiti di spesa e permettere agli agenti di pagare API, server Model Context Protocol, contenuti e altre risorse digitali. Model Context Protocol, o MCP, è uno standard per connettere sistemi AI a strumenti e dati esterni.

Secondo il rilascio di AgentCore, l’infrastruttura può negoziare pagamenti x402, applicare limiti e registrare l’attività delle transazioni. Questi controlli affrontano preoccupazioni aziendali che il semplice accesso a un wallet non può risolvere da solo.

Questi lanci dimostrano un forte impegno dal lato dell’offerta. Le grandi aziende stanno creando protocolli, meccanismi di identità, wallet, connessioni con i merchant e controlli di governance prima che la domanda autonoma diventi facile da misurare.

Questa sequenza è comune nei mercati dell’infrastruttura. Gli sviluppatori hanno bisogno di infrastrutture affidabili prima di poter creare applicazioni, mentre i fornitori di pagamento hanno bisogno di applicazioni credibili prima che il volume delle transazioni diventi economicamente significativo.

Il rischio nasce dal confondere la disponibilità con l’adozione. Un protocollo può supportare acquisti autonomi anche quando la maggior parte degli utenti attuali è costituita da script, test o servizi programmati in modo ristretto.

I risultati di TRM fanno pressione sui fornitori di infrastrutture affinché riportino prove migliori. Numero di transazioni e valore regolato non forniscono più un contesto sufficiente quando la stessa infrastruttura serve agenti, automazione ordinaria e attività anomale.

Una rendicontazione utile separerebbe il commercio esterno dai flussi autogenerati. Distinguererebbe inoltre gli acquisti assistiti dall’AI, i pagamenti deterministici delle macchine e le decisioni autonome orientate agli obiettivi.

Questo livello di classificazione è difficile, ma necessario. Altrimenti, il commercio agentico rischia di diventare un’etichetta applicata a qualsiasi pagamento generato da software.

L’interpretazione ottimistica è che le aziende stiano costruendo in anticipo rispetto alla domanda. L’interpretazione scettica è che il mercato abbia sviluppato infrastrutture sofisticate per acquirenti che raramente arrivano.

Entrambe le letture sono compatibili con i fatti disponibili. La fase successiva dipende dal fatto che gli sviluppatori implementino agenti in grado di scoprire e acquistare risorse presso una gamma significativa di venditori indipendenti.

I pagamenti degli agenti spiegati da ciò che i modelli non possono vedere

L’intervallo di TRM è prezioso perché rende visibile l’incertezza, ma i suoi test comportamentali non possono fornire un’attribuzione definitiva.

I modelli permissivo e rigoroso creano dei confini, non una risposta conclusiva. Questo approccio è più credibile che presentare ogni regolamento x402 come attività di agenti.

Tuttavia, le stime inferiori e superiori dipendono da ipotesi su come dovrebbero comportarsi gli agenti intelligenti. Gli agenti che esplorano più venditori e incontrano prezzi variabili si adattano più facilmente al modello.

Gli agenti specializzati si adattano meno agevolmente. Si consideri un agente di ricerca automatizzato che acquista ogni mattina lo stesso dataset specializzato. Potrebbe valutare le condizioni correnti, decidere che l’acquisto resta utile e pagare ripetutamente lo stesso fornitore.

Il suo schema onchain potrebbe assomigliare a uno script pianificato. Il lavoro intelligente potrebbe avvenire prima del pagamento, mentre il regolamento stesso rimane uniforme.

Uno script più elaborato può creare l’impressione opposta. Potrebbe selezionare tra vari fornitori usando regole fisse, produrre pagamenti variabili e rimanere attivo per mesi.

Quel sistema potrebbe superare diversi filtri comportamentali senza usare IA generativa. Una classificazione basata sulle transazioni sovrastimerebbe la partecipazione di agenti autonomi.

TRM riconosce questa limitazione. Il suo rapporto afferma che il test di variazione dei prezzi potrebbe sottostimare gli agenti monofunzionali che pagano ripetutamente un singolo servizio.

La finestra di misurazione crea un ulteriore vincolo. x402 supporta principalmente pagamenti nativi delle macchine per risorse digitali. Non rileva ogni acquisto con carta avviato o assistito da un prodotto di IA.

Visa e Artemis descrivono una distinzione tra macro commerce e micro commerce. Il macro commerce include acquisti familiari, come viaggi o abbonamenti, in cui un agente agisce per una persona attraverso i sistemi commerciali esistenti.

Il micro commerce riguarda piccoli pagamenti software-to-software per API, capacità di calcolo o dati. Questi pagamenti possono avvenire frequentemente e rimanere al di sotto dell’economia delle transazioni con carta convenzionali.

La loro ricerca sui pagamenti ha riportato attività x402 rettificata per circa 15 milioni di USD su 109,6 milioni di transazioni al 21 aprile 2026. I diversi totali e le diverse date mostrano perché la metodologia conta nel confronto tra studi.

TRM ha utilizzato un periodo di osservazione successivo e facilitatori noti su tre reti. Ha inoltre applicato i propri filtri commerciali e di agency. Le cifre risultanti non dovrebbero essere combinate come se misurassero una popolazione identica.

Nessuno dei due dataset cattura ogni forma di acquisto supportato dall’IA. Un consumatore potrebbe chiedere a ChatGPT di confrontare prodotti e poi completare manualmente l’acquisto sul sito web di un rivenditore.

Quella transazione riflette l’influenza dell’IA, ma non una spesa autonoma. Definirla commercio agentico confonderebbe scoperta del prodotto, raccomandazione, assistenza al checkout e acquisto delegato.

La distinzione è importante per i commercianti. I referral generati dall’IA possono influenzare quali prodotti i clienti prendono in considerazione, anche quando il pagamento finale avviene tramite un checkout convenzionale.

I fornitori di infrastrutture di pagamento affrontano una domanda diversa. Devono sapere quando il software ha l’autorità di avviare una transazione e chi si assume la responsabilità se il risultato viola le istruzioni dell’utente.

I ricercatori hanno quindi bisogno di più metriche, non di una sola. Categorie utili includono la scoperta assistita da agenti, il checkout confermato dall’essere umano, gli acquisti deterministici delle macchine e la spesa autonoma guidata da obiettivi.

Questa classificazione migliorerebbe anche i confronti tra sistemi di carte e stablecoin. Eviterebbe di scambiare le scelte infrastrutturali per diversi livelli di intelligenza.

Finché tali misurazioni non esisteranno, l’intervallo di TRM dovrebbe essere interpretato come una stima delimitata del comportamento x402 visibile. Non è un verdetto su ogni acquisto mediato dall’IA su Internet.

Le infrastrutture di pagamento operative mancano ancora di responsabilità agentica

Il problema più urgente non è più stabilire se il software possa trasferire denaro. È capire se ogni pagamento porti prove affidabili di autorità e responsabilità.

Il commercio online tradizionale presuppone che una persona controlli la sessione di acquisto. Sistemi antifrode, schermate di conferma, ricevute, contestazioni e chargeback si basano tutti su questa ipotesi.

Un agente autonomo cambia la sequenza. Una persona può concedere un obiettivo ampio, mentre il software sceglie il venditore, l’importo, il momento e la risorsa senza richiedere l’approvazione per ogni transazione.

Questa configurazione crea diversi livelli di responsabilità. L’utente definisce l’obiettivo, la piattaforma dell’agente lo esegue, il modello lo interpreta, il wallet firma e il commerciante soddisfa la richiesta.

Se l’agente acquista la risorsa sbagliata, ciascun partecipante può attribuire la responsabilità altrove. L’utente potrebbe incolpare il modello, la piattaforma potrebbe citare l’autorità delegata e il commerciante potrebbe fare affidamento su una firma valida.

Un’istruzione malevola può creare un caso più difficile. Il prompt injection si verifica quando contenuti non affidabili manipolano un sistema di IA inducendolo a compiere un’azione non intenzionale.

Un agente che naviga risorse esterne potrebbe incontrare istruzioni progettate per reindirizzare un pagamento. Un regolamento blockchain valido confermerebbe l’esecuzione, non l’intento legittimo.

L’IMF ha evidenziato questa tensione tra decisioni probabilistiche dell’IA e sistemi di pagamento deterministici. La sua valutazione sui pagamenti identifica tracciabilità dell’autorizzazione, cybersecurity, responsabilità poco chiare e comportamenti automatizzati correlati come rischi emergenti.

I limiti di spesa riducono l’esposizione, ma non stabiliscono perché una transazione sia avvenuta. Il logging migliora le indagini, ma i log devono collegare il mandato dell’utente al ragionamento dell’agente e al pagamento finale.

L’identità crea un’altra sfida. Un indirizzo di pagamento può essere pseudonimo, mentre una voce in un registro pubblico può essere volontaria o non verificata.

TRM sostiene che il commercio agentico necessiti di registrazione accurata, reputazione delle controparti e monitoraggio progettato per conteggi di transazioni elevati. I controlli convenzionali si concentrano spesso sul valore monetario perché i pagamenti umani sono meno frequenti.

I pagamenti degli agenti ribaltano questo schema. Un singolo agente può generare molti piccoli trasferimenti i cui valori individuali restano al di sotto delle comuni soglie di revisione.

Questa discrepanza tra volume e valore può nascondere problemi operativi. Migliaia di micropagamenti errati possono causare pochi danni finanziari immediati, rivelando però un agente compromesso o una policy difettosa.

Il settore ha bisogno di mandati leggibili dalle macchine che descrivano cosa un agente può acquistare, da chi, entro quali limiti e per quanto tempo. Questi mandati devono inoltre essere revocabili.

I commercianti hanno bisogno di identità degli agenti verificabili e della prova che l’acquisto richiesto rientri nel mandato. Gli operatori hanno bisogno di log che preservino il collegamento tra intento, decisione, autorizzazione e regolamento.

Gli utenti hanno bisogno di controlli comprensibili. Una firma tecnica del wallet offre poca rassicurazione se la persona non può vedere quale autorità sia stata concessa o interromperla rapidamente.

I team che adottano agenti in grado di effettuare transazioni dovrebbero preservare anche le proprie tracce probatorie. Registri ricercabili di prompt, approvazioni e output possono rendere più semplici da esaminare complessi workflow di IA.

Nessuno di questi controlli dimostra che la domanda crescerà. Rendono la sperimentazione più sicura e la misurazione più credibile.

Il livello di responsabilità determinerà se i pagamenti degli agenti andranno oltre ambienti di sviluppo controllati. Senza di esso, un maggior volume di regolamenti può creare più ambiguità anziché più fiducia.

Tre segnali mostreranno se i pagamenti x402 degli agenti stanno diventando reali

La prossima fase dovrebbe essere valutata in base a comportamenti verificati degli agenti, domanda indipendente dei commercianti e attribuzione più solida, non ai totali grezzi delle transazioni.

Il primo segnale è una spesa sostenuta presso venditori indipendenti. Il modello più rigoroso di TRM considera già l’attività presso più venditori come una prova più forte di agency, perché suggerisce scoperta e selezione.

I dati futuri dovrebbero mostrare se gli agenti registrati acquistano ripetutamente da fornitori non collegati tra loro per vari mesi. Un mix più ampio di commercianti rafforzerebbe l’ipotesi che gli agenti stiano compiendo scelte contestuali.

La concentrazione la indebolirebbe. Se la maggior parte del valore continuerà a fluire attraverso un unico contratto di pagamento, un router o un piccolo gruppo di indirizzi collegati, l’attività infrastrutturale resterà difficile da separare dalla reale domanda di mercato.

Il secondo segnale è l’adozione di mandati verificabili e identità degli agenti. AP2 di Google, i fornitori di wallet, i registri e le piattaforme aziendali affrontano questo problema da direzioni diverse.

Lo sviluppo decisivo sarà un registro comune che colleghi la persona o l’organizzazione, l’agente autorizzato, l’azione consentita e il regolamento risultante. Le sole etichette volontarie non saranno sufficienti.

Un aumento significativo delle transazioni autenticate rafforzerebbe la stima superiore di TRM. Una registrazione persistentemente bassa manterrebbe l’attuale incertezza, anche se il volume totale aumentasse.

Il terzo segnale è l’evidenza di produzione proveniente da grandi piattaforme. I pagamenti AgentCore di Amazon hanno raggiunto la disponibilità generale nell’agosto 2026, offrendo agli sviluppatori un percorso gestito verso agenti in grado di effettuare transazioni.

La metrica rilevante non è quanti endpoint compaiano in un catalogo. È se agenti esterni acquistino risorse utili con budget applicati, bassi tassi di errore e domanda ricorrente.

I case study pubblicati dovrebbero divulgare il numero di acquirenti esterni distinti, la concentrazione dei venditori, l’uso ripetuto, le transazioni fallite e l’intervento umano. Queste cifre aiuterebbero a separare le dimostrazioni funzionali dal commercio duraturo.

Il commercio al consumo necessita di una chiarezza simile. Un acquisto che richiede a una persona di premere un pulsante di conferma resta prezioso, ma appartiene a una categoria diversa dalla spesa autonoma.

Sviluppatori e acquirenti aziendali dovrebbero chiedere ai fornitori quale categoria supporti il loro prodotto. Dovrebbero inoltre chiedere come il fornitore distingua le decisioni dell’IA dall’automazione convenzionale.

Per ora, la ricerca sui pagamenti degli agenti IA di TRM Labs supporta una conclusione prudente. x402 ha dimostrato che il regolamento nativo del software può operare ad alta frequenza sulle blockchain pubbliche.

Non ha dimostrato che gli agenti di IA autonomi rappresentino la maggior parte di tale attività. La migliore stima disponibile colloca la loro quota del commercio x402 sottoposto a filtri tra lo 0,6% e il 7,5%.

Questo divario non è semplicemente una disputa di branding. Incide sulle decisioni di investimento, sulle priorità dei commercianti, sui controlli di sicurezza e sulla credibilità di un mercato emergente.

L’infrastruttura funziona, ma l’acquirente resta difficile da identificare. Nei prossimi mesi, osservate il comportamento multi-merchant, l’autorità delegata verificabile e l’utilizzo in produzione riportato in modo indipendente.

Questi segnali riveleranno se il commercio agentico sta passando da un’infrastruttura predisposta a una reale agency economica. Fino ad allora, ogni grande totale di transazioni merita una seconda domanda: quali prove dimostrano che un agente di IA abbia effettivamente preso la decisione?