Plus de 138 millions de transactions. C’est le chiffre qui vient de faire sursauter une partie du monde crypto et de l’intelligence artificielle. Des agents logiciels ont effectué ces paiements en cryptomonnaie sur le réseau Base, la plupart du temps sans intervention humaine directe. Pourtant, derrière ce volume impressionnant se cache une réalité bien plus nuancée : la majorité de ces échanges porte sur des montants minuscules, parfois inférieurs à un centime, destinés à acheter des services d’information, d’analyse de code ou d’accès à des modèles d’IA. L’étude récente qui révèle ces données oblige à regarder autrement ce que l’on appelle déjà l’économie machine-à-machine.
Quand les logiciels commencent à payer tout seuls
Imaginez un programme qui, en plein milieu d’une tâche, a besoin d’une information précise. Au lieu d’attendre qu’un humain clique sur un bouton, il détecte une demande de paiement, envoie automatiquement quelques fractions de stablecoin et obtient immédiatement la ressource. C’est exactement ce que permet le protocole x402, publié en 2025. Sur Base, ce mécanisme a généré plus de 138 millions de paiements cumulés à la fin de la période d’observation couvrant les douze mois jusqu’au 1er juillet 2026.
Ce chiffre n’est pas anodin. Il montre qu’une infrastructure de paiement conçue pour les machines fonctionne réellement à grande échelle. Mais il ne signifie pas pour autant que 138 millions d’agents autonomes indépendants ont décidé de dépenser de l’argent. Un seul développeur peut contrôler plusieurs portefeuilles. Un même wallet peut appeler la même API des centaines de fois. Une campagne promotionnelle peut gonfler artificiellement le volume. Le compteur mesure avant tout l’utilisation d’un protocole, pas le nombre de clients distincts.
Des micropaiements qui changent la donne
Plus de 87 % des paiements analysés dans l’échantillon étendu se situent entre 0,0001 dollar et 0,10 dollar. Cette fourchette est énorme. Elle explique pourquoi x402 intéresse autant les appels d’API : un réseau de cartes bancaires traditionnel ne peut tout simplement pas absorber économiquement des transactions de quelques dixièmes de centime. Le protocole permet de régler un service au moment exact où le logiciel en a besoin, sans friction humaine.
Pourtant, multiplier le nombre de transactions par une moyenne approximative ne donnerait aucune estimation sérieuse du volume total en dollars. Les chercheurs eux-mêmes se gardent bien de le faire. Ce qui compte, c’est la nature de ces dépenses. Les agents n’achètent pas des cafés ni des vêtements. Ils paient pour de l’information, de la puissance de calcul et des outils.
Ce que les agents ont réellement acheté
L’étude distingue plusieurs grandes catégories de destinataires. L’inférence de modèles d’IA, c’est-à-dire l’utilisation d’un modèle payant pour générer une réponse, représente une part importante. Viennent ensuite les services d’analyse de code, les flux de données financières, les moteurs de recherche spécialisés, les infrastructures de paiement, les catalogues d’outils pour agents, les jeux et l’émission de tokens.
Un agent chargé d’auditer un contrat intelligent peut payer un service de revue de sécurité. Un outil financier peut s’offrir une requête de données de marché en temps réel. Un assistant de recherche peut acheter l’accès à une base de données qu’il ne pourrait pas consulter autrement. Ces exemples correspondent aux classifications observées. Ils ne prétendent pas identifier chaque wallet individuellement.
Il existe toutefois une zone grise. Au début de l’activité x402, une partie significative des transactions était liée à un token spéculatif baptisé PING. Les utilisateurs appelaient un endpoint, recevaient une demande de paiement et payaient pour minter le token. Le protocole a fonctionné parfaitement. Mais cette activité ne prouvait pas l’existence d’une économie de services durables. Elle montrait simplement que l’on pouvait générer beaucoup de transactions avec un produit éphémère.
La maturation progressive vers les services utiles
Selon les chercheurs, le mix évolue. Les services d’information prennent une place croissante par rapport aux expérimentations purement spéculatives. Cette affirmation est intéressante, mais elle nécessite des preuves continues. Il faudra vérifier si les adresses liées à l’analyse de code, aux données et à l’inférence continuent de recevoir des paiements après la fin des promotions ponctuelles. Et surtout si les mêmes clients rechargent régulièrement leurs budgets.
C’est précisément sur ce point que l’étude apporte des données plus convaincantes. Les chercheurs ont regroupé les wallets selon le trimestre de leur premier financement. Parmi les portefeuilles qualifiés — ceux qui ont effectué des envois sur au moins deux jours distincts — le taux de second dépôt dans les 30 jours est passé de 70,6 % pour la cohorte du troisième trimestre 2025 à 89,3 % pour celle du deuxième trimestre 2026.
Ce chiffre ne concerne pas tous les wallets ayant touché x402. Il s’applique uniquement à une cohorte sélectionnée et observée sur une fenêtre complète de 30 jours. Même dans ce cadre, un second financement peut rester modeste ou lié à des tests. Mais la tendance est claire : les opérateurs qui utilisent réellement le protocole ont de plus en plus tendance à recharger leurs agents.
Des wallets qui passent à l’action presque immédiatement
Encore plus révélateur est le temps médian entre le financement et le premier paiement. Il est passé de 73 jours pour les wallets de fin 2025 à seulement 18 minutes au troisième trimestre 2026. La part des wallets qui dépensent dans l’heure suivant leur financement a grimpé de 4 % à 67 % sur la même période.
Ce changement de comportement correspond à des portefeuilles provisionnés pour une tâche immédiate plutôt qu’à des expérimentations laissées en sommeil. On peut y voir l’amélioration des outils d’intégration, l’automatisation du provisionnement ou simplement un changement dans le profil des utilisateurs. Les données montrent le résultat. Elles n’isolent pas encore la cause exacte.
La géographie des paiements révèle des préférences
Environ 30 % des transactions agent-vers-service géolocalisables sont attribuées à des wallets financés depuis les États-Unis. Pour l’inférence de modèles d’IA spécifiquement, cette part monte à 88,1 %. Les deux pourcentages peuvent être vrais simultanément parce qu’ils portent sur des dénominateurs différents. Les wallets américains dominent l’accès payant aux modèles dans le sous-ensemble localisé, pas 88,1 % de tous les paiements x402 sur Base.
Dans la catégorie analyse de sécurité et de code, les wallets liés à la Chine représentent environ neuf transactions sur dix, la plupart dirigées vers un prestataire particulier. La prépondérance d’un seul destinataire peut fortement influencer la part nationale. Elle ne signifie pas que 90 % de toutes les dépenses d’agents chinois concernent la sécurité, ni que chaque wallet appartient nécessairement à un résident chinois. L’attribution géographique d’une adresse onchain reste une estimation basée sur les signaux disponibles.
Les chercheurs avancent l’hypothèse que les différences d’économie des modèles expliquent en partie ces écarts. Les opérateurs américains paieraient plus volontiers pour de l’inférence, tandis que d’autres privilégieraient des alternatives open weight. C’est une explication proposée, pas un champ de transaction qui identifie le prix d’un modèle ou la motivation d’un client.
L’autonomie a toujours un propriétaire de budget
Un agent peut choisir quand et où acheter un résultat d’API, mais un humain ou une organisation provisionne son wallet, définit les permissions et recharge les fonds. Un processus logiciel qui paie sans clic humain pour chaque requête n’est pas une entité financièrement indépendante. Toute entreprise déployant des agents doit fixer des limites par fournisseur, par montant, par période et par type de service, avec la possibilité de révoquer immédiatement des identifiants compromis.
Le paiement lui-même est visible onchain. Le résultat acheté reste souvent hors chaîne. Un enregistrement blockchain prouve qu’un token a été transféré à un prestataire. Il ne prouve généralement pas que les données retournées étaient exactes ou que la réponse du modèle était utile. Un service pourrait facturer un endpoint indisponible. Un agent malveillant pourrait acheter des informations non pertinentes. La gestion des reçus et des litiges doit donc relier le transfert de tokens à la réponse API.
Les limites du volume comme indicateur économique
Un paiement onchain est observable. Décider si un wallet appartient vraiment à un agent IA relève d’un exercice de classification. Le protocole x402 marque un échange particulier entre un client et un service. Un humain peut scripter ces appels. Un modèle peut les initier après qu’un développeur a autorisé un budget. Le décompte de 138 millions reste précieux parce qu’il suit un protocole défini. Il ne doit pas être relabelisé comme 138 millions de décisions machine indépendantes.
Une audit utile consisterait à échantillonner les contrats ou comptes destinataires dans chaque catégorie, vérifier le service réellement fourni et estimer la fraction des transactions qui reviennent à l’infrastructure du même opérateur. Un développeur peut légitimement faire circuler des paiements entre composants qu’il contrôle pour tester une application. Cette activité prouve que le rail fonctionne, pas qu’il génère des revenus externes.
Le volume cumulé mélange également des périodes de comportements très différents. Les premières analyses parlaient d’un pic spéculatif. Les données plus récentes évoquent une montée des services d’information. Comparer le volume de tous les temps à un mix de services actuel peut faire paraître le nouvel usage plus important qu’il ne l’est réellement. Des séries mensuelles avec les mêmes règles de classification montreraient si et quand les achats utiles ont dépassé les promotions.
Pourquoi le temps jusqu’au premier dépense compte plus que le nombre d’inscriptions
Le passage de 73 jours à 18 minutes suggère que les wallets sont créés ou financés beaucoup plus près du moment où une tâche a besoin d’un service payant. C’est un changement opérationnel. Il peut provenir d’intégrations améliorées, d’outils de financement automatiques ou d’un glissement vers des opérateurs ayant une demande immédiate. Les données montrent le résultat et soutiennent une interprétation d’usage intentionnel. Elles n’isolent pas encore laquelle des explications l’emporte.
La part de 67 % qui dépense dans l’heure, lue conjointement avec le taux de second financement, est particulièrement informative. Un wallet qui paie une fois rapidement peut encore être une expérience. Un wallet qui paie sur plusieurs jours et reçoit un nouveau dépôt dans le mois correspond mieux à un travail continu. Aucun des deux chiffres seul n’identifie un client final. Ensemble, ils offrent un signal opérationnel plus crédible qu’un simple graphique de création de wallets.
Qui contrôle un achat lorsque l’acheteur est du code
Une organisation peut attribuer à un agent un budget quotidien et une liste de fournisseurs approuvés. Le logiciel peut néanmoins effectuer une série de mauvais achats à l’intérieur de cette enveloppe. La politique de paiement doit définir qui peut modifier une autorisation, comment les identifiants sont stockés, quelle réponse API compte comme exécution et quand un compte est gelé. La blockchain confirme que les tokens ont bougé. Elle ne dit pas si l’information était fraîche ou si le calcul acheté s’est correctement terminé.
Les petits paiements peuvent devenir coûteux par la fréquence. Un agent qui envoie une requête à cinq centimes une fois par seconde dépenserait 180 dollars en une heure s’il tournait sans interruption. À dix centimes, la facture horaire monte à 360 dollars. Ces calculs sont hypothétiques. Ils illustrent pourquoi un prix unitaire bas exige tout de même des limites de débit, des plafonds de dépense et des alertes en cas de boucle.
Un agent pourrait aussi acheter auprès d’un service malveillant qui renvoie des instructions au lieu des données demandées. Tout logiciel acceptant des réponses externes doit séparer le contenu payé de l’autorité sur son propre wallet. La liste d’approbation d’un système de paiement et les limites d’instruction d’un modèle constituent deux contrôles distincts. Un système qui vérifie une facture mais fait confiance à chaque message retourné peut encore être exploité sans aucune défaillance du protocole de paiement.
Quand le paiement est plus petit que le coût d’investigation
Les micropaiements modifient l’économie du contrôle. Une entreprise ne peut pas examiner manuellement chaque appel à cinq centimes à un modèle ou à une API et continuer à proposer ce service à cinq centimes. Elle peut en revanche examiner la source de financement, approuver la catégorie de destinataire et fixer des seuils automatiques qui arrêtent ou signalent les comportements anormaux. Une investigation suit un schéma ou une exception.
Un wallet portant une allocation de 20 dollars peut réaliser de nombreuses requêtes bon marché. Les règles doivent toutefois préciser comment l’agent choisit parmi les fournisseurs. Si un service passe son prix de 0,02 à 0,20 dollar, une allocation statique peut encore autoriser dix fois plus de dépense par appel. L’agent devrait recevoir un plafond de prix de la part de son opérateur et échouer de manière sécurisée lorsque le vendeur dépasse ce plafond. Là encore, le transfert peut se régler correctement tandis que la décision d’achat est mauvaise.
Les reçus ont besoin d’une unité que l’acheteur et le vendeur puissent auditer. Un hash de transaction en stablecoin prouve qu’un paiement a eu lieu. Un identifiant de réponse de service peut montrer quelle requête il a payée. Relier les deux devient indispensable si un client conteste une facture ou si une API expire après avoir accepté le paiement. Un service sans procédure de nouvelle tentative ou de remboursement utilisable peut afficher un volume onchain impressionnant et une rétention médiocre.
Ce qu’il faudrait pour parler d’une véritable industrie
Les preuves d’une industrie solide incluraient des prestataires de services générant des revenus durables auprès d’agents non affiliés, des opérateurs augmentant leurs budgets après évaluation des résultats, et plusieurs vendeurs en concurrence sur le prix et la qualité. Les nouvelles catégories de destinataires et les cohortes de wallets font progresser la discussion dans cette direction. Elles n’identifient pas encore les utilisateurs finaux qui paient les factures ni les bénéfices réels des services vendus.
La distribution des montants très bas rend le cas d’usage distinctif. Une requête de données payante à quelques centimes peut être impraticable sur les rails de cartes traditionnels. Un wallet programmable peut la réaliser au milieu d’une tâche logicielle. Pourtant, le monde des cartes dispose déjà de facturation par compte et d’agrégation mensuelle, ce qui permet aussi de supporter de petits prix unitaires sans faire débiter une carte pour chaque appel. L’avantage de x402 doit être comparé à cette alternative, pas seulement au cas absurde de glisser une carte séparément pour une fraction de centime.
Un prestataire peut choisir entre abonnement, crédits prépayés ou paiement à l’usage via x402. Les clients peuvent préférer des modèles différents. Les paiements d’agents gagneront une place durable s’ils réduisent la friction d’intégration, atteignent un marché utile d’acheteurs et se règlent à un coût total acceptable. Les 138 millions de transactions montrent que des logiciels utilisent le rail. Les données de catégories et de revenus des prochaines périodes diront quelle part de travail économique voyage réellement dessus.
Les points à surveiller dans les prochains mois
Plusieurs indicateurs permettront de mesurer la solidité réelle de cette économie naissante. Les volumes de transactions et les valeurs en dollars sur Base, calculés sur des périodes comparables avec les mêmes règles de classification, seront essentiels. Le mix des destinataires — part des paiements et de la valeur allant à l’inférence, aux données, à la revue de code et aux activités spéculatives liées aux tokens — indiquera si la maturation se confirme.
Les cohortes de wallets devront continuer d’être suivies avec des filtres d’activité clairement définis et des périodes d’observation complètes. La concentration mérite aussi attention : un petit nombre de services ou de wallets peut-il expliquer la majeure partie du trafic dans chaque catégorie ? Enfin, les conditions publiques des produits concernant les budgets d’agents, les permissions fournisseurs et le traitement des requêtes payantes échouées donneront une idée de la maturité opérationnelle.
Une économie encore en construction
Les 138 millions de paiements constituent un signal fort. Ils prouvent qu’un protocole conçu pour que des logiciels paient d’autres logiciels fonctionne à une échelle significative. Les taux de recharge élevés et le temps très court entre financement et première dépense montrent que l’usage dépasse désormais le simple stade de la démonstration.
Pourtant, le volume seul ne dit pas tout. Il ne révèle ni le chiffre d’affaires réel des prestataires, ni le nombre d’organisations indépendantes qui financent ces wallets, ni la rentabilité de l’ensemble. Un grand volume peut contenir beaucoup de transferts entre comptes liés. Un petit volume peut financer un travail utile et peu coûteux. La demande au niveau des destinataires reste la colonne manquante.
L’intérêt de cette évolution dépasse le seul univers crypto. Si des agents logiciels peuvent acheter de l’information et de la puissance de calcul de façon granulaire et automatisée, de nouveaux modèles économiques deviennent possibles. Des services qui n’étaient pas viables avec des abonnements mensuels ou des facturations par carte peuvent trouver leur place. À l’inverse, les risques de boucles de dépense incontrôlées, de services malveillants et de difficultés d’attribution se multiplient.
Le prochain rapport utile devrait fournir des volumes et valeurs par catégorie sur des périodes comparables, le nombre d’organisations payeuses distinctes lorsque l’attribution le permet, les destinataires récurrents, les remboursements et la part des transactions liées à la spéculation. Il devrait aussi laisser visible l’activité non classée plutôt que d’attribuer à chaque transaction une finalité commerciale. Les figures de cohortes actuelles justifient d’étudier de près ce marché. Elles ne clôturent pas encore le dossier sur sa taille économique réelle.
En attendant, une chose est certaine : les machines ont commencé à dépenser de l’argent de façon autonome à une échelle jamais vue. Ce qu’elles achètent aujourd’hui — principalement de l’information et de la capacité de calcul — dessine peut-être les contours d’une nouvelle couche de l’économie numérique. Reste à savoir si cette couche restera un outil technique réservé aux développeurs ou si elle deviendra une véritable infrastructure de commerce machine-à-machine ouverte et concurrentielle.
Les prochains mois seront décisifs. Si les taux de recharge se maintiennent, si les services d’information continuent de gagner du terrain sur les expérimentations spéculatives, et si de nouveaux prestataires indépendants parviennent à générer des revenus récurrents auprès d’agents non affiliés, alors le chiffre de 138 millions ne sera plus seulement une curiosité statistique. Il marquera le début d’une transformation plus profonde de la façon dont les logiciels interagissent économiquement entre eux.
Pour l’instant, la prudence reste de mise. Un protocole qui règle des micropaiements avec efficacité ne décide pas si l’agent avait réellement besoin de la réponse. Un wallet qui se recharge régulièrement ne prouve pas que le travail accompli crée de la valeur. Et un volume de transactions élevé ne se traduit pas automatiquement en industrie rentable. Les données actuelles donnent néanmoins une raison solide de suivre de près l’évolution de cette économie naissante. Les machines ont commencé à payer. La question est maintenant de savoir ce qu’elles vont réellement construire avec cet argent.
