TRM Labs AI 에이전트 결제 연구, x402의 자율성 서사가 현실보다 앞서 있음을 보여줘

TRM Labs는 1억 9,890만 건의 x402 결제를 분석한 결과, 결제 활동과 실제 AI 자율성 사이에 뚜렷한 괴리가 있음을 발견했다. 이 회사의 AI 에이전트 결제 연구는 가치 기준으로 선별된 상거래 중 에이전트가 생성한 비중이 0.6%에서 7.5%에 불과한 것으로 추정한다.

이 범위는 에이전틱 커머스의 가장 매력적인 서사 중 하나에 의문을 제기한다. 블록체인은 소프트웨어가 결제를 보냈다는 사실은 보여줄 수 있지만, AI 모델이 판매자를 선택했는지, 대안을 평가했는지, 독립적으로 행동했는지는 보여줄 수 없다.

이 구분은 Coinbase, Amazon, Google, OpenAI, Stripe 및 주요 결제 네트워크가 기계 주도 거래를 중심으로 인프라를 구축하고 있기 때문에 중요하다. 이들의 결제 레일은 점점 더 작동하고 있다. 그러나 자율 에이전트가 이 레일을 의미 있는 상업적 규모로 사용하고 있다는 증거는 여전히 훨씬 부족하다.

TRM의 발견이 에이전틱 커머스가 실패했다는 뜻은 아니다. 이는 인프라 도입, 자동화 결제 규모, 지능형 경제 활동이 서로 다른 세 가지 측정 지표임을 보여준다. 이들을 같은 것으로 취급하면 시장에 대한 왜곡된 그림이 만들어진다.

TRM Labs AI 에이전트 결제 연구, 헤드라인 거래 규모를 절반으로 줄이다

TRM의 가장 중요한 발견은 x402에 활동이 부족하다는 것이 아니다. 활동의 상당 부분을 일반적인 상거래로 간주할 수 없다는 점이다.

이 블록체인 인텔리전스 기업은 Base, Solana, Polygon 전반의 알려진 x402 facilitator를 조사했다. 이 facilitator는 서명된 결제 승인 내역을 검증하고, 결제를 블록체인에 전송하며, 블록체인 네트워크 수수료를 부담한다.

이 데이터셋에는 2025년 5월 이후 약 1억 9,890만 건의 결제에 걸쳐 약 5,270만 달러가 포함됐다. 처음 보면, 이 수치는 상당한 거래 빈도를 갖춘 확립된 기계 결제 네트워크를 보여주는 듯하다.

TRM은 이후 실제 상거래와 다른 양상을 보이는 활동을 제거하기 위해 데이터를 필터링했다. 이 선별 과정에서는 자기 자신에게 결제하는 주소, 한두 명의 결제자가 지배하는 대량 흐름, 그리고 서로 다른 구매자가 10명 미만인 판매자를 제외했다.

이러한 제외 기준을 적용하자 추정 상거래 풀은 2,562만 달러로 줄었다. 다시 말해, TRM이 AI 에이전트의 개입 여부를 판단하기도 전에 관측된 가치의 약 절반이 사라진 셈이다.

전체 온체인 분석은 이 첫 번째 필터가 왜 필요한지 설명한다. 예약 프로세스, 부하 테스트, 자기거래, 토큰 활동, 일반 소프트웨어 모두 유효한 x402 결제를 생성할 수 있다.

따라서 기술적으로 성공한 결제는 제한적인 질문에만 답한다. 해당 주소가 프로토콜 규칙에 따라 전송을 승인했다는 점은 확인하지만, 누가 주소를 통제했는지 또는 왜 결제가 발생했는지는 입증하지 못한다.

TRM은 가능성 높은 상거래를 식별한 뒤 더 어려운 귀속 문제에 직면했다. AI 에이전트와 기존 스크립트는 정확히 같은 결제 순서를 따를 수 있다. 이들의 거래는 공개 블록체인에서 동일하게 보일 수 있다.

회사는 두 가지 모델로 이 불확실성에 대응했다. 완화된 모델은 facilitator가 전송했고, 가치가 변동하며, 평균적으로 1달러 미만인 결제를 집계했다.

엄격한 모델은 이런 패턴이 여러 달에 걸쳐 지속될 것을 요구했다. 또한 공개 에이전트 등록이 있거나 둘 이상의 판매자에게 결제했어야 했다.

선별된 상거래 풀에 이 테스트를 적용한 결과 0.6%에서 7.5%라는 추정치가 나왔다. 이 넓은 구간은 모든 에이전트에 대한 정확한 전수조사가 아니라 분류 방식의 불확실성을 반영한다.

이 단서는 이 이야기의 핵심이다. TRM은 모든 자율 결제를 식별했다고 주장하지 않는다. 여전히 불완전한 행동 신호를 바탕으로 그럴듯한 범위를 추정하고 있다.

연구는 또한 USDC가 결제를 지배했다는 점을 발견했다. 제한 없는 자산 분석에서 5,268만 달러 가운데 약 5,247만 달러, 즉 99.6%가 이 스테이블코인을 사용했다.

이 집중도는 x402 활동을 스테이블코인 결제 시장으로 설명하기 쉽게 만든다. 하지만 그 기저 구매자를 지능형 에이전트로 분류하기 쉽게 만들지는 않는다.

이 결과는 x402의 헤드라인 수치가 갖는 의미를 바꾼다. 이 수치는 프로그래밍 가능한 결제에 대한 수요를 기록하지만, 자율 AI 구매자로부터의 수요를 독립적으로 입증하지는 않는다.

x402 활동이 에이전틱 커머스를 입증하지 못하는 이유

x402는 결제를 기계가 읽을 수 있게 만들 수는 있지만, 결제하는 기계를 지능적으로 만들지는 않는다.

이 프로토콜은 “Payment Required”로 표기된 HTTP 상태 코드 402를 실제 작동하는 결제 단계로 전환한다. 클라이언트가 디지털 리소스를 요청하면 서버는 결제 조건을 응답한다.

클라이언트는 승인 내역에 서명하고, 그 증명을 첨부해 요청을 반복한다. facilitator는 승인을 검증하고, 결제를 온체인에서 처리하며, 리소스가 제공될 수 있다는 증거를 반환한다.

이 설계는 기존의 결제 페이지를 없앤다. 소프트웨어가 일반적인 요청 흐름 안에서 API 응답, 데이터 쿼리, 모델 추론 또는 다른 디지털 서비스를 구매할 수 있게 한다.

이 메커니즘은 결제를 실행 루프 안에 유지하기 때문에 AI 에이전트에 유용하다. 에이전트는 브라우저를 열거나, 카드 양식을 작성하거나, 모든 소액 구매마다 사람의 승인을 받을 필요가 없다.

하지만 그 어떤 단계도 추론을 요구하지 않는다. 개발자는 일정에 따라 같은 엔드포인트를 요청하고, 같은 금액을 결제하며, 응답을 저장하는 결정론적 소프트웨어를 작성할 수 있다.

부하 테스트 시스템도 훨씬 높은 빈도로 같은 일을 할 수 있다. 서비스 운영자는 외부 수요를 나타내지 않으면서 거래 건수를 늘리는 자기 결제나 프로모션 활동을 생성할 수도 있다.

TRM의 분류는 가격 변동을 에이전시의 한 징후로 활용한다. 여러 서비스를 탐색하는 에이전트는 서로 다른 가격을 마주할 가능성이 크지만, 하나의 엔드포인트를 반복 호출하는 스크립트는 대체로 고정된 금액을 지불한다는 논리다.

이 가정은 타당하지만 사각지대를 만든다. 정당한 단일 목적 에이전트는 같은 가격으로 같은 서비스를 반복 구매할 수 있다. TRM의 모델은 이 활동을 기존 자동화로 분류할 수 있다.

반대 오류도 가능하다. 스크립트는 AI 모델을 사용하지 않고도 엔드포인트를 순환하거나, 거래 금액을 바꾸거나, 탐색적 결제 패턴을 모방할 수 있다.

블록체인 데이터만으로는 이 문제를 해결할 수 없다. 체인은 주소, 자산, 금액, 타임스탬프, 계약 상호작용을 기록한다. 하지만 각 승인 뒤에 있는 의사결정 과정을 신뢰성 있게 설명해 주지는 않는다.

공개 에이전트 등록부도 또 다른 신호를 제공하지만, 등록은 여전히 자발적이다. 지갑 소유자는 주소가 에이전트에 속한다고 선언할 수 있지만, 그 선언이 독립적으로 검증되지는 않을 수 있다.

TRM은 현재 대부분의 참여자가 이 등록부를 사용하지 않는다고 밝혔다. 이로 인해 연구자들은 지갑을 에이전트, 운영자, 모델 또는 위임한 사용자와 연결하는 일관된 신원 계층을 확보하지 못한다.

이 분석 문제는 자동화 웹 트래픽과 닮아 있다. 서버는 기계가 페이지를 요청했다는 사실을 관찰할 수 있지만, 검색 크롤러, 악성 봇, 테스트 도구, AI 어시스턴트를 구분하려면 추가 증거가 필요하다.

결제에서는 분류가 사기 모니터링, 제재 심사, 분쟁, 책임에 영향을 미치므로 위험이 더 크다. 소프트웨어가 기계 속도로 자금을 이동시킬 수 있을 때 잘못된 라벨은 더 중대한 결과를 낳는다.

따라서 x402의 발견은 측정 격차를 드러낸다. 시장에는 신뢰할 수 있는 결제 데이터가 있지만, 이에 상응할 만큼 신뢰할 수 있는 귀속 데이터는 부족하다.

이 격차는 거래 총액이 도입 지표를 대신해서는 안 되는 이유를 설명한다. 진정한 에이전틱 커머스에는 위임된 권한, 목표 지향적 선택, 경제적으로 의미 있는 구매에 대한 증거가 필요하다.

진짜 상대는 에이전틱 커머스의 약속이다

핵심 갈등은 x402와 카드 네트워크 간의 대결이 아니다. 자율 상거래의 약속과 일반적인 자동화의 증거 사이의 대결이다.

기술 기업들은 에이전트가 쇼핑하고 결제하는 데 필요한 요소를 마련하는 데 1년 이상을 투자해 왔다. 현재 거래 데이터가 광범위한 도입을 증명하지는 못하지만, 이러한 투자는 실제로 이루어지고 있다.

Google은 2025년 9월 Agent Payments Protocol, 즉 AP2를 도입했다. AP2는 에이전트, 판매자, 결제 제공업체 전반에서 사용자 권한, 구매 의도, 책임성을 전달하기 위한 공통 프레임워크를 제공한다.

AP2 프레임워크는 60곳이 넘는 기술, 소매, 금융 기관의 지원을 받아 출시됐다. 또한 암호화폐 기반 에이전트 결제를 위한 x402 확장 기능도 포함했다.

OpenAI와 Stripe는 Agentic Commerce Protocol을 통해 소비자 중심 접근 방식을 택했다. 초기 Instant Checkout 경험에서는 ChatGPT가 상품 탐색과 판매자와의 소통을 처리했지만, 구매 확인에는 사람이 계속 관여했다.

이 결제 프로토콜은 중요한 차이를 보여준다. AI 보조 커머스는 모델에 완전한 지출 자율성을 부여하지 않고도 상업적으로 의미 있을 수 있다.

사용자는 여전히 상품, 배송 정보, 결제 세부사항을 확인한다. 판매자는 주문 수락, 결제 처리, 이행 및 고객 지원에 대한 책임을 유지한다.

Amazon은 자율 소프트웨어 구매를 더 적극적으로 추진했다. Amazon Bedrock AgentCore payments는 2026년 5월 프리뷰에 들어갔고, 8월 정식 출시됐다.

이 서비스는 개발자가 지원되는 지갑을 연결하고, 지출 한도를 설정하며, 에이전트가 API, Model Context Protocol 서버, 콘텐츠 및 기타 디지털 리소스에 비용을 지불하도록 허용한다. Model Context Protocol, 즉 MCP는 AI 시스템을 외부 도구 및 데이터와 연결하는 표준이다.

AgentCore 출시 발표에 따르면, 이 인프라는 x402 결제를 협상하고, 한도를 적용하며, 거래 활동을 기록할 수 있다. 이러한 통제 장치는 원시 지갑 접근만으로는 해결할 수 없는 엔터프라이즈 우려를 겨냥한다.

이 출시들은 공급 측의 강력한 의지를 보여준다. 대기업들은 자율 수요를 쉽게 측정할 수 있게 되기 전에 프로토콜, 신원 메커니즘, 지갑, 판매자 연결, 거버넌스 통제를 만들고 있다.

이 순서는 인프라 시장에서 흔하다. 개발자는 애플리케이션을 구축하기 전에 신뢰할 수 있는 레일이 필요하고, 결제 제공업체는 거래 규모가 경제적으로 의미 있어지기 전에 신뢰할 수 있는 애플리케이션이 필요하다.

위험은 준비 상태를 도입과 혼동하는 데서 발생한다. 프로토콜은 현재 이용자의 대부분이 스크립트, 테스트 또는 좁게 프로그래밍된 서비스인 상황에서도 자율 구매를 지원할 수 있다.

TRM의 결과는 인프라 제공업체에 더 나은 증거를 보고하라는 압박을 가한다. 동일한 레일이 에이전트, 일반 자동화, 이상 활동에 모두 사용될 때 거래 건수와 결제 가치만으로는 더 이상 충분한 맥락을 제공하지 못한다.

유용한 보고는 외부 상거래와 자체 생성 흐름을 구분할 것이다. 또한 AI 보조 구매, 결정론적 기계 결제, 목표 지향적 자율 결정을 구별할 것이다.

이 수준의 분류는 어렵지만 필요하다. 그렇지 않으면 에이전틱 커머스는 소프트웨어가 생성한 모든 결제에 붙는 라벨이 될 위험이 있다.

낙관적인 해석은 기업들이 수요보다 앞서 구축하고 있다는 것이다. 회의적인 해석은 시장이 좀처럼 도착하지 않는 구매자를 위해 정교한 배관을 개발했다는 것이다.

두 해석 모두 현재 확보된 사실과 부합한다. 다음 단계는 개발자들이 의미 있는 범위의 독립 판매자를 대상으로 리소스를 발견하고 구매하는 에이전트를 배포하는지에 달려 있다.

모델이 볼 수 없는 것으로 설명하는 에이전트 결제

TRM의 범위 추정은 불확실성을 드러낸다는 점에서 가치가 있지만, 행동 기반 검증만으로는 확정적인 귀속 판단을 내릴 수 없다.

완화 모델과 엄격 모델은 최종 답이 아니라 경계를 만든다. 모든 x402 정산을 에이전트 활동으로 제시하는 것보다 이 접근이 더 신뢰할 만하다.

그럼에도 하한과 상한 추정은 지능형 에이전트가 어떻게 행동해야 하는지에 관한 가정에 의존한다. 여러 판매자를 탐색하고 변동하는 가격을 마주하는 에이전트는 이 모델에 더 쉽게 부합한다.

반면 범위가 좁은 에이전트는 덜 자연스럽게 들어맞는다. 매일 아침 동일한 전문 데이터세트를 구매하는 자동화된 리서치 에이전트를 생각해 보자. 이 에이전트는 현재 조건을 평가하고 구매가 여전히 유용하다고 판단한 뒤, 한 공급자에게 반복적으로 결제할 수 있다.

온체인 패턴은 예약 실행 스크립트와 비슷해 보일 수 있다. 지능적인 작업은 결제 전에 발생하고, 정산 자체는 일관된 형태로 유지될 수 있다.

더 정교한 스크립트는 반대 인상을 만들 수도 있다. 고정 규칙으로 여러 공급자 중 하나를 선택하고, 변동하는 결제 금액을 만들며, 수개월 동안 활동을 이어갈 수 있다.

이 시스템은 생성형 AI를 사용하지 않고도 여러 행동 기준을 충족할 수 있다. 거래를 바탕으로 분류하면 자율 에이전트 참여를 과대평가하게 된다.

TRM도 이 한계를 인정한다. 보고서는 가격 변동성 검증이 하나의 서비스에 반복 결제하는 단일 목적 에이전트를 과소집계할 수 있다고 설명한다.

측정 기간도 또 다른 제약을 만든다. x402는 주로 디지털 리소스를 위한 머신 네이티브 결제를 지원한다. AI 제품이 시작했거나 보조한 모든 카드 기반 구매를 포착하지는 않는다.

Visa와 Artemis는 매크로 커머스와 마이크로 커머스를 구분한다. 매크로 커머스에는 여행이나 구독처럼, 에이전트가 기존 가맹점 시스템을 통해 개인을 대신해 행동하는 익숙한 구매가 포함된다.

마이크로 커머스는 API, 컴퓨팅 또는 데이터를 위한 소규모 소프트웨어 간 결제를 포괄한다. 이러한 결제는 빈번하게 발생할 수 있으며, 기존 카드 거래의 경제성 기준 아래에 놓일 수 있다.

이들의 결제 연구는 2026년 4월 21일 기준 1억 960만 건의 거래에서 조정된 x402 활동이 약 1,500만 달러였다고 보고했다. 총액과 기준일이 다른 점은 연구를 비교할 때 방법론이 중요한 이유를 보여준다.

TRM은 세 네트워크의 알려진 퍼실리테이터를 대상으로 더 늦은 관찰 기간을 사용했다. 또한 자체적인 커머스 및 에이전시 기준을 적용했다. 따라서 산출된 수치를 동일한 모집단을 측정한 것처럼 합쳐서는 안 된다.

어느 데이터셋도 AI 지원 쇼핑의 모든 형태를 포착하지는 않는다. 소비자는 ChatGPT에게 제품 비교를 요청한 뒤, 소매업체 웹사이트에서 직접 구매를 완료할 수 있다.

그 거래는 AI의 영향을 반영하지만 자율적 지출은 아니다. 이를 에이전틱 커머스라고 부르면 제품 탐색, 추천, 결제 지원, 위임 구매의 구분이 흐려진다.

이 구분은 판매자에게 중요하다. AI가 생성한 추천 유입은 최종 결제가 기존 체크아웃을 통해 이뤄지더라도 고객이 고려하는 제품에 영향을 줄 수 있다.

결제 인프라 제공업체는 다른 질문에 직면한다. 소프트웨어가 거래를 시작할 권한을 언제 갖는지, 그리고 결과가 사용자의 지시를 위반할 경우 누가 책임을 지는지를 알아야 한다.

따라서 연구자에게는 하나가 아닌 여러 지표가 필요하다. 유용한 범주에는 에이전트 보조 탐색, 인간 확인 체크아웃, 결정론적 머신 구매, 자율적 목표 지향 지출이 포함된다.

이 분류는 카드와 스테이블코인 시스템 간 비교도 개선할 수 있다. 인프라 선택이 서로 다른 수준의 지능으로 오인되는 일을 막을 수 있다.

그러한 측정치가 마련되기 전까지 TRM의 범위는 관찰 가능한 x402 행동에 대한 제한된 추정치로 읽어야 한다. 이는 인터넷 전반의 모든 AI 매개 구매에 대한 판정이 아니다.

작동하는 결제 레일에도 에이전틱 책임성은 아직 없다

가장 시급한 문제는 더 이상 소프트웨어가 돈을 전송할 수 있는지 여부가 아니다. 모든 결제가 권한과 책임에 관한 신뢰할 수 있는 증거를 담고 있는지가 핵심이다.

전통적인 온라인 커머스는 사람이 구매 세션을 통제한다고 가정한다. 사기 방지 시스템, 확인 화면, 영수증, 분쟁 처리, 차지백은 모두 이 가정 위에 구축돼 있다.

자율 에이전트는 이 순서를 바꾼다. 사람은 광범위한 목표를 부여할 수 있으며, 소프트웨어는 각 거래마다 승인을 요청하지 않고 판매자, 금액, 시점, 리소스를 선택한다.

이 구조는 여러 층위의 책임을 만든다. 사용자가 목표를 정의하고, 에이전트 플랫폼이 이를 실행하며, 모델이 이를 해석하고, 지갑이 서명하며, 판매자가 요청을 이행한다.

에이전트가 잘못된 리소스를 구매하면 각 참여자는 책임을 다른 곳으로 돌릴 수 있다. 사용자는 모델을 탓하고, 플랫폼은 위임된 권한을 근거로 들며, 판매자는 유효한 서명에 의존할 수 있다.

악의적인 지시는 더 어려운 사례를 만들 수 있다. 프롬프트 인젝션은 신뢰할 수 없는 콘텐츠가 AI 시스템을 조작해 의도하지 않은 행동을 취하게 만드는 경우다.

외부 리소스를 탐색하는 에이전트는 결제를 다른 곳으로 유도하도록 설계된 지시를 접할 수 있다. 유효한 블록체인 정산은 실행 사실은 확인하지만, 정당한 의도까지 확인하지는 않는다.

IMF는 확률적 AI 의사결정과 결정론적 결제 시스템 사이의 이러한 긴장을 강조했다. IMF의 결제 평가는 권한 부여의 추적 가능성, 사이버보안, 불분명한 책임, 상관관계를 가진 자동화 행동을 새롭게 부상하는 위험으로 지목한다.

지출 한도는 노출을 줄이지만 거래가 왜 발생했는지는 밝히지 못한다. 로그는 조사를 개선하지만, 사용자 위임과 에이전트의 추론, 최종 결제를 연결해야 한다.

신원은 또 다른 과제를 만든다. 결제 주소는 가명일 수 있고, 공개 레지스트리 항목은 자발적이거나 검증되지 않았을 수 있다.

TRM은 에이전틱 커머스에 정확한 등록, 거래 상대방 평판, 높은 거래 건수를 고려한 모니터링이 필요하다고 주장한다. 인간 결제는 빈도가 낮기 때문에 기존 통제는 대개 금전적 가치에 초점을 맞춘다.

에이전트 결제는 이 패턴을 뒤집는다. 하나의 에이전트가 개별 금액은 익숙한 검토 기준 아래에 머무르는 다수의 소액 이체를 생성할 수 있다.

이러한 거래량과 가치의 불일치는 운영상 문제를 숨길 수 있다. 수천 건의 잘못된 마이크로결제는 즉각적인 금전적 피해가 작을 수 있지만, 손상된 에이전트나 결함 있는 정책을 드러낼 수 있다.

업계에는 에이전트가 무엇을, 누구에게서, 어떤 한도 안에서, 얼마나 오랫동안 구매할 수 있는지를 설명하는 머신 리더블 위임장이 필요하다. 이러한 위임장은 철회할 수도 있어야 한다.

판매자에게는 검증 가능한 에이전트 신원과 요청된 구매가 위임장에 부합한다는 증거가 필요하다. 운영자에게는 의도, 결정, 권한 부여, 정산 간 연결을 보존하는 로그가 필요하다.

사용자에게는 이해하기 쉬운 통제 수단이 필요하다. 사람이 어떤 권한을 부여했는지 보거나 이를 빠르게 중지할 수 없다면, 기술적인 지갑 서명은 거의 안심이 되지 않는다.

거래를 수행하는 에이전트를 도입하는 팀도 자체적인 증거 기록을 보존해야 한다. 프롬프트, 승인, 결과물을 아우르는 검색 가능한 기록은 복잡한 AI 워크플로를 더 쉽게 검토하게 해줄 수 있다.

이러한 통제가 수요 증가를 증명하는 것은 아니다. 다만 실험을 더 안전하게 만들고 측정의 신뢰도를 높인다.

책임성 계층은 에이전트 결제가 통제된 개발자 환경을 넘어설 수 있는지를 결정할 것이다. 이것이 없다면 더 많은 정산 거래량은 더 큰 신뢰가 아니라 더 큰 모호성을 만들 수 있다.

x402 에이전트 결제가 현실이 되고 있는지 보여줄 세 가지 신호

다음 단계는 원시 거래 총액이 아니라 검증된 에이전트 행동, 독립적인 판매자 수요, 더 강한 귀속 판단으로 평가해야 한다.

첫 번째 신호는 독립적인 판매자 전반에서 지속되는 지출이다. TRM의 엄격한 모델은 여러 판매자에 걸친 활동이 탐색과 선택을 시사하기 때문에 에이전시의 더 강한 증거로 이미 취급한다.

향후 데이터는 등록된 에이전트가 수개월에 걸쳐 서로 관련 없는 공급자로부터 반복 구매하는지를 보여줘야 한다. 더 폭넓은 판매자 구성은 에이전트가 맥락에 맞는 선택을 하고 있다는 주장을 강화할 것이다.

집중도는 그 주장을 약화시킬 것이다. 대부분의 가치가 계속해서 하나의 결제 컨트랙트, 하나의 라우터 또는 소수의 관련 주소 집단을 통해 흐른다면, 인프라 활동을 실제 시장 수요와 분리하기는 계속 어려울 것이다.

두 번째 신호는 검증 가능한 위임장과 에이전트 신원의 도입이다. Google의 AP2, 지갑 제공업체, 레지스트리, 엔터프라이즈 플랫폼은 서로 다른 방향에서 이 문제에 접근한다.

결정적인 발전은 개인 또는 조직, 권한을 부여받은 에이전트, 허용된 행동, 그에 따른 정산을 연결하는 공통 기록이 될 것이다. 자발적 라벨만으로는 충분하지 않다.

인증된 거래가 의미 있게 증가하면 TRM의 상한 추정을 강화할 수 있다. 반대로 총 거래량이 늘더라도 등록률이 낮게 유지된다면 현재의 불확실성은 지속될 것이다.

세 번째 신호는 대형 플랫폼의 프로덕션 증거다. Amazon의 AgentCore payments는 2026년 8월 정식 출시돼, 개발자에게 거래 수행 에이전트를 위한 관리형 경로를 제공했다.

중요한 지표는 카탈로그에 얼마나 많은 엔드포인트가 나타나는지가 아니다. 외부 에이전트가 강제된 예산 아래에서 유용한 리소스를 구매하고, 낮은 오류율과 반복 수요를 보이는지가 핵심이다.

공개된 사례 연구는 서로 다른 외부 구매자 수, 판매자 집중도, 반복 사용, 실패 거래, 사람의 개입을 공개해야 한다. 이러한 수치는 기능 시연과 지속 가능한 커머스를 구분하는 데 도움이 된다.

소비자 커머스에도 비슷한 명확성이 필요하다. 사람이 확인 버튼을 눌러야 하는 구매도 가치가 있지만, 자율적 지출과는 다른 범주에 속한다.

개발자와 엔터프라이즈 구매자는 공급업체에 자사 제품이 어떤 범주를 지원하는지 물어야 한다. 또한 제공업체가 AI 의사결정과 기존 자동화를 어떻게 구분하는지도 물어야 한다.

현재로서는 TRM Labs의 AI 에이전트 결제 연구가 신중한 결론을 뒷받침한다. x402는 소프트웨어 네이티브 정산이 퍼블릭 블록체인 전반에서 높은 빈도로 작동할 수 있음을 보여줬다.

그러나 자율 AI 에이전트가 그 활동의 대부분을 차지한다는 점은 보여주지 못했다. 현재 이용 가능한 최선의 추정은 검토된 x402 커머스에서 이들의 비중을 0.6%에서 7.5% 사이로 둔다.

이 격차는 단순한 브랜딩 논쟁이 아니다. 이는 투자 결정, 판매자 우선순위, 보안 통제, 그리고 새롭게 부상하는 시장의 신뢰성에 영향을 미친다.

결제 레일은 작동하지만 구매자는 여전히 식별하기 어렵다. 앞으로 수개월 동안 다중 판매자 행동, 검증 가능한 위임 권한, 독립적으로 보고되는 프로덕션 사용 사례를 지켜봐야 한다.

이러한 신호는 에이전틱 커머스가 준비된 인프라에서 실제 경제적 에이전시로 이동하고 있는지를 보여줄 것이다. 그때까지 모든 큰 거래 총액에는 한 가지 질문이 더 필요하다. AI 에이전트가 실제로 결정을 내렸다는 것을 보여주는 증거는 무엇인가?