Pesquisa da TRM Labs sobre pagamentos por agentes de IA conclui que a narrativa de autonomia do x402 está à frente da realidade
A TRM Labs analisou 198,9 milhões de liquidações x402 e encontrou um forte conflito entre a atividade de pagamentos e a autonomia real da IA. Sua pesquisa sobre pagamentos por agentes de IA estima que os agentes geraram apenas entre 0,6% e 7,5% do comércio analisado em valor.
Essa faixa desafia uma das narrativas mais atraentes do comércio agêntico. Uma blockchain pode mostrar que um software enviou um pagamento, mas não pode demonstrar se um modelo de IA escolheu o comerciante, avaliou alternativas ou agiu de forma independente.
A distinção importa porque Coinbase, Amazon, Google, OpenAI, Stripe e grandes redes de pagamento estão construindo infraestrutura em torno de transações iniciadas por máquinas. Essas infraestruturas funcionam cada vez melhor. As evidências de que agentes autônomos as utilizam em escala comercial significativa continuam bem mais escassas.
As conclusões da TRM não significam que o comércio agêntico fracassou. Elas mostram que a adoção de infraestrutura, o volume de pagamentos automatizados e a atividade econômica inteligente são três métricas diferentes. Tratá-las como equivalentes cria uma visão distorcida do mercado.
Pesquisa da TRM Labs sobre pagamentos por agentes de IA reduz o volume de destaque pela metade
A constatação mais importante da TRM não é que o x402 careça de atividade. É que grande parte dessa atividade não pode ser tratada como comércio comum.
A empresa de inteligência em blockchain examinou facilitadores x402 conhecidos na Base, Solana e Polygon. Esses facilitadores verificam autorizações de pagamento assinadas, transmitem liquidações e cobrem a taxa de rede da blockchain.
O conjunto de dados continha cerca de USD 52,7 milhões em 198,9 milhões de liquidações desde maio de 2025. À primeira vista, esses números descrevem uma rede consolidada de pagamentos por máquinas, com frequência considerável de transações.
Em seguida, a TRM filtrou os dados para remover atividades que não pareciam comércio genuíno. Seus filtros excluíram endereços que pagavam a si mesmos, fluxos em massa dominados por um ou dois pagadores e vendedores com menos de dez compradores distintos.
Essas exclusões reduziram o provável conjunto de comércio para USD 25,62 milhões. Em outras palavras, cerca de metade do valor observado desapareceu antes de a TRM sequer tentar determinar se um agente de IA estava envolvido.
A análise onchain completa explica por que esse primeiro filtro é necessário. Processos agendados, testes de carga, transações consigo mesmo, atividade de tokens e softwares convencionais podem gerar liquidações x402 válidas.
Portanto, um pagamento tecnicamente bem-sucedido responde apenas a uma pergunta limitada. Ele confirma que um endereço autorizou uma transferência conforme as regras do protocolo. Não determina quem controlava o endereço nem por que o pagamento ocorreu.
A TRM enfrentou um problema de atribuição mais difícil após identificar o provável comércio. Um agente de IA e um script convencional podem seguir exatamente a mesma sequência de pagamento. Suas transações podem parecer idênticas em uma blockchain pública.
A empresa abordou essa incerteza com dois modelos. Seu modelo permissivo contabilizou pagamentos transmitidos por facilitadores, com valor variável e média inferior a um dólar.
O modelo rigoroso exigiu que esses padrões continuassem por vários meses. Também exigiu um registro público de agente ou pagamentos a mais de um vendedor.
Aplicados ao conjunto de comércio analisado, esses testes produziram a estimativa de 0,6% a 7,5%. O amplo intervalo reflete a incerteza do método de classificação, não um censo preciso de todos os agentes.
Essa ressalva é central para a história. A TRM não afirma ter identificado todos os pagamentos autônomos. Ela estima uma faixa plausível a partir de sinais comportamentais que continuam incompletos.
O estudo também constatou que o USDC dominou as liquidações. Cerca de USD 52,47 milhões de USD 52,68 milhões, ou 99,6%, usaram essa stablecoin na análise irrestrita de ativos.
Essa concentração torna mais fácil descrever a atividade do x402 como um mercado de pagamentos em stablecoins. Ela não torna mais fácil classificar os compradores subjacentes como agentes inteligentes.
O resultado muda o significado dos números de destaque do x402. Eles documentam demanda por pagamentos programáveis, mas não documentam de forma independente a demanda de compradores autônomos baseados em IA.
Por que a atividade do x402 não comprova o comércio agêntico
O x402 pode tornar um pagamento legível por máquinas sem tornar inteligente a máquina que paga.
O protocolo adapta o código de status HTTP 402, identificado como “Payment Required”, para uma etapa funcional de pagamento. Um cliente solicita um recurso digital, e o servidor responde com os termos de pagamento.
O cliente assina uma autorização e repete a solicitação com essa prova anexada. Um facilitador verifica a autorização, liquida o pagamento onchain e retorna evidências de que o recurso pode ser entregue.
Esse design elimina a página convencional de checkout. Ele permite que um software compre uma resposta de API, uma consulta de dados, uma inferência de modelo ou outro serviço digital dentro de um fluxo normal de solicitações.
Esse mecanismo é útil para agentes de IA porque mantém o pagamento dentro de seu ciclo de execução. Um agente não precisa abrir um navegador, preencher um formulário de cartão ou pedir a um humano que aprove cada pequena compra.
No entanto, nenhuma dessas etapas exige raciocínio. Um desenvolvedor pode escrever um software determinístico que solicita o mesmo endpoint em uma programação definida, paga o mesmo valor e armazena a resposta.
Um sistema de testes de carga pode fazer o mesmo em frequência muito mais alta. Um operador de serviço também pode gerar autopagamentos ou atividades promocionais que aumentam as contagens de transações sem representar demanda externa.
A classificação da TRM usa a variação de preço como um sinal de agência. O raciocínio é que um agente explorando vários serviços deve encontrar preços diferentes, enquanto um script que chama repetidamente um endpoint costuma pagar um valor fixo.
Essa premissa é defensável, mas cria um ponto cego. Um agente legítimo de propósito único pode comprar repetidamente o mesmo serviço pelo mesmo preço. O modelo da TRM poderia classificar essa atividade como automação convencional.
O erro oposto também é possível. Um script pode alternar entre endpoints, variar os valores das transações ou imitar um padrão exploratório de pagamentos sem usar um modelo de IA.
Os dados de blockchain, por si só, não conseguem resolver esse problema. A cadeia registra endereços, ativos, valores, timestamps e interações com contratos. Ela não registra uma explicação confiável do processo de decisão por trás de cada autorização.
Registros públicos de agentes oferecem outro sinal, mas o registro continua voluntário. O dono de uma carteira pode declarar que um endereço pertence a um agente, mas essa declaração pode não ser verificada de forma independente.
A TRM afirmou que a maioria dos participantes atualmente não usa esses registros. Isso deixa os pesquisadores sem uma camada de identidade consistente que conecte carteiras a agentes, operadores, modelos ou usuários delegantes.
O problema analítico se assemelha ao tráfego automatizado na web. Um servidor pode observar que uma máquina solicitou uma página, mas são necessárias evidências adicionais para diferenciar um rastreador de busca, um bot malicioso, uma ferramenta de testes e um assistente de IA.
Os pagamentos elevam os riscos porque a classificação afeta o monitoramento de fraudes, a triagem de sanções, as disputas e a responsabilização. Um rótulo equivocado tem consequências maiores quando um software pode movimentar fundos na velocidade das máquinas.
As conclusões sobre o x402, portanto, expõem uma lacuna de medição. O mercado dispõe de dados confiáveis de liquidação, mas não possui dados de atribuição igualmente confiáveis.
Essa lacuna explica por que os totais de transações não devem substituir métricas de adoção. O comércio agêntico real exige evidências de autoridade delegada, seleção orientada a objetivos e uma compra economicamente significativa.
O verdadeiro oponente é a promessa do comércio agêntico
O principal conflito não é x402 versus redes de cartões. É a promessa do comércio autônomo versus as evidências de automação comum.
Empresas de tecnologia passaram mais de um ano reunindo os elementos necessários para que agentes possam comprar e pagar. Esses investimentos são reais, mesmo que os dados atuais de transações não comprovem uma adoção ampla.
O Google apresentou seu Agent Payments Protocol, ou AP2, em setembro de 2025. O AP2 fornece uma estrutura compartilhada para comunicar autoridade do usuário, intenção de compra e responsabilização entre agentes, comerciantes e provedores de pagamento.
A estrutura AP2 foi lançada com apoio de mais de 60 organizações de tecnologia, varejo e finanças. Ela também incluiu uma extensão x402 para pagamentos de agentes baseados em criptomoedas.
OpenAI e Stripe seguiram uma rota voltada ao consumidor com o Agentic Commerce Protocol. Sua experiência inicial de Instant Checkout manteve uma pessoa envolvida na confirmação da compra, embora o ChatGPT cuidasse da descoberta de produtos e da comunicação com o comerciante.
Esse protocolo de checkout ilustra uma diferença importante. O comércio assistido por IA pode ser comercialmente relevante sem conceder a um modelo autonomia total de gastos.
O usuário ainda confirma o item, as informações de entrega e os detalhes de pagamento. O comerciante continua responsável por aceitar o pedido, processar o pagamento, realizá-lo e atender o cliente.
A Amazon avançou mais na compra autônoma por software. Os pagamentos do Amazon Bedrock AgentCore entraram em preview em maio de 2026 e ficaram disponíveis de forma geral em agosto.
O serviço permite que desenvolvedores conectem carteiras compatíveis, definam limites de gastos e autorizem agentes a pagar por APIs, servidores Model Context Protocol, conteúdo e outros recursos digitais. Model Context Protocol, ou MCP, é um padrão para conectar sistemas de IA a ferramentas e dados externos.
Segundo o lançamento do AgentCore, a infraestrutura pode negociar pagamentos x402, aplicar limites e registrar a atividade das transações. Esses controles visam preocupações empresariais que o acesso bruto a carteiras não consegue resolver sozinho.
Esses lançamentos demonstram um forte compromisso do lado da oferta. Grandes empresas estão criando protocolos, mecanismos de identidade, carteiras, conexões com comerciantes e controles de governança antes que a demanda autônoma se torne fácil de medir.
Essa sequência é comum em mercados de infraestrutura. Desenvolvedores precisam de infraestruturas confiáveis antes de poder criar aplicações, enquanto provedores de pagamento precisam de aplicações críveis antes que o volume de transações se torne economicamente significativo.
O risco está em confundir prontidão com adoção. Um protocolo pode oferecer suporte a compras autônomas mesmo quando a maioria dos usuários atuais são scripts, testes ou serviços programados de forma restrita.
Os resultados da TRM pressionam os provedores de infraestrutura a apresentar melhores evidências. A contagem de transações e o valor liquidado já não fornecem contexto suficiente quando a mesma infraestrutura atende agentes, automação comum e atividade anômala.
Relatórios úteis separariam o comércio externo dos fluxos autogerados. Também diferenciariam compras assistidas por IA, pagamentos determinísticos por máquinas e decisões autônomas orientadas a objetivos.
Esse nível de classificação é difícil, mas necessário. Caso contrário, o comércio agêntico corre o risco de se tornar um rótulo aplicado a qualquer pagamento gerado por software.
A interpretação otimista é que as empresas estão construindo antes da demanda. A interpretação cética é que o mercado desenvolveu uma infraestrutura sofisticada para compradores que raramente chegam.
Ambas as leituras se encaixam nos fatos disponíveis. A próxima etapa depende de os desenvolvedores implementarem agentes que descubram e comprem recursos em uma variedade significativa de vendedores independentes.
Pagamentos por Agentes Explicados pelo que os Modelos Não Conseguem Ver
O intervalo da TRM é valioso porque torna a incerteza visível, mas seus testes comportamentais não podem fornecer atribuição definitiva.
Os modelos permissivo e rigoroso criam limites, e não uma resposta final. Essa abordagem é mais confiável do que apresentar toda liquidação x402 como atividade de agentes.
Ainda assim, as estimativas inferior e superior dependem de pressupostos sobre como agentes inteligentes devem se comportar. Agentes que exploram vários vendedores e encontram preços variáveis se encaixam mais facilmente no modelo.
Agentes restritos se encaixam com menos conforto. Considere um agente automatizado de pesquisa que compra o mesmo conjunto de dados especializado todas as manhãs. Ele poderia avaliar as condições atuais, decidir que a compra continua útil e pagar repetidamente a um único fornecedor.
Seu padrão onchain poderia se assemelhar a um script agendado. O trabalho inteligente poderia ocorrer antes do pagamento, enquanto a liquidação em si permanece uniforme.
Um script mais elaborado pode criar a impressão inversa. Ele poderia selecionar entre vários fornecedores usando regras fixas, gerar pagamentos variáveis e permanecer ativo por meses.
Esse sistema poderia atender a vários critérios comportamentais sem usar IA generativa. Uma classificação baseada em transações superestimaria a participação de agentes autônomos.
A TRM reconhece essa limitação. Seu relatório afirma que o teste de variação de preço pode subcontar agentes de propósito único que pagam repetidamente por um único serviço.
A janela de medição cria outra restrição. O x402 oferece suporte principalmente a pagamentos nativos de máquinas por recursos digitais. Ele não captura todas as compras com cartão iniciadas ou auxiliadas por um produto de IA.
Visa e Artemis descrevem uma distinção entre macrocomércio e microcomércio. O macrocomércio inclui compras conhecidas, como viagens ou assinaturas, nas quais um agente atua para uma pessoa por meio dos sistemas existentes dos comerciantes.
O microcomércio abrange pequenos pagamentos de software para software por APIs, computação ou dados. Esses pagamentos podem ocorrer com frequência e ficar abaixo da economia das transações convencionais com cartão.
Sua pesquisa sobre pagamentos relatou atividade x402 ajustada de aproximadamente USD 15 milhões em 109,6 milhões de transações até 21 de abril de 2026. Os diferentes totais e datas mostram por que a metodologia importa ao comparar estudos.
A TRM usou um período de observação posterior e facilitadores conhecidos em três redes. Também aplicou seus próprios critérios de comércio e agência. Os números resultantes não devem ser combinados como se medissem uma população idêntica.
Nenhum dos conjuntos de dados captura todas as formas de compras apoiadas por IA. Um consumidor pode pedir ao ChatGPT para comparar produtos e, em seguida, concluir a compra manualmente no site de um varejista.
Essa transação reflete influência da IA, mas não gasto autônomo. Chamá-la de comércio agêntico confundiria descoberta de produtos, recomendação, assistência no checkout e compra delegada.
A distinção importa para os comerciantes. Recomendações geradas por IA podem afetar quais produtos os clientes consideram, mesmo quando o pagamento final ocorre por meio de um checkout convencional.
Os provedores de infraestrutura de pagamentos enfrentam uma questão diferente. Eles precisam saber quando um software tem autoridade para iniciar uma transação e quem assume a responsabilidade caso o resultado viole as instruções do usuário.
Por isso, pesquisadores precisam de várias métricas, não apenas uma. Categorias úteis incluem descoberta assistida por agentes, checkout confirmado por humanos, compras determinísticas por máquinas e gastos autônomos orientados por objetivos.
Essa classificação também melhoraria as comparações entre sistemas de cartão e stablecoin. Ela evitaria que escolhas de infraestrutura fossem confundidas com diferentes níveis de inteligência.
Até que essas medições existam, o intervalo da TRM deve ser lido como uma estimativa delimitada do comportamento visível do x402. Não é um veredito sobre todas as compras mediadas por IA na internet.
Infraestruturas de Pagamento Funcionais Ainda Não Têm Responsabilização Agêntica
O problema mais urgente já não é saber se o software pode transferir dinheiro. É saber se cada pagamento carrega evidências confiáveis de autoridade e responsabilidade.
O comércio online tradicional pressupõe que uma pessoa controla a sessão de compra. Sistemas antifraude, telas de confirmação, recibos, disputas e estornos se baseiam nessa premissa.
Um agente autônomo muda a sequência. Uma pessoa pode conceder um objetivo amplo, enquanto o software escolhe o vendedor, o valor, o momento e o recurso sem solicitar aprovação para cada transação.
Esse arranjo cria várias camadas de responsabilidade. O usuário define o objetivo, a plataforma do agente o executa, o modelo o interpreta, a carteira assina e o comerciante atende à solicitação.
Se o agente compra o recurso errado, cada participante pode apontar para outro. O usuário pode culpar o modelo, a plataforma pode citar a autoridade delegada e o comerciante pode se apoiar em uma assinatura válida.
Uma instrução maliciosa pode criar um caso mais difícil. A injeção de prompt ocorre quando conteúdo não confiável manipula um sistema de IA para realizar uma ação não intencional.
Um agente que navega por recursos externos pode encontrar instruções projetadas para redirecionar um pagamento. Uma liquidação válida em blockchain confirmaria a execução, não a intenção legítima.
O FMI destacou essa tensão entre decisões probabilísticas de IA e sistemas de pagamento determinísticos. Sua avaliação de pagamentos identifica rastreabilidade de autorização, cibersegurança, responsabilidade pouco clara e comportamento automatizado correlacionado como riscos emergentes.
Limites de gasto reduzem a exposição, mas não estabelecem por que uma transação ocorreu. O registro melhora a investigação, mas os logs precisam conectar o mandato do usuário ao raciocínio do agente e ao pagamento final.
A identidade cria outro desafio. Um endereço de pagamento pode ser pseudônimo, enquanto uma entrada em registro público pode ser voluntária ou não verificada.
A TRM argumenta que o comércio agêntico precisa de registro preciso, reputação de contraparte e monitoramento projetado para altos volumes de transações. Os controles convencionais frequentemente se concentram no valor monetário porque pagamentos humanos são menos frequentes.
Os pagamentos por agentes invertem esse padrão. Um agente pode gerar muitas pequenas transferências cujos valores individuais permanecem abaixo dos limites conhecidos de revisão.
Esse descompasso entre volume e valor pode ocultar problemas operacionais. Milhares de micropagamentos incorretos podem causar pouco dano financeiro imediato, enquanto revelam um agente comprometido ou uma política defeituosa.
O setor precisa de mandatos legíveis por máquinas que descrevam o que um agente pode comprar, de quem, dentro de quais limites e por quanto tempo. Esses mandatos também precisam poder ser revogados.
Comerciantes precisam de identidades de agentes verificáveis e de evidências de que a compra solicitada está dentro do mandato. Operadores precisam de logs que preservem a conexão entre intenção, decisão, autorização e liquidação.
Usuários precisam de controles compreensíveis. Uma assinatura técnica de carteira oferece pouca segurança se a pessoa não consegue ver qual autoridade foi concedida ou interrompê-la rapidamente.
Equipes que adotam agentes transacionais também devem preservar seus próprios rastros de evidências. Registros pesquisáveis de prompts, aprovações e resultados podem facilitar a revisão de fluxos de trabalho complexos de IA.
Nenhum desses controles prova que a demanda crescerá. Eles tornam a experimentação mais segura e a medição mais confiável.
A camada de responsabilização determinará se os pagamentos por agentes irão além de ambientes controlados de desenvolvimento. Sem ela, mais volume de liquidação pode criar mais ambiguidade em vez de mais confiança.
Três Sinais Mostrarão se os Pagamentos por Agentes x402 Estão se Tornando Reais
A próxima fase deve ser avaliada por comportamento verificado de agentes, demanda independente de comerciantes e atribuição mais robusta, não por totais brutos de transações.
O primeiro sinal é gasto sustentado entre vendedores independentes. O modelo mais rigoroso da TRM já trata a atividade com vários vendedores como evidência mais forte de agência, pois sugere descoberta e seleção.
Dados futuros devem mostrar se agentes registrados compram repetidamente de fornecedores não relacionados ao longo de vários meses. Uma combinação mais ampla de comerciantes fortaleceria o argumento de que agentes estão fazendo escolhas contextuais.
A concentração o enfraqueceria. Se a maior parte do valor continuar fluindo por meio de um contrato de pagamento, um roteador ou um pequeno grupo de endereços relacionados, a atividade de infraestrutura continuará difícil de separar da demanda real de mercado.
O segundo sinal é a adoção de mandatos verificáveis e identidades de agentes. O AP2 do Google, provedores de carteiras, registros e plataformas empresariais abordam esse problema por direções diferentes.
O desenvolvimento decisivo será um registro comum que conecte a pessoa ou organização, o agente autorizado, a ação permitida e a liquidação resultante. Rótulos voluntários por si só não serão suficientes.
Um aumento significativo de transações autenticadas fortaleceria a estimativa superior da TRM. O registro continuamente baixo preservaria a incerteza atual, mesmo que o volume total aumente.
O terceiro sinal é a evidência de produção de grandes plataformas. Os pagamentos AgentCore da Amazon alcançaram disponibilidade geral em agosto de 2026, oferecendo aos desenvolvedores uma rota gerenciada para agentes transacionais.
A métrica relevante não é quantos endpoints aparecem em um catálogo. É se agentes externos compram recursos úteis sob orçamentos impostos, com baixas taxas de erro e demanda recorrente.
Estudos de caso publicados devem divulgar o número de compradores externos distintos, a concentração de vendedores, o uso recorrente, transações falhas e intervenção humana. Esses números ajudariam a separar demonstrações funcionais de comércio duradouro.
O comércio do consumidor precisa de clareza semelhante. Uma compra que exige que uma pessoa pressione um botão de confirmação continua valiosa, mas pertence a uma categoria diferente do gasto autônomo.
Desenvolvedores e compradores empresariais devem perguntar aos fornecedores qual categoria seu produto suporta. Também devem perguntar como o provedor distingue decisões de IA de automação convencional.
Por enquanto, a pesquisa da TRM Labs sobre pagamentos por agentes de IA sustenta uma conclusão contida. O x402 demonstrou que a liquidação nativa de software pode operar em alta frequência em blockchains públicos.
Ele não demonstrou que agentes autônomos de IA respondem pela maior parte dessa atividade. A melhor estimativa disponível coloca sua participação no comércio x402 filtrado entre 0,6% e 7,5%.
Essa lacuna não é apenas uma disputa de branding. Ela afeta decisões de investimento, prioridades de comerciantes, controles de segurança e a credibilidade de um mercado emergente.
A infraestrutura funciona, mas o comprador continua difícil de identificar. Nos próximos meses, observe o comportamento entre múltiplos comerciantes, a autoridade delegada verificável e o uso em produção relatado de forma independente.
Esses sinais revelarão se o comércio agêntico está passando de uma infraestrutura preparada para uma agência econômica real. Até lá, todo grande total de transações merece uma segunda pergunta: que evidência mostra que um agente de IA realmente tomou a decisão?
