Badanie TRM Labs dotyczące płatności agentów AI wykazuje, że narracja o autonomii x402 wyprzedza rzeczywistość
TRM Labs przeanalizowało 198,9 mln rozliczeń x402 i wykryło wyraźny rozdźwięk między aktywnością płatniczą a rzeczywistą autonomią AI. Badanie dotyczące płatności agentów AI szacuje, że agenci wygenerowali jedynie od 0,6% do 7,5% wartości przefiltrowanego handlu.
Ten przedział podważa jedną z najbardziej atrakcyjnych narracji wokół agentic commerce. Blockchain może pokazać, że oprogramowanie wysłało płatność, ale nie może wykazać, czy model AI wybrał sprzedawcę, ocenił alternatywy lub działał niezależnie.
To rozróżnienie ma znaczenie, ponieważ Coinbase, Amazon, Google, OpenAI, Stripe i duże sieci płatnicze budują infrastrukturę wokół transakcji inicjowanych przez maszyny. Ich mechanizmy płatnicze coraz lepiej działają. Dowody na to, że autonomiczni agenci wykorzystują je na istotną skalę komercyjną, pozostają znacznie skromniejsze.
Ustalenia TRM nie oznaczają, że agentic commerce poniosło porażkę. Pokazują, że adopcja infrastruktury, wolumen zautomatyzowanych płatności i inteligentna aktywność gospodarcza to trzy różne miary. Traktowanie ich jako równoważnych zniekształca obraz rynku.
Badanie TRM Labs dotyczące płatności agentów AI zmniejsza deklarowany wolumen o połowę
Najważniejszym ustaleniem TRM nie jest brak aktywności x402. Chodzi o to, że dużej części tej aktywności nie można uznać za zwykły handel.
Firma zajmująca się analizą danych blockchain zbadała znanych facilitatorów x402 w sieciach Base, Solana i Polygon. Ci facilitatorzy weryfikują podpisane autoryzacje płatności, transmitują rozliczenia i pokrywają opłatę sieciową blockchain.
Zbiór danych obejmował około 52,7 mln USD w ramach 198,9 mln rozliczeń od maja 2025 roku. Na pierwszy rzut oka liczby te opisują rozwiniętą sieć płatności maszynowych o znacznej częstotliwości transakcji.
TRM następnie przefiltrowało dane, aby usunąć aktywność, która nie przypominała rzeczywistego handlu. Kryteria wykluczały adresy płacące samym sobie, masowe przepływy zdominowane przez jednego lub dwóch płatników oraz sprzedawców mających mniej niż dziesięciu różnych kupujących.
Te wykluczenia zmniejszyły prawdopodobną pulę handlową do 25,62 mln USD. Innymi słowy, około połowa obserwowanej wartości zniknęła, zanim TRM w ogóle podjęło próbę ustalenia, czy zaangażowany był agent AI.
Pełna analiza onchain wyjaśnia, dlaczego ten pierwszy filtr jest niezbędny. Zaplanowane procesy, testy obciążeniowe, transakcje z samym sobą, aktywność tokenowa i zwykłe oprogramowanie mogą generować prawidłowe rozliczenia x402.
Technicznie udana płatność odpowiada więc tylko na wąskie pytanie. Potwierdza, że adres autoryzował transfer zgodnie z zasadami protokołu. Nie ustala, kto kontrolował adres ani dlaczego doszło do płatności.
Po zidentyfikowaniu prawdopodobnego handlu TRM stanęło przed trudniejszym problemem atrybucji. Agent AI i konwencjonalny skrypt mogą realizować dokładnie tę samą sekwencję płatności. Ich transakcje mogą wyglądać identycznie w publicznym blockchainie.
Firma zmierzyła się z tą niepewnością za pomocą dwóch modeli. Model bardziej liberalny uwzględniał płatności transmitowane przez facilitatorów, o zmiennej wartości i średnio niższe niż jeden dolar.
Model rygorystyczny wymagał, aby takie wzorce utrzymywały się przez wiele miesięcy. Wymagał również publicznej rejestracji agenta albo płatności na rzecz więcej niż jednego sprzedawcy.
Po zastosowaniu do przefiltrowanej puli handlowej testy te dały szacunek od 0,6% do 7,5%. Szeroki przedział odzwierciedla niepewność metody klasyfikacji, a nie precyzyjny spis wszystkich agentów.
To zastrzeżenie ma kluczowe znaczenie dla całej historii. TRM nie twierdzi, że zidentyfikowało każdą autonomiczną płatność. Szacuje wiarygodny zakres na podstawie sygnałów behawioralnych, które nadal są niepełne.
Badanie wykazało również, że w rozliczeniach dominował USDC. Około 52,47 mln USD z 52,68 mln USD, czyli 99,6%, wykorzystało ten stablecoin w nieograniczonej analizie aktywów.
Ta koncentracja ułatwia opisanie aktywności x402 jako rynku płatności stablecoinami. Nie ułatwia jednak klasyfikowania kupujących jako inteligentnych agentów.
Wynik ten zmienia znaczenie nagłówkowych liczb x402. Dokumentują one popyt na programowalne płatności, lecz nie dokumentują niezależnie popytu ze strony autonomicznych kupujących AI.
Dlaczego aktywność x402 nie dowodzi istnienia agentic commerce
x402 może uczynić płatność czytelną dla maszyny, nie czyniąc maszyny płacącej inteligentną.
Protokół przekształca kod statusu HTTP 402, oznaczony jako „Payment Required”, w działający etap płatności. Klient żąda zasobu cyfrowego, a serwer odpowiada warunkami płatności.
Klient podpisuje autoryzację i ponawia żądanie z dołączonym dowodem. Facilitator weryfikuje autoryzację, rozlicza płatność onchain i zwraca dowód, że zasób może zostać dostarczony.
Taka konstrukcja eliminuje konwencjonalną stronę finalizacji zakupu. Umożliwia oprogramowaniu zakup odpowiedzi API, zapytania o dane, inferencji modelu lub innej usługi cyfrowej w ramach zwykłego przepływu żądań.
Mechanizm ten jest użyteczny dla agentów AI, ponieważ utrzymuje płatność w ich pętli wykonawczej. Agent nie musi otwierać przeglądarki, wypełniać formularza karty ani prosić człowieka o zatwierdzanie każdego drobnego zakupu.
Żaden z tych kroków nie wymaga jednak rozumowania. Deweloper może napisać deterministyczne oprogramowanie, które według harmonogramu wywołuje ten sam endpoint, płaci tę samą kwotę i zapisuje odpowiedź.
System testów obciążeniowych może robić to samo z dużo większą częstotliwością. Operator usługi może również generować płatności do siebie lub aktywność promocyjną, która zwiększa liczbę transakcji bez reprezentowania zewnętrznego popytu.
Klasyfikacja TRM wykorzystuje zmienność ceny jako jeden z sygnałów sprawczości. Rozumowanie jest takie, że agent eksplorujący wiele usług powinien napotykać różne ceny, podczas gdy skrypt wielokrotnie wywołujący jeden endpoint często płaci stałą kwotę.
To założenie jest uzasadnione, ale tworzy martwy punkt. Legalny agent o jednym przeznaczeniu może wielokrotnie kupować tę samą usługę w tej samej cenie. Model TRM mógłby zaklasyfikować taką aktywność jako konwencjonalną automatyzację.
Możliwy jest także błąd w przeciwnym kierunku. Skrypt może rotować między endpointami, zmieniać kwoty transakcji lub naśladować wzorzec eksploracyjnych płatności bez korzystania z modelu AI.
Same dane blockchain nie mogą rozstrzygnąć tego problemu. Łańcuch zapisuje adresy, aktywa, kwoty, znaczniki czasu i interakcje z kontraktami. Nie rejestruje wiarygodnego wyjaśnienia procesu decyzyjnego stojącego za każdą autoryzacją.
Publiczne rejestry agentów oferują kolejny sygnał, lecz rejestracja nadal jest dobrowolna. Właściciel portfela może zadeklarować, że adres należy do agenta, ale deklaracja ta może nie być niezależnie zweryfikowana.
TRM stwierdziło, że obecnie większość uczestników nie korzysta z tych rejestrów. Pozostawia to badaczy bez spójnej warstwy tożsamości łączącej portfele z agentami, operatorami, modelami lub użytkownikami delegującymi uprawnienia.
Problem analityczny przypomina zautomatyzowany ruch internetowy. Serwer może zaobserwować, że maszyna zażądała strony, lecz potrzebne są dodatkowe dowody, aby odróżnić robota indeksującego, złośliwego bota, narzędzie testowe i asystenta AI.
Płatności podnoszą stawkę, ponieważ klasyfikacja wpływa na monitorowanie oszustw, kontrolę sankcyjną, spory i odpowiedzialność. Błędna etykieta ma poważniejsze konsekwencje, gdy oprogramowanie może przesuwać środki z szybkością maszyny.
Ustalenia dotyczące x402 ujawniają zatem lukę pomiarową. Rynek ma wiarygodne dane rozliczeniowe, ale brakuje mu równie wiarygodnych danych atrybucyjnych.
Ta luka wyjaśnia, dlaczego sumy transakcji nie powinny zastępować wskaźników adopcji. Rzeczywiste agentic commerce wymaga dowodów delegowanych uprawnień, wyboru ukierunkowanego na cel i zakupu o istotnym znaczeniu ekonomicznym.
Prawdziwym przeciwnikiem jest obietnica agentic commerce
Podstawowy konflikt nie dotyczy x402 kontra sieci kartowe. Dotyczy obietnicy autonomicznego handlu kontra dowodów na zwykłą automatyzację.
Firmy technologiczne spędziły ponad rok na składaniu elementów potrzebnych agentom do robienia zakupów i płacenia. Te inwestycje są realne, nawet jeśli obecne dane transakcyjne nie dowodzą powszechnej adopcji.
Google wprowadził Agent Payments Protocol, czyli AP2, we wrześniu 2025 roku. AP2 zapewnia wspólne ramy do komunikowania uprawnień użytkownika, intencji zakupu i odpowiedzialności między agentami, sprzedawcami oraz dostawcami płatności.
Ramy AP2 zostały uruchomione przy wsparciu ponad 60 organizacji technologicznych, handlowych i finansowych. Obejmowały również rozszerzenie x402 dla płatności agentów opartych na kryptowalutach.
OpenAI i Stripe wybrały ścieżkę skierowaną do konsumentów, tworząc Agentic Commerce Protocol. Ich początkowe doświadczenie Instant Checkout pozostawiało człowieka zaangażowanego w potwierdzenie zakupu, mimo że ChatGPT obsługiwał odkrywanie produktów i komunikację ze sprzedawcą.
Ten protokół finalizacji zakupu ilustruje istotną różnicę. Handel wspomagany przez AI może mieć znaczenie komercyjne bez przyznawania modelowi pełnej autonomii w wydawaniu pieniędzy.
Użytkownik nadal potwierdza produkt, informacje o dostawie i dane płatnicze. Sprzedawca pozostaje odpowiedzialny za przyjęcie zamówienia, przetworzenie płatności, realizację oraz obsługę klienta.
Amazon posunął się dalej w kierunku autonomicznych zakupów dokonywanych przez oprogramowanie. Płatności Amazon Bedrock AgentCore weszły w fazę preview w maju 2026 roku i stały się ogólnie dostępne w sierpniu.
Usługa pozwala deweloperom podłączać obsługiwane portfele, ustawiać limity wydatków i zezwalać agentom na płacenie za API, serwery Model Context Protocol, treści i inne zasoby cyfrowe. Model Context Protocol, czyli MCP, to standard łączenia systemów AI z zewnętrznymi narzędziami i danymi.
Według wydania AgentCore infrastruktura może negocjować płatności x402, egzekwować limity i rejestrować aktywność transakcyjną. Te mechanizmy kontroli odpowiadają na obawy przedsiębiorstw, których sam dostęp do surowego portfela nie rozwiązuje.
Te premiery pokazują silne zaangażowanie po stronie podaży. Duże firmy tworzą protokoły, mechanizmy tożsamości, portfele, połączenia ze sprzedawcami i narzędzia nadzoru, zanim autonomiczny popyt stanie się łatwy do zmierzenia.
Taka kolejność jest powszechna na rynkach infrastrukturalnych. Deweloperzy potrzebują niezawodnych mechanizmów, zanim będą mogli tworzyć aplikacje, a dostawcy płatności potrzebują wiarygodnych aplikacji, zanim wolumen transakcji zyska znaczenie ekonomiczne.
Ryzyko pojawia się wtedy, gdy gotowość myli się z adopcją. Protokół może obsługiwać autonomiczne zakupy, nawet jeśli większość obecnych użytkowników to skrypty, testy lub wąsko zaprogramowane usługi.
Wyniki TRM wywierają presję na dostawców infrastruktury, aby przedstawiali lepsze dowody. Liczba transakcji i rozliczona wartość nie zapewniają już wystarczającego kontekstu, gdy ta sama infrastruktura obsługuje agentów, zwykłą automatyzację i nietypową aktywność.
Przydatne raportowanie oddzielałoby handel zewnętrzny od przepływów generowanych własnymi siłami. Rozróżniałoby również zakupy wspomagane przez AI, deterministyczne płatności maszynowe oraz autonomiczne decyzje ukierunkowane na cel.
Taki poziom klasyfikacji jest trudny, ale konieczny. W przeciwnym razie agentic commerce może stać się etykietą stosowaną do każdej płatności wygenerowanej przez oprogramowanie.
Optymistyczna interpretacja zakłada, że firmy budują infrastrukturę przed pojawieniem się popytu. Sceptyczna interpretacja mówi, że rynek stworzył zaawansowaną infrastrukturę dla kupujących, którzy rzadko się pojawiają.
Oba odczytania są zgodne z dostępnymi faktami. Kolejny etap zależy od tego, czy deweloperzy wdrożą agentów, którzy odkrywają i kupują zasoby u istotnej liczby niezależnych sprzedawców.
Płatności agentowe wyjaśnione przez to, czego modele nie widzą
Zakres TRM jest wartościowy, ponieważ uwidacznia niepewność, lecz jego testy behawioralne nie mogą zapewnić ostatecznej atrybucji.
Modele liberalny i restrykcyjny wyznaczają granice, a nie dostarczają ostatecznej odpowiedzi. Takie podejście jest bardziej wiarygodne niż przedstawianie każdej transakcji rozliczonej przez x402 jako aktywności agenta.
Mimo to dolne i górne szacunki zależą od założeń dotyczących tego, jak powinny zachowywać się inteligentne agenty. Agenci, którzy badają oferty wielu sprzedawców i napotykają zmienne ceny, łatwiej wpisują się w ten model.
Wąsko wyspecjalizowani agenci pasują do niego mniej komfortowo. Weźmy automatycznego agenta badawczego, który każdego ranka kupuje ten sam specjalistyczny zbiór danych. Mógłby on oceniać bieżące warunki, uznawać, że zakup wciąż jest użyteczny, i wielokrotnie płacić temu samemu dostawcy.
Jego wzorzec onchain mógłby przypominać zaplanowany skrypt. Inteligentna praca mogłaby odbywać się przed płatnością, podczas gdy samo rozliczenie pozostawałoby jednolite.
Bardziej rozbudowany skrypt może wywołać odwrotne wrażenie. Mógłby wybierać spośród kilku dostawców według stałych reguł, generować płatności o zmiennych kwotach i działać przez wiele miesięcy.
Taki system mógłby spełniać kilka kryteriów behawioralnych bez korzystania z generatywnej AI. Klasyfikacja oparta na transakcjach zawyżałaby udział autonomicznych agentów.
TRM przyznaje, że istnieje to ograniczenie. W raporcie wskazano, że test zmienności cen może zaniżać liczbę agentów o pojedynczym przeznaczeniu, którzy wielokrotnie płacą za jedną usługę.
Okno pomiarowe tworzy kolejne ograniczenie. x402 wspiera przede wszystkim płatności natywne dla maszyn za zasoby cyfrowe. Nie obejmuje każdego zakupu kartą zainicjowanego lub wspieranego przez produkt AI.
Visa i Artemis opisują rozróżnienie między makrohandlem a mikrohandlem. Makrohandel obejmuje znane zakupy, takie jak podróże lub subskrypcje, w których agent działa na rzecz osoby za pośrednictwem istniejących systemów sprzedawców.
Mikrohandel obejmuje niewielkie płatności między oprogramowaniem za API, moc obliczeniową lub dane. Takie płatności mogą zachodzić często i nie odpowiadać ekonomice tradycyjnych transakcji kartowych.
Ich badanie płatności wykazało skorygowaną aktywność x402 na poziomie około 15 mln USD w ramach 109,6 mln transakcji według stanu na 21 kwietnia 2026 r. Różne sumy i daty pokazują, dlaczego metodologia ma znaczenie przy porównywaniu badań.
TRM użył późniejszego okresu obserwacji oraz znanych facilitatorów w trzech sieciach. Zastosował również własne filtry handlu i sprawczości. Wynikowych danych nie należy łączyć tak, jakby mierzyły identyczną populację.
Żaden ze zbiorów danych nie obejmuje każdej formy zakupów wspieranych przez AI. Konsument może poprosić ChatGPT o porównanie produktów, a następnie samodzielnie sfinalizować zakup na stronie sprzedawcy.
Taka transakcja odzwierciedla wpływ AI, ale nie autonomiczne wydawanie środków. Nazywanie jej handlem agentowym zacierałoby różnice między odkrywaniem produktów, rekomendacjami, pomocą przy finalizacji zakupu i delegowanym zakupem.
To rozróżnienie ma znaczenie dla sprzedawców. Polecenia generowane przez AI mogą wpływać na to, które produkty klienci rozważają, nawet jeśli końcowa płatność odbywa się w tradycyjnym procesie checkout.
Dostawcy infrastruktury płatniczej stają przed innym pytaniem. Muszą wiedzieć, kiedy oprogramowanie ma uprawnienie do zainicjowania transakcji i kto ponosi odpowiedzialność, jeśli wynik narusza instrukcje użytkownika.
Dlatego badacze potrzebują kilku wskaźników, a nie jednego. Przydatne kategorie obejmują wyszukiwanie wspierane przez agenta, checkout potwierdzany przez człowieka, deterministyczne zakupy maszynowe oraz autonomiczne wydawanie środków ukierunkowane na cel.
Taka klasyfikacja poprawiłaby również porównania systemów kartowych i stablecoinowych. Zapobiegłaby myleniu wyborów infrastrukturalnych z różnymi poziomami inteligencji.
Dopóki takie pomiary nie istnieją, zakres TRM należy odczytywać jako ograniczony szacunek widocznego zachowania x402. Nie jest on werdyktem dotyczącym każdego zakupu pośredniczonego przez AI w internecie.
Działające szyny płatnicze nadal nie zapewniają agentowej rozliczalności
Najpilniejszym problemem nie jest już to, czy oprogramowanie może przesyłać pieniądze. Chodzi o to, czy każda płatność zawiera wiarygodny dowód uprawnienia i odpowiedzialności.
Tradycyjny handel internetowy zakłada, że człowiek kontroluje sesję zakupową. Systemy przeciwdziałania oszustwom, ekrany potwierdzeń, paragony, spory i chargebacki opierają się na tym założeniu.
Autonomiczny agent zmienia tę sekwencję. Osoba może przyznać mu szeroki cel, podczas gdy oprogramowanie wybiera sprzedawcę, kwotę, termin i zasób bez proszenia o zgodę na każdą transakcję.
Taki układ tworzy kilka warstw odpowiedzialności. Użytkownik definiuje cel, platforma agenta go realizuje, model go interpretuje, portfel podpisuje transakcję, a sprzedawca realizuje zamówienie.
Jeśli agent kupi niewłaściwy zasób, każdy uczestnik może wskazać kogoś innego. Użytkownik może obwiniać model, platforma może powoływać się na delegowane uprawnienie, a sprzedawca może polegać na ważnym podpisie.
Złośliwa instrukcja może stworzyć trudniejszy przypadek. Prompt injection występuje, gdy niezaufana treść manipuluje systemem AI, aby podjął niezamierzone działanie.
Agent przeglądający zewnętrzne zasoby mógłby napotkać instrukcje zaprojektowane tak, aby przekierować płatność. Ważne rozliczenie blockchain potwierdzałoby wykonanie, a nie zgodny z prawem zamiar.
MFW zwrócił uwagę na to napięcie między probabilistycznymi decyzjami AI a deterministycznymi systemami płatniczymi. Jego ocena płatności wskazuje identyfikowalność autoryzacji, cyberbezpieczeństwo, niejasną odpowiedzialność oraz skorelowane zautomatyzowane zachowania jako pojawiające się ryzyka.
Limity wydatków ograniczają ekspozycję, ale nie wyjaśniają, dlaczego doszło do transakcji. Logowanie usprawnia dochodzenie, jednak logi muszą łączyć mandat użytkownika z rozumowaniem agenta i końcową płatnością.
Tożsamość tworzy kolejne wyzwanie. Adres płatniczy może być pseudonimowy, podczas gdy wpis w publicznym rejestrze może być dobrowolny lub niezweryfikowany.
TRM argumentuje, że handel agentowy potrzebuje dokładnej rejestracji, reputacji kontrahentów oraz monitorowania zaprojektowanego dla dużej liczby transakcji. Konwencjonalne mechanizmy kontroli często koncentrują się na wartości pieniężnej, ponieważ płatności dokonywane przez ludzi są rzadsze.
Płatności agentowe odwracają ten wzorzec. Jeden agent może generować wiele małych przelewów, których pojedyncze wartości pozostają poniżej znanych progów kontroli.
Ta niezgodność między wolumenem a wartością może ukrywać problemy operacyjne. Tysiące nieprawidłowych mikropłatności może wyrządzić niewielką bezpośrednią szkodę finansową, jednocześnie ujawniając przejętego agenta lub wadliwą politykę.
Branża potrzebuje mandatów odczytywalnych przez maszyny, które opisują, co agent może kupować, od kogo, w jakich limitach i przez jak długi czas. Mandaty te muszą również dawać się odwołać.
Sprzedawcy potrzebują weryfikowalnych tożsamości agentów oraz dowodu, że żądany zakup mieści się w mandacie. Operatorzy potrzebują logów zachowujących związek między intencją, decyzją, autoryzacją i rozliczeniem.
Użytkownicy potrzebują zrozumiałych mechanizmów kontroli. Techniczny podpis portfela daje niewielkie poczucie bezpieczeństwa, jeśli osoba nie widzi, jakie uprawnienie zostało przyznane, lub nie może go szybko zatrzymać.
Zespoły wdrażające agentów realizujących transakcje powinny także zachowywać własne ścieżki dowodowe. Przeszukiwalne rejestry promptów, zatwierdzeń i wyników mogą ułatwić analizę złożonych workflow AI.
Żaden z tych mechanizmów kontroli nie dowodzi, że popyt będzie rósł. Czynią one eksperymentowanie bezpieczniejszym, a pomiary bardziej wiarygodnymi.
Warstwa rozliczalności zdecyduje, czy płatności agentowe wyjdą poza kontrolowane środowiska deweloperskie. Bez niej większy wolumen rozliczeń może tworzyć więcej niejednoznaczności zamiast większego zaufania.
Trzy sygnały pokażą, czy płatności agentowe x402 stają się realne
Kolejny etap należy oceniać na podstawie zweryfikowanych zachowań agentów, niezależnego popytu ze strony sprzedawców i silniejszej atrybucji, a nie surowych sum transakcji.
Pierwszym sygnałem jest trwałe wydawanie środków u niezależnych sprzedawców. Bardziej restrykcyjny model TRM już uznaje aktywność obejmującą wielu sprzedawców za silniejszy dowód sprawczości, ponieważ sugeruje ona odkrywanie i wybór.
Przyszłe dane powinny pokazać, czy zarejestrowani agenci wielokrotnie kupują od niepowiązanych dostawców przez kilka miesięcy. Szersza mieszanka sprzedawców wzmocniłaby argument, że agenci podejmują decyzje zależne od kontekstu.
Koncentracja by go osłabiła. Jeśli większość wartości nadal przepływa przez jeden kontrakt płatniczy, jeden router lub niewielką grupę powiązanych adresów, aktywność infrastrukturalna pozostanie trudna do odróżnienia od rzeczywistego popytu rynkowego.
Drugim sygnałem jest wdrażanie weryfikowalnych mandatów i tożsamości agentów. Google AP2, dostawcy portfeli, rejestry i platformy korporacyjne podchodzą do tego problemu z różnych stron.
Decydującym rozwiązaniem będzie wspólny zapis łączący osobę lub organizację, upoważnionego agenta, dozwolone działanie oraz wynikające z niego rozliczenie. Same dobrowolne etykiety nie wystarczą.
Znaczący wzrost liczby uwierzytelnionych transakcji wzmocniłby górny szacunek TRM. Utrzymująca się niska rejestracja zachowałaby obecną niepewność, nawet gdyby całkowity wolumen wzrósł.
Trzecim sygnałem są dowody produkcyjnego użycia przez duże platformy. Płatności Amazon AgentCore osiągnęły ogólną dostępność w sierpniu 2026 r., dając deweloperom zarządzaną ścieżkę do agentów realizujących transakcje.
Istotnym wskaźnikiem nie jest liczba endpointów widocznych w katalogu. Jest nim to, czy zewnętrzni agenci kupują użyteczne zasoby w ramach wymuszanych budżetów, przy niskim poziomie błędów i powtarzalnym popycie.
Opublikowane studia przypadków powinny ujawniać liczbę różnych zewnętrznych nabywców, koncentrację sprzedawców, powtarzalne użycie, nieudane transakcje i interwencję człowieka. Dane te pomogłyby odróżnić funkcjonalne demonstracje od trwałego handlu.
Handel konsumencki potrzebuje podobnej jasności. Zakup wymagający od osoby naciśnięcia przycisku potwierdzenia pozostaje wartościowy, ale należy do innej kategorii niż autonomiczne wydawanie środków.
Deweloperzy i nabywcy korporacyjni powinni pytać dostawców, którą kategorię obsługuje ich produkt. Powinni także pytać, jak dostawca odróżnia decyzje AI od konwencjonalnej automatyzacji.
Na razie badanie TRM Labs dotyczące płatności agentów AI uzasadnia powściągliwy wniosek. x402 pokazał, że rozliczenia natywne dla oprogramowania mogą działać z wysoką częstotliwością w publicznych blockchainach.
Nie wykazał jednak, że autonomiczne agenty AI odpowiadają za większość tej aktywności. Najlepszy dostępny szacunek umieszcza ich udział w przefiltrowanym handlu x402 między 0,6% a 7,5%.
Ta różnica nie jest wyłącznie sporem o branding. Wpływa na decyzje inwestycyjne, priorytety sprzedawców, mechanizmy bezpieczeństwa i wiarygodność wyłaniającego się rynku.
Szyna działa, ale nabywcę nadal trudno zidentyfikować. W ciągu kolejnych kilku miesięcy warto obserwować zachowania obejmujące wielu sprzedawców, weryfikowalną delegowaną władzę oraz niezależnie raportowane użycie produkcyjne.
Te sygnały pokażą, czy handel agentowy przechodzi od przygotowanej infrastruktury do rzeczywistej sprawczości gospodarczej. Do tego czasu każda duża suma transakcji zasługuje na kolejne pytanie: jakie dowody pokazują, że decyzję rzeczywiście podjął agent AI?
