Der Zahlungsverkehr steht womöglich vor einem strukturellen Wandel. Zahlungen könnten in Zukunft nicht nur automatisch ausgeführt, sondern als sogenannte Agentic Payments durch KI‑Agenten autonom geplant, initiiert oder gesteuert werden. Bei einem hohen Autonomiegrad wählen KI‑Agenten eigenständig Zahlungsmittel und Zahlungszeitpunkt sowie den Abwicklungsweg aus und können Zahlungen innerhalb eines gewissen Mandats ohne erneute menschliche Autorisierung auslösen. Die Entscheidungsfindung wird somit Teil des Zahlungsprozesses und Zahlungen lernen in diesem Sinne zu „denken“.

Agentic Payments können erhebliche Effizienz-, Produktivitäts- und Innovationsvorteile im Zahlungsverkehr eröffnen. Sie können Abwicklungskosten senken, Abwicklungszeiten verkürzen und zugleich neuartige, automatisierte Dienstleistungen ermöglichen. Im Retail-Zahlungsverkehr sind Agentic Payments häufig in Agentic-Commerce-Anwendungen eingebettet, bieten aber auch in anderen Anwendungsfällen wie dem grenzüberschreitenden Zahlungsverkehr oder bei Mikro- und Teilzahlungen Vorteile. Im institutionellen Zahlungsverkehr eröffnen sich Anwendungen insbesondere bei der Planung, Bündelung und Einreichung von Zahlungen sowie im Liquiditätsmanagement. 

Mit den Chancen gehen neue Risiken einher. KI‑Agenten entscheiden probabilistisch und damit nicht immer vollständig vorhersehbar oder reproduzierbar. Für den Zahlungsverkehr, der auf Nachvollziehbarkeit, Rechtssicherheit und Vertrauen angewiesen ist, entstehen daraus besondere Herausforderungen. Fehlentscheidungen, Manipulationen, Cyberangriffe, unklare Haftungsfragen und mögliches Herdenverhalten ähnlich agierender KI‑Agenten können operative und systemische Risiken verstärken. In der sich herausbildenden technischen Architektur zeigen sich Konzentrationstendenzen auf wenige Protokolle, Schnittstellen oder Plattformen sowie Abhängigkeiten von nicht europäischen Anbietern. Zentrale Fragen sind daher nicht nur, welche Technologie sich durchsetzt, sondern auch, wer künftig die Entscheidungs- und Zugangsschichten des Zahlungsverkehrs prägt. Vor dem Hintergrund von Interoperabilität, Sicherheit und Marktmacht sind diese Entwicklungen kritisch zu beobachten. 

Bislang haben Agentic Payments nur einen geringen Marktanteil und sind meist noch in einem frühen Entwicklungsstadium. Die hohe Marktdynamik und das disruptive Potenzial dieser Lösungen machen es für Zentralbanken aber notwendig zu verstehen, wie Agentic Payments Stabilität, Effizienz, Wettbewerb, Sicherheit und Souveränität im Zahlungsverkehr verändern. Um Innovationen zu ermöglichen, Vertrauen in den Zahlungsverkehr zu erhalten und Risiken zu begrenzen, sind unter anderem der Aufbau interoperabler Infrastrukturen, klare (regulatorische) Vorgaben für den Umgang mit probabilistischen Entscheidungen sowie die Etablierung geeigneter Governance-Rahmenbedingungen erforderlich.

Agentic Payments sind im engeren Sinne autonom von KI‑Agenten 1 geplante, initiierte und zielorientiert gesteuerte Zahlungsprozesse. Im Unterschied zu regelbasierten Automationslösungen verfolgen KI‑Agenten vorgegebene Ziele und treffen hierfür im Rahmen von festgelegten Regeln und Autorisierungen (Mandat) Entscheidungen autonom. 2 Dabei reagieren sie in Echtzeit auf veränderte Rahmenbedingungen und Informationen und erkennen Muster aus erfolgten Aktionen (zum Beispiel Abwicklungen). 3 Während KI‑Agenten grundsätzlich eine Vielzahl von unterschiedlichen Aufgaben übernehmen können, fokussieren sich Agentic Payments (häufig auch als agentengesteuerte oder autonome Zahlungen bezeichnet) auf die autonome Ausführung und Steuerung von Zahlungsprozessen. 4 Die besonderen Herausforderungen entstehen, weil finanzielle Entscheidungen teilweise auf KI‑Agenten übertragen werden.

Ob Agentic Payments den Zahlungsverkehr innovativ weiterentwickeln oder sogar disruptiv verändern werden, hängt maßgeblich vom Grad der Autonomie der KI‑Agenten ab. Bei einem niedrigen Autonomiegrad agiert der KI‑Agent weitgehend als ausführendes Software-Tool. Der Nutzer erteilt explizite Zahlungsaufträge und legt relevante Parameter, wie Betrag oder Zahlungsmittel, fest. Der KI‑Agent übernimmt in diesem Fall lediglich die technische Initiierung der Zahlung. Ein hoher Autonomiegrad bedeutet dagegen, dass der KI‑Agent über größere Entscheidungsspielräume verfügt. In einer extremen Ausprägung kann er beispielsweise Zahlungen eigenständig initiieren, etwa auf Basis von Signalen anderer Anwendungen, ohne dass eine explizite Beteiligung durch den Nutzer erforderlich ist. In der Praxis dürfte die Autonomie des KI‑Agenten durch vordefinierte Rahmenbedingungen, wie etwa Betragsobergrenzen oder zulässige Zahlungsmittel, ähnlich einem Mandat im Lastschriftverfahren, begrenzt werden. Je höher der Autonomiegrad, desto weitreichender können die möglichen Auswirkungen auf bestehende Zahlungsverkehrsprozesse und -strukturen sein. 5

KI‑Agenten basieren auf Algorithmen des maschinellen Lernens und zeichnen sich durch Interaktion, eigenständige Planung, dynamische Anpassung und die Orchestrierung externer Software aus. Sie sind autonome Softwaresysteme, die häufig auf Large Language Models (LLMs) basieren. KI‑Agenten können mit ihrer Umgebung eigenständig interagieren und sich auf Grundlage neuer Informationen oder erlernter Präferenzen dynamisch anpassen. Sie haben die Fähigkeit zur Orchestrierung externer Software, das heißt, sie können diese einbinden und flexibel ansteuern. Dies ermöglicht es ihnen, die Interaktion zwischen Systemen und Akteuren zu optimieren und so einen benutzerfreundlichen Prozess zu unterstützen. 6 KI‑Agenten sind zudem aufgabenspezifische Anwendungen, die jeweils klar definierte übergeordnete Ziele verfolgen. Um einen komplexen (Zahlungs-)Prozess mit unterschiedlichen Teilaufgaben abzuwickeln, kommen deshalb meist mehrere KI‑Agenten gleichzeitig zum Einsatz. Diese Fähigkeiten eröffnen neue Formen der Interoperabilität und befähigen KI‑Agenten nicht nur zur Nutzerinteraktion, sondern auch, als selbstgesteuerte Akteure in komplexen (digitalen) Ökosystemen zu agieren. 7

Da KI‑Agenten LLMs nutzen, ist ein zentrales Merkmal ihre probabilistische Entscheidungsfindung. Anders als klassische, regelbasierte Systeme, die deterministisch arbeiten und bei identischen Eingaben stets dieselben Ausgaben liefern, treffen LLM-basierte KI‑Agenten Entscheidungen auf Grundlage von Wahrscheinlichkeiten und des bereitgestellten Kontextes. Anhand großer Textmengen haben sie gelernt, Sprache statistisch zu modellieren. 8 Diese probabilistische Natur ermöglicht eine flexible und adaptive Reaktion auf unterschiedliche Eingaben und Kontextbedingungen, birgt jedoch auch Herausforderungen, etwa bei der Konsistenz und Nachvollziehbarkeit von Entscheidungen. 9

Der Einsatz von KI‑Agenten ist im unbaren Retail-Zahlungsverkehr besonders naheliegend, da hier zahlreiche Transaktionen des täglichen Lebens vereinfacht werden können. 10 Viele Anwendungsfälle sind nicht sonderlich komplex. Dies und die starke Standardisierung von Zahlungsmitteln bieten eine gute Grundlage für eine einfache Implementierung. Gleichzeitig wird eine Vielzahl an täglichen Zahlungsvorgängen abgedeckt und vereinfacht. KI‑Agenten können dabei umfangreiche Informationen auswerten, Zahlungswege vergleichen, Zahlungen auslösen oder Zahlungsdaten übermitteln. Erste produktive Anwendungen sind bereits am Markt vorhanden, sie befinden sich jedoch häufig noch in Test-, Pilot- oder frühen Erprobungsphasen, sodass eine breite Markteinführung bislang noch nicht erfolgt ist. 11

Im Retail-Zahlungsverkehr kommen Agentic Payments derzeit vorrangig in Verbindung mit Agentic Commerce zum Einsatz. Agentic Commerce beschreibt kommerzielle Prozesse, bei denen KI‑Agenten Waren und Dienstleistungen suchen, vergleichen, auswählen und bestellen. 12 Agentic Payments bilden hierbei die Zahlungsdimension ab. So übergeben beispielsweise Agentic-Commerce-Anwendungen die eigentliche Zahlungsabwicklung an eine Agentic-Payments-Anwendung, ohne dass der Kunde diesen Prozess bewusst wahrnimmt. Durch diese „Invisible Payments“ werden Agentic Commerce und Agentic Payments bisweilen miteinander gleichgesetzt, obwohl sie unterschiedliche Aufgaben erfüllen. 13 In Schaubild 5.1 ist ein schematischer Zahlungsprozess einer Echtzeitüberweisung unter Nutzung von Agentic Payments bei vollständiger Autonomie dargestellt. Durch die Minimierung der erforderlichen Nutzerinteraktionen und der Integration von Such-, Kauf- und Zahlungsprozessen kann der gesamte Einkaufsprozess effizient gestaltet, die Fehleranfälligkeit reduziert und die Nutzererfahrung verbessert werden. Darüber hinaus können Agentic Payments zusätzliche Vorteile erzielen, indem sie etwa Zahlungsmittel so auswählen, dass Rabatte und Skonti genutzt sowie Loyalty-Punkte oder Cashback-Erträge maximiert werden. 14

Der Bezahlvorgang kann auch unabhängig von Agentic Commerce agentenbasiert abgewickelt werden. Dies gilt etwa für klassische Check-Out-Prozesse, bei denen der Nutzer die Kaufentscheidung selbst trifft und der KI‑Agent lediglich die Zahlungsabwicklung übernimmt. Dabei können KI‑Agenten die Auswahl des Zahlungsmittels, die automatische und verschlüsselte Übermittlung der Zahlungsdaten an Händler oder Zahlungsdienstleister ohne weitere Nutzerinteraktion übernehmen. Ein vereinfachter Zahlungsprozess wäre so nicht von in verschiedenen Kundenkonten hinterlegten und autorisierten Zahlungsmitteln abhängig. 

Agentic Payments ermöglichen nutzerfreundliche Mikro- und Teilzahlungen und schaffen so die Grundlage für stärker nutzungsbasierte Geschäftsmodelle und maschinelle Zahlungsbeziehungen. Während heutige Zahlungsinstrumente vor allem auf klassische Einzeltransaktionen ausgerichtet sind, könnten KI‑Agenten künftig sehr kleinteilige Zahlungen (Mikrozahlungen) ermöglichen, die bisher häufig nicht nutzerfreundlich sind. Dadurch ließen sich etwa einzelne digitale Inhalte oder datenbasierte Dienste nutzungsabhängig abrechnen. Die Aufteilung von Zahlungen nach Nutzung, Leistungsfortschritt oder Erfüllung bestimmter Bedingungen (Teilzahlungen) gewinnt durch Agentic Payments an Bedeutung, indem KI‑Agenten die jeweiligen Bedingungen überwachen und Zahlungen automatisch auslösen. 

Der grenzüberschreitende Zahlungsverkehr kann durch Agentic Payments effizienter, transparenter und nutzerfreundlicher werden. Grenzüberschreitende Zahlungen sind häufig mit hohen Entgelten, langen Ausführungszeiten und intransparenten Kosten verbunden. KI‑Agenten könnten verschiedene Anbieter und Zahlungsmittel vergleichen und anschließend den für den Nutzer geeigneten Zahlungsweg inklusive des Währungstausches auswählen (Routing) 15 und die Zahlung ausführen. Der Vorteil von KI‑Agenten liegt darin, dass sie Informationen schneller und effizienter suchen und verarbeiten können. Die höhere Transparenz könnte den Wettbewerb fördern sowie Kosten und Ausführungszeiten reduzieren, beispielsweise bei Überweisungen an Familienangehörige ins Ausland.

Im institutionellen Zahlungsverkehr 16 können Agentic Payments Zahlungs- und Abwicklungsprozesse sowie das Liquiditätsmanagement optimieren. Insbesondere größere Unternehmen, Banken und andere Zahlungsdienstleister können KI‑Agenten einsetzen, um ein- und ausgehende Zahlungen zu planen, zu bündeln oder geeignete Abwicklungswege zu wählen (Routing), sowohl für eigene als auch für Kundenzahlungen. Durch Agentic Payments sind Finanzmarktinfrastrukturen (FMI) mit einem potenziell höheren Transaktionsvolumen und veränderten technischen Entwicklungen konfrontiert. Die aktuelle Marktlage lässt sich bislang nur eingeschränkt beurteilen, da kaum erkennbar ist, in welchem Umfang Agentic Payments im institutionellen Zahlungsverkehr, zumeist intern, schon eingesetzt werden. Finanzmarktinfrastrukturen nutzen Agentic Payments derzeit noch nicht. 

Agentic Payments können die Auswahl von Zahlungsmitteln und -wegen optimieren. Zahlungsdienstleister und Unternehmen können mit Agentic Payments, analog zum Retail-Segment, die Auswahl des ökonomisch sinnvollsten Zahlungsmittels und -weges, insbesondere im grenzüberschreitenden Zahlungsverkehr, optimieren. Traditionell werden solche Entscheidungen eher auf Basis von Vertrags- und Kontobeziehungen und Netzwerkabhängigkeiten bestimmt. KI‑Agenten könnten ein datengetriebenes, dynamisches Routing losgelöst von diesen traditionellen Strukturen etablieren. Zudem können sie Informationen aus internen Systemen wie der Buchhaltung in die Entscheidungsfindung einbeziehen.

KI‑Agenten könnten das Liquiditätsmanagement von Zahlungsdienstleistern teilweise autonom steuern. Sie könnten Zielkonflikte zwischen dem kostspieligen Vorhalten von Liquidität für Zahlungen einerseits und den Vorteilen einer schnelleren Abwicklung andererseits abwägen, Liquiditätspuffer vorhalten, dringende Zahlungen priorisieren und dabei die Wahrscheinlichkeit erwarteter Zu- und Abflüsse unter Berücksichtigung des Verhaltens anderer Akteure einbeziehen. 17 In komplexeren Anwendungen könnten KI‑Agenten die Vielzahl von zur Zahlungsabwicklung notwendigen Informationen automatisch in kürzester Zeit aus internen Systemen und externen Quellen abrufen und insgesamt zu schnelleren und gegebenenfalls fundierteren Entscheidungen kommen als menschliche Manager oder derzeit gängige (deterministische) Treasury Management Systeme. 

Weniger vielversprechend erscheint die Möglichkeit, Abwicklungsmechanismen in FMI mit KI‑Agenten weitestgehend zentral zu steuern. Theoretisch könnte die Steuerung der Zahlungskoordination in einem Zahlungsverkehrssystem durch einen KI‑Agenten zu einer schnelleren Abwicklung sowie einer höheren Effizienz mit geringerem Liquiditätsbedarf im Vergleich zu bestehenden Abwicklungslogiken führen. Die probabilistische Entscheidungsfindung von KI‑Agenten ist allerdings mit der notwendigen Planbarkeit der Zahlungskoordination nicht vereinbar. Zur Gewährleistung der Stabilität des Zahlungsverkehrs muss die Transaktionsabwicklung deterministisch planbar sein. Die Teilnehmer verlassen sich auf eine vorhersehbare Abwicklung, auch im Falle von Störungen. Eine probabilistische Steuerung führt gegebenenfalls zu unvorhersehbaren, nicht nachvollziehbaren sowie nicht reproduzierbaren Entscheidungen und könnte einzelne Zahlungsdienstleister benachteiligen, das Vertrauen in die Systeme mindern und zu unerwarteten Kredit- und Liquiditätsrisiken führen. Darüber hinaus könnten systemimmanente Halluzinationen 18 , durch die probabilistische Natur vergrößerte Angriffsflächen für Manipulationsversuche 19 sowie die eingeschränkte Informationslage aus institutsspezifischen Systemen 20 weitere Hürden für eine Nutzung im Kern der FMI sein. Gleichwohl bieten Agentic Payments auch für FMI die Möglichkeit, ihre Dienstleistungen zu verbessern.

Durch die weitgehende Automatisierung zahlungsbezogener Entscheidungen und Prozesse können Agentic Payments Koordinationskosten erheblich senken und bestehende Marktstrukturen im Zahlungsverkehr verändern. 21 Wenn KI‑Agenten nahezu friktionslos zwischen Anbietern, Protokollen und Zahlungswegen wechseln können, verlieren klassische Lock-in-Effekte im Zahlungsverkehr und die Preissetzungsmacht etablierter Intermediäre an Bedeutung. Agentic Payments könnten überdies die institutionelle Struktur grundlegend verändern, indem sie Markteintrittsbarrieren senken, eine hoch granulare Marktkoordination fördern und die Rolle von Zahlungsintermediären von Gatekeepern hin zu interoperablen Infrastrukturanbietern verschieben. Agentic Payments wären damit nicht nur eine Innovation im Zahlungsverkehr, sondern ein Mechanismus mit dem Potenzial, Marktorganisation und Wettbewerbsdynamiken neu zu definieren. 22 Insbesondere in Kombination mit Instant Payments könnten KI‑Agenten günstigere und schnellere Zahlungswege identifizieren und kosteneffiziente Verfahren systematisch gegenüber margenträchtigeren Zahlungsmethoden bevorzugen. Dadurch geraten bestehende Einnahmequellen und Geschäftsmodelle im Zahlungsverkehr unter Druck. Dies gilt insbesondere für den grenzüberschreitenden Zahlungsverkehr, in dem KI‑Agenten durch effizienteres Routing sowie schnellere und umfassendere Informationsauswertung Abwicklungskosten senken könnten.

Die Kontrolle der Schnittstelle zum Endkunden könnte zu einem hart umkämpften Wettbewerbsfeld bei Agentic Payments werden. 23 Zahlreiche Akteure entwickeln derzeit Lösungen, um das geschätzte große Marktpotenzial abzuschöpfen. 24 Etablierte Zahlungsdienstleister sind aufgrund ihrer technischen, regulatorischen und organisatorischen Erfahrung in einer guten Ausgangsposition. 25 Zugleich treten KI‑Modellanbieter, Technologieunternehmen sowie Cloud- und Infrastrukturanbieter in den Wettbewerb ein, indem sie Entscheidungslogiken, Plattformen, Schnittstellen oder skalierbare Infrastruktur bereitstellen. Agentic Payments könnten bestehende, derzeit profitable Zahlungsnetzwerke tendenziell meiden und somit unter Druck setzen, da diese Netzwerke im Vergleich zu Alternativen wie Instant Payments höhere Kosten haben. Zudem sind zunehmend Partnerschaften zwischen verschiedenen Akteuren zu beobachten, insbesondere zwischen technologisch führenden Unternehmen und traditionellen Zahlungsdienstleistern. Ziel dieser Kooperationen ist es, die Integration technisch fortschrittlicher Lösungen in bestehende Ökosysteme zu bewältigen. 26

Technologie- und KI‑Anbieter können im entstehenden Ökosystem eine zentrale Rolle einnehmen, ohne selbst klassische Zahlungsdienste zu erbringen. Ihr Einfluss beruht auf der Kontrolle über Entscheidungsfindung, Kommunikation und Autorisierung in der Architektur der Agentic Payments. Als Betreiber von Plattformen, auf denen KI‑Agenten ausgeführt werden, bestimmen sie, welche Zahlungsprotokolle und Schnittstellen zugänglich sind. Offene Kommunikationsstandards können als Integrationspunkte über Plattformen hinweg dienen, während Autorisierungsstandards festlegen, wie Zahlungsberechtigungen an KI‑Agenten delegiert und überprüfbar gemacht werden. Wer diese Schichten kontrolliert, beeinflusst nicht nur den Zugang zu Zahlungsdiensten, sondern auch relevante Datenströme. Zudem legen Agentenarchitektur und Berechtigungslogik bereits vor der eigentlichen Protokollnutzung fest, welche Handlungen ein Agent ausführen darf. Dadurch entsteht eine vorgelagerte Kontrollinstanz. Besonders breite Partnerallianzen können starke Netzwerkeffekte erzeugen und Standards frühzeitig verfestigen. 27

Traditionelle Zahlungsnetzwerke und Zahlungsdienstleister stehen vor der Herausforderung, agentenbasierte Handlungen in bestehende Prozesse zu integrieren, um ihre Rolle mit eigenen Standards zu sichern. Ihre bisherigen Authentifizierungs- und Autorisierungslogiken beruhen überwiegend auf menschlicher Interaktion und müssen für KI‑Agenten angepasst werden. Mit Protokollen und Frameworks versuchen sie jedoch zunehmend, bestehende Zahlungsinfrastrukturen für KI‑Agenten zugänglich zu machen und sich Einfluss auf Identitäts- und Autorisierungsstandards zu sichern. Neben globalen Netzwerken entwickeln auch regionale Akteure eigene Lösungen. 28 Aufgrund bestehender Nutzerbeziehungen, regionaler Ökosysteme und integrierter Handelsplattformen können sie Agentic Payments schnell in digitale Alltagsumgebungen einbetten. Zugleich steigt dadurch die Wahrscheinlichkeit regionaler oder plattformspezifischer Lösungen und damit das Risiko einer Fragmentierung.

Cloud- und Infrastrukturanbieter haben ein schicht- und protokollunabhängiges Interesse an Agentic Payments und unterscheiden sich dadurch strukturell von anderen Akteuren. Die Nutzung autonomer KI‑Agenten erzeugt zusätzliche Nachfrage nach Rechenleistung, Schnittstellen, Speicher und Datenverarbeitung. Gleichzeitig können diese Anbieter durch die Implementierung bestimmter Zahlungsprotokolle auf Netzwerkebene Einfluss auf Identitäts- und Kommunikationsschichten nehmen. Besonders attraktiv ist die Verifikation von Agentenidentitäten auf Protokollebene, ähnlich der Zertifizierung von Webdomains. Da ihr wirtschaftliches Interesse weitgehend unabhängig von einzelnen Zahlungsstandards ist, treten Cloud-Anbieter meist nicht in direkten Wettbewerb mit anderen Akteuren.

Agentic Payments treffen auf ein durch Digital Finance bereits verändertes Marktumfeld, wodurch sich neue Dynamiken entfalten können. Digital Finance bringt insbesondere durch Smart Contracts und tokenisierte Werte bereits erhebliches Momentum in die Zahlungsverkehrsabwicklung. 29 Gleichwohl beruhen die dabei verwendeten Technologien grundsätzlich auf einer deterministischen Logik und erreichen nicht den Autonomiegrad agentenbasierter Systeme. Aus der Verbindung beider Technologien können jedoch neue Dynamiken entstehen, etwa wenn KI‑Agenten eigenständig tokenisierte Werte oder Geldformen nutzen, selbst Smart Contracts erstellen, sie ausführen oder miteinander verknüpfen. 

Wenn wenige zentrale Protokolle dominieren, könnten sich die Marktstrukturen im Zahlungsverkehr weiter konzentrieren. Die zu beobachtende Konzentration auf wenige Protokolle könnte ein Risiko darstellen. Wenige Technologieanbieter könnten Kernfunktionalitäten kontrollieren, was von der Interpretation der Nutzerintention bis zur Initiierung und Ausführung von Zahlungstransaktionen reichen kann. Zahlungsdienstleister und Nutzer könnten gleichermaßen von externen Systemen abhängig werden. Die Anbieter von Agentic Payments könnten indirekt Transaktionsentscheidungen, etwa die Auswahl der Händler oder der Zahlungsoptionen, über die verwendeten (Sprach-)Modelle beeinflussen. Die Intransparenz vieler KI‑Agenten verschärft diese Gefahr, da Ergebnisse nur bedingt nachvollziehbar sind. 

Sollten Agentic Payments häufiger genutzt werden, müssen Händler, Zahlungsdienstleister und Infrastrukturen ihre Systeme anpassen. Dienstleistungen und Prozesse müssten so gestaltet sein, dass autonome Systeme sie erkennen, auswerten und nutzen können. 30 Händler stehen vor der Herausforderung, ihre Angebote für KI‑Agenten zugänglich zu machen, zum Beispiel durch maschinenlesbare Produktkataloge und agentenkompatible Schnittstellen. Gleichzeitig könnten sie den Einsatz bestimmter Zahlungsmittel gezielter steuern und Agentenpräferenzen durch attraktive Konditionen beeinflussen. 31 Für Konsumenten entstehen neue Möglichkeiten, Kauf- und Zahlungsprozesse an KI‑Agenten auszulagern. Voraussetzung dafür sind jedoch der Zugriff auf sensible Zahlungsdaten sowie ein explizites Handlungsmandat. Damit verbunden sind Fragen der Datensouveränität, Sicherheit und Akzeptanz sowie die Notwendigkeit vertrauensbildender Mechanismen. Auch Zahlungsdienstleister und weitere Akteure der Zahlungsabwicklung müssen ihre Systeme an Anforderungen agentenbasierter Transaktionen anpassen. Die Heterogenität technischer Ansätze und Governance-Modelle erhöht dabei die Komplexität und begünstigt Fragmentierung. Interoperabilität zwischen den Akteuren wird daher zu einem zentralen Erfolgsfaktor. Standardisierte Protokolle, offene Schnittstellen und klare regulatorische Rahmenbedingungen sind entscheidend, um eine nahtlose Kommunikation zwischen KI‑Agenten, Händlersystemen und Zahlungsinfrastrukturen sowie Rechtssicherheit für alle Beteiligten zu gewährleisten.

Zentralbanken und Aufsichtsbehörden sehen sich neuartigen Herausforderungen für die Stabilität und Sicherheit des Zahlungsverkehrs gegenüber, die Anpassungen des Regulierungsrahmens und der Überwachung erfordern könnten. Der Regulierungsrahmen ist grundsätzlich technologieneutral ausgestaltet und knüpft an Risikomanagement und Verantwortung der Betreiber an. 32 Gleichwohl können KI‑Agenten im Vergleich zu bisherigen technischen Lösungen potenziell neuartige Risiken begründen, etwa aufgrund ihres höheren Autonomiegrads, einer deutlich höheren Verarbeitungsgeschwindigkeit, der eingeschränkten Vorhersagbarkeit, ihrer möglichen Halluzinationen sowie eines nicht auszuschließenden kollusionsähnlichen Verhaltens 33 mehrerer KI‑Agenten. 34 Fragen der Zurechenbarkeit der Handlungen von KI‑Agenten sowie der Nachvollziehbarkeit, Protokollierung und wirksamer Eingriffs- oder Abschaltmöglichkeiten sind in diesem Zusammenhang ebenfalls relevant.

Fehlentscheidungen von KI‑Agenten lassen sich nicht vollständig ausschließen, allerdings durch geeignete Maßnahmen reduzieren. Neben der komplexen Frage der Haftung bei Fehlern, etwa durch Modellverzerrungen, Fehlinterpretation der Nutzerpräferenzen, Softwarefehlern oder Halluzinationen, ergibt sich zudem die Frage nach wirksamen Strategien zur Risikobegrenzung. So können für Nutzer im Retail-Bereich zusätzliche Risiken entstehen, etwa eine verringerte Kontrolle über das eigene Ausgabeverhalten, unbeabsichtigte Käufe sowie das verzögerte Erkennen fehlerhafter Transaktionen. Denkbar sind spezifische prüfende Kontrollinstanzen vor finaler Ausführung und eine verpflichtende menschliche Überprüfung bei großen Transaktionen. 35 Hinzu kommt, dass inhärente Modellverzerrungen 36 und die Intransparenz komplexer Algorithmen („Black Box“-Problem) diagnostische Prozesse erschweren und zu schwer nachvollziehbaren oder fehlerhaften Ergebnissen führen können. 37

Gleichgerichtete Verhaltensweisen von KI‑Agenten können Risiken für die Systemstabilität und den Wettbewerb erzeugen. KI‑Agenten könnten aufgrund homogener Modelle, identischer Datenquellen oder ähnlicher Zielfunktionen gleichzeitig gleichgerichtete Entscheidungen treffen, obwohl die zugrunde liegenden Nutzerpräferenzen oder fundamentalen Informationen heterogen sein können. Dieses Herdenverhalten kann individuelle Effizienzgewinne in kollektive, insbesondere prozyklische, Stabilitätsrisiken überführen. 38 Unerwartet hohe Abwicklungsvolumina könnten etwa den (systemweiten) Liquiditätsbedarf erhöhen und technische Kapazitäten überlasten. Monopolistische Marktstrukturen und Rückkopplungseffekte verstärken diese Dynamik möglicherweise. 39 Darüber hinaus können KI‑Agenten durch wiederholte Interaktion mit anderen KI‑Agenten auch kollusive Verhaltensmuster in Form impliziter algorithmischer Kollusion ausbilden. 

Mangelnde Datenqualität oder Datenverfügbarkeit kann fehlerhafte Ergebnisse und Marktverzerrungen verursachen. Die Effektivität von KI‑Agenten hängt von der Verfügbarkeit qualitativ hochwertiger Daten sowie standardisierten Schnittstellen ab, die Interoperabilität mit anderen Systemen, Automatisierung und Echtzeitverarbeitung ermöglichen. Der Zugang zu Daten wird ein zentraler Wettbewerbsfaktor. Eine asymmetrische Datenverfügbarkeit kann daher Marktverzerrungen verursachen. Insgesamt werden zur Kommunikation im Zahlungsverkehr derzeit vor allem geschlossene Systeme, wie zum Beispiel SWIFT, verwendet, offene Schnittstellen sind somit nicht vollumfänglich vorhanden. Eine breitere Öffnung und stärkere Harmonisierung sind erforderlich, um Agentic Payments erfolgreich ins Ökosystem zu integrieren.

Mit der Vernetzung agentenbasierter Systeme treten Fragen der Interoperabilität und IT‑Sicherheit in den Vordergrund. Studien belegen, dass KI-gestützte Systeme im Finanzsektor neuartige Verwundbarkeiten hervorbringen, 40 insbesondere dort, wo automatisierte Entscheidungsprozesse direkt mit finanziellen Transaktionen verknüpft sind. 41 Ohne einheitliche Standards ist es insbesondere schwierig, eine sichere Interaktion zwischen unterschiedlichen agentenbasierten Systemen zu gewährleisten. Hierfür müssen Zahlungsinfrastrukturen und Zahlungsdienstleister geeignete Schnittstellen bereitstellen, und dies kann die Angriffsfläche für Cyberrisiken erweitern, insbesondere durch manipulierte KI‑Agenten, kompromittierte Zugangsdaten, missbräuchliche Nutzung von Schnittstellen oder gezielte Angriffe auf die Verfügbarkeit der Systeme. 42 Daher müssen die beteiligten Parteien neu bewerten, welche Akteure kritisch sind und wie sich die Resilienz des Systems stärken lässt. 

Agentic Payments erweitern die Möglichkeiten für betrügerische Angriffe. Eine neue Dimension ergibt sich aus gezielten Angriffen auf die Aktivitäten von KI‑Agenten, etwa durch Kriminelle, die sich als Händler ausgeben und ihre Aktivitäten dabei auf die Logik von KI‑Agenten ausrichten. Auch direkte Angriffe auf die KI‑Agenten selbst sind denkbar, beispielsweise um Sicherheitsmerkmale auszuspionieren, vertrauliche Kundeninformationen zu stehlen oder den Entscheidungsprozess mittels Prompt Injection zu manipulieren. Zusätzliches Risikopotenzial bieten von Kriminellen selbst entwickelte Agentic-Payment-Anwendungen.

Der Einsatz von KI‑Agenten als institutsspezifische Liquiditätsmanager birgt erhebliche Risiken. KI‑Agenten treffen Entscheidungen auf Grundlage historischer Daten und vorgegebener Zielsetzungen. Unerwartete oder bislang unbekannte Ereignisse, etwa Finanzkrisen, sowie unternehmensspezifische Besonderheiten könnten falsch eingeschätzt oder aufgrund fehlender Erfahrung mit Ausnahmesituationen nicht erkannt werden. Zudem besteht die Gefahr, dass der verbreitete Einsatz ähnlicher KI‑Algorithmen negative externe Effekte, etwa in Form von Gridlock- und Free-Riding-Effekten, 43 nicht hinreichend internalisiert. Dies könnte systemische Risiken wie Herdenverhalten verstärken. Angepasste Zielfunktionen der KI‑Agenten sowie transparente Rückmeldungen könnten dazu beitragen, systemische Rückkopplungseffekte zu reduzieren. Darüber hinaus könnte es erforderlich sein, den Autonomiegrad beziehungsweise das Mandat des KI‑Agenten in Abhängigkeit vom Umfang menschlicher Einbindung festzulegen. Ebenso notwendig könnten Eskalationsmechanismen sein, die bei außergewöhnlichen Datenkonstellationen eine menschliche Überprüfung oder Intervention auslösen. 44

Agentic Payments können die Aufgaben von Zentralbanken auf vielfältige Weise beeinflussen, wobei die Implikationen für den Zahlungsverkehr im Vordergrund stehen. Agentic Payments könnten Bank-Run-Risiken verstärken, weil autonome Handlungsmöglichkeiten in Verbindung mit kollektivem Verhalten die Finanzstabilität gefährden können. Angesichts des allgemeinen Trends zu einer 24/7-Verfügbarkeit von Systemen mit unmittelbarer Verrechnung sowie der Entwicklungen im Bereich Digital Finance handelt es sich jedoch nicht um eine strukturell neue Bedrohung. Gleichwohl muss die Finanzaufsicht Agentic Payments und die damit verbundenen Risiken angemessen berücksichtigen. Größere Implikationen sind vor allem für Zentralbanken in ihren Rollen als Betreiber, Katalysator und Überwacher im Zahlungsverkehr zu erwarten.

Im Rahmen der Rolle als Betreiber von FMI sollten Zentralbanken aktiv daran mitwirken, die Vorteile von Agentic Payments zu realisieren und gleichzeitig ihre Risiken zu begrenzen. Es liegt im Interesse der Zentralbanken, Systeme für Agentic Payments zugänglich zu machen, um Effizienzgewinne zu ermöglichen. Sie sollten gleichzeitig mögliche Systemeffekte berücksichtigen, etwa gleichgerichtetes Verhalten von KI‑Agenten oder schwer vorhersehbare Entscheidungsprozesse. 45 Zugleich könnten FMI mit einer erhöhten Transaktionsfrequenz konfrontiert werden, da Agentic Payments einerseits kostengünstige Instant Payments präferieren und andererseits Zahlungsformen begünstigen, die nutzungsbasierte Geschäftsmodelle und maschinelle Zahlungsbeziehungen unterstützen. Wichtig sind deshalb harmonisierte Datenstandards, der Aufbau interoperabler Infrastrukturen, transparente Dokumentationen, klare Vorgaben für den Umgang mit probabilistischen Entscheidungen sowie die Etablierung geeigneter Governance-Rahmenbedingungen. Vereinzelt haben sich FMI bereits auf die Nutzung vorbereitet. 46 Neue Formen von Zentralbankgeld (zum Beispiel CBDC) sowie neu entwickelte Abwicklungssysteme sollten die Nutzung von KI‑Agenten bereits in der Entwicklungsphase berücksichtigen.

In ihrer Katalysatorrolle stoßen Zentralbanken sinnvolle Innovationen im Zahlungsverkehr an und unterstützen deren Entwicklung. Der Netzwerkcharakter im Zahlungsverkehr kann etablierten Systemen erhebliche Vorteile verschaffen. Dadurch besteht die Gefahr, aufgrund von Pfadabhängigkeiten in suboptimalen Strukturen zu verharren und hohe Anfangsinvestitionen in vielversprechende Technologien zu scheuen. Zentralbanken fördern daher Innovationen gezielt in ihrer Rolle als Katalysator. Da neue Technologien zudem ein hohes Maß an Kooperation und Austausch erfordern, bringen sie öffentliche und private Akteure zusammen, etwa in nationalen und internationalen Austauschforen.

Agentic Payments könnten die Dominanz nicht europäischer Marktteilnehmer weiter verstärken. Dies könnte den Wettbewerb einschränken und damit auch die europäische Souveränität schwächen. Das Eurosystem verfolgt für die kritische Infrastruktur Zahlungsverkehr das Ziel, Resilienz und Souveränität durch europäische beziehungsweise in Europa regulierte Anbieter sicherzustellen. Derzeit werden Lösungen für Agentic Payments jedoch vor allem von nicht europäischen Marktteilnehmern angeboten. 47 Wettbewerb und Anbietervielfalt ließen sich durch mehr Interoperabilität, offene Schnittstellen und erleichterte Markteintritte fördern.

Autonome KI‑Agenten, die Transaktionen initiieren, könnten auch Aufsicht, Zahlungsverkehrsüberwachung und die bestehenden Rechtsgrundlagen vor neue Herausforderungen stellen. Obwohl der Regulierungsrahmen grundsätzlich technologieoffen formuliert ist, könnte es notwendig werden, die Regulierung an neue (finanzfremde) Akteure und Techniken und vor allem an neuartige Risiken anzupassen und weiterzuentwickeln. Ein zentraler Aspekt ist, sicherzustellen, dass Agentic Payments Anforderungen an die Cybersicherheit genügen – unabhängig davon, von wem sie bereitgestellt werden. Darüber hinaus könnten auch Fragen zur praktischen Anwendung der PSD2 sowie ein möglicher Anpassungsbedarf der Principles for Financial Market Infrastructures 48 , die international als Grundlage für die Zahlungsverkehrsüberwachung dienen, in den Vordergrund rücken. Grundsätzlich sollte das Prinzip „same business, same risks, same rules“ gelten, um faire Wettbewerbsbedingungen zu gewährleisten und Regulierungsarbitrage zu vermeiden. Gleichzeitig sollten aber effizienzfördernde Innovationen zum Beispiel durch Anwendung des Proportionalitätsprinzips im aufsichtlichen Sinne ermöglicht werden. 49

Die probabilistische Entscheidungsfindung in KI‑Systemen erfordert eine Überführung in deterministische Logiken. Zahlungsverkehrssysteme und selbst DLT‑Systeme beruhen auf klaren deterministischen Regeln, eindeutiger Verantwortlichkeit und Rechtssicherheit. Agentic Payments hingegen treffen Entscheidungen probabilistisch. Das ist nicht perse riskant, kann Ergebnisse aber unvorhersehbar und schwer reproduzierbar machen. Kunden erwarten eine nachvollziehbare Abwicklung. Wenn zufällige Ergebnisse, etwa in der Reihenfolge der Abwicklung einzelner Aufträge, ökonomischen Folgen haben, können daraus rechtliche, aufsichtliche oder bilanzielle Konsequenzen entstehen. Um eine rechtssichere und finale Abwicklung zu gewährleisten, könnten sich KI‑Agent-Provider, Zahlungsdienstleister und Finanzmarktinfrastrukturen auf einen Governance-Rahmen verständigen, der probabilistische Entscheidungen vor der Ausführung in verbindliche, deterministische Prozesse überführt. 50 Zugleich müssen die Befugnisse autonomer KI‑Agenten klar geregelt werden, insbesondere bei der Zahlungsautorisierung und der Weitergabe personenbezogener Daten, wenn Zahlungen nicht mehr unmittelbar durch Nutzer autorisiert werden.

Agentic Payments sind mehr als eine weitere Automatisierungsstufe im Zahlungsverkehr. Sie verlagern zahlungsbezogene Entscheidungen teilweise von Menschen oder deterministischen Systemen auf KI‑Agenten und können damit Marktstrukturen, Effizienz, Wettbewerb, Sicherheit und Resilienz des Zahlungsverkehrs spürbar verändern. Ihre strategische Bedeutung liegt insbesondere darin, dass neue technische Schichten entstehen, in denen über Zugang, Identität, Autorisierung, Datenflüsse und die Auswahl von Zahlungswegen entschieden wird. Wer diese Schichten prägt, kann künftig erheblichen Einfluss auf die Funktionsweise des Zahlungsverkehrs ausüben. Damit berühren Agentic Payments auch Fragen der europäischen Souveränität in einer kritischen Infrastruktur.

Die Realisierung des Potenzials ist derzeit noch unsicher. Viele Anwendungen befinden sich noch in einem frühen Entwicklungsstadium. Die künftige Verbreitung hängt nicht nur von technischer Leistungsfähigkeit, Nutzerakzeptanz und regulatorischer Einordnung ab, sondern auch von der Preisentwicklung für KI‑Leistungen. Steigen diese deutlich, dürfte sich der Einsatz zunächst auf komplexere oder besonders wertstiftende Anwendungsfälle beschränken. Nicht alle derzeit technisch möglichen Optionen für Agentic Payments würden dann tatsächlich umgesetzt. 51

Der Einsatz von Agentic Payments birgt neuartige Herausforderungen. Die probabilistische Entscheidungsfindung von KI‑Agenten kann nachvollziehbare und rechtssichere Zahlungen nur dann gewährleisten, wenn sie in eindeutige und überprüfbare Zahlungsanweisungen überführt wird. Erforderlich sind daher klare Mandate, verlässliche Identitäts- und Autorisierungsmechanismen, wirksame Kontroll- und Eskalationsmechanismen sowie klare Haftungs- und Governance-Regeln. Hinzu kommen neuartige Risiken aus Manipulationen, fehlerhaften Entscheidungen, Herdenverhalten und möglichen Konzentrationstendenzen bei Protokollen, Plattformen und nicht europäischen Anbietern.

Zentralbanken sollten sich frühzeitig mit den möglichen Implikationen von Agentic Payments befassen. Als Betreiber von Finanzmarktinfrastrukturen sollten sie prüfen, wie eigene Systeme sicher und kontrolliert mit agentenbasierten Anwendungen interagieren können. Als Katalysator können Zentralbanken den Austausch zwischen öffentlichen und privaten Akteuren fördern, Interoperabilität unterstützen und dazu beitragen, dass offene, sichere und wettbewerbsfördernde Standards entstehen. Als Überwacher sollten sie die Auswirkungen auf Stabilität, Resilienz, Cyberrisiken und Governance laufend analysieren und gegebenenfalls auf eine Weiterentwicklung bestehender Regelwerke hinwirken.

Entscheidend ist daher nicht allein, ob Agentic Payments künftig genutzt werden, sondern unter welchen Bedingungen. Ein geeigneter Rahmen sollte technologieneutral, risikoorientiert und proportional ausgestaltet sein und zugleich sicherstellen, dass für gleiche Tätigkeiten und gleiche Risiken vergleichbare Regeln gelten. So können Agentic Payments zu einem effizienteren und innovationsfreundlicheren Zahlungsverkehr beitragen, ohne das Vertrauen in dessen Funktionsfähigkeit zu gefährden.

Acemoglu, D. (2025), The simple macroeconomics of AI, Economic Policy, Vol. 40(121), S 13 – 58.

Agentic Commerce Protocol (2026), Agentic Commerce Protocol. An open standard for programmatic commerce flows between buyers, AI agents, and businesses.

Aldasoro, I. und A. Desai (2025), AI Agents for Cash Management in Payment Systems, BIS Working Papers, Nr. 1310.

Araujo, D., S. Doerr, L. Gambacorta und B. Tissot (2024), Artificial intelligence in central banking, BIS Bulletin, Nr. 84.

Bornet, P., J. Wirtz, T. H. Davenport, D. De Cremer, B. Evergreen, P. Fersht, R. Gohel und S. Khiyara (2025), Agentic Artificial Intelligence: Harnessing AI Agents to Reinvent Business, Work, and Life, World Scientific, Juli 2025.

Calvano, E., G. Calzolari, V. Denicolò und S. Pastorello (2020), Artificial Intelligence, Algorithmic Pricing, and Collusion, American Economic Review, Vol. 110(10), S. 3267 – 3297.

Committee on Payment and Settlement Systems und Technical Committee of the International Organization of Securities Commissions (2012), Principles for financial market infrastructures.

Consumer Bankers Association (2026), Agentic AI Payments: Navigating Consumer Protection, Innovation, and Regulatory Frameworks, 22. Januar 2026.

Davidovic, S. und H. Tourpe (2026), How Agentic AI Will Reshape Payments, IMF Notes, Nr. 2026/004.

Deutsche Bundesbank (2023), Digitales Geld: Optionen für die Finanzindustrie, Monatsbericht, Juli 2023, S. 17 ff.

Deutsche Bundesbank (2021), Digitales Geld: Optionen für den Zahlungsverkehr, Monatsbericht, April 2021, S. 61 ff.

Deutsche Bundesbank (2019), Krypto-Token im Zahlungsverkehr und in der Wertpapierabwicklung, Monatsbericht, Juli 2019, S. 39 ff.

Deutsche Bundesbank (2017), Distributed-Ledger-Technologien im Zahlungsverkehr und in der Wertpapierabwicklung: Potenziale und Risiken, Monatsbericht, September 2017, S. 35 ff.

Diehl, M. (2013), Measuring free riding in large-value payment systems: the case of TARGET2, Journal of Financial Market Infrastructures, Vol. 1(3), S. 31 – 53.

Elgendy, I. A., M. Y. I. Helal, M. A. Al-Sharafi, M. A. Albashrawi, M. S. Al-Ahmadi, I. Jeon und Y. K. Dwivedi (2025), Agentic systems as catalysts for innovation in FinTech: exploring opportunities, challenges and a research agenda, Information Discovery and Delivery, 27. Mai 2025.

Europäische Zentralbank (2025), Report on Card Schemes and Processors.

Feng, K., D. McDonald und A. Zhang (2025), Levels of Autonomy for AI Agents, Knight First Amendment Institute.

Financial Stability Board (2026), Sound Practices for Responsible Adoption of Artificial Intelligence (AI), Consultation Report, 10. Juni 2026.

Financial Stability Board (2024), The Financial Stability Implications of Artificial Intelligence, 14. November 2024.

Fourez, P. (2025), Scaling agentic commerce with trust, Mastercard, 14. Oktober 2025.

Gartner (2025), Gartner Predicts Over 40 % of Agentic AI Projects Will Be Canceled by End of 2027, 25. Juni 2025.

Giesen, H. (2026), Agentic Finance verändert Geschäftsmodelle von Banken, bank und markt – Die digitale Bank, 55(3), S. 25 – 27.

Google (2025), Announcing the Agent2Agent Protocol (A2A).

Grabowski, M. und I. Costea (2026), Selected European Law Challenges Related to the Use of Artificial Intelligence Payment Agents, IMFS Working Paper Series, Nr. 232.

Gutowska, A. (ohne Jahresangabe), What are AI agents?, International Business Machines Corporation.

Hale, C. (2026), Experts warn software budgets could be set to soar as AI bills are on the rise, TechRadar Pro, 17. Juli 2026.

Jonas, O. (2026), Deutschlands erste agentische Transaktion: Mastercard bringt Agentic Commerce gemeinsam mit Deutsche Bank, DZ Bank und N26 in die Praxis, Mastercard, Pressemitteilung vom 13. Mai 2026.

Kezron, I. E. (2024), Securing the AI supply chain: Mitigating vulnerabilities in AI model development and deployment, World Journal of Advanced Research and Reviews, Vol. 22(2), S. 2336 – 2346.

Kirilenko, A., A. S. Kyle, M. Samadi und T. Tuzun (2017), The Flash Crash: High-Frequency Trading in an Electronic Market, Journal of Finance, Vol. 72(3), S. 967 – 998.

Kumar, M. (2025), Balancing Probabilistic and Deterministic Intelligence: The New Operating Model for AI‑Driven Enterprises, Acceldata, 17. Juli 2025.

Levine, A. (2026), The Pricing Crisis Clouding the AI Trade, Barron’s, 2. Juli 2026.

Li, S. und K. Heine (2026), Developing a harm-based approach to understand digital vulnerability in the era of AI: a perspective of the European Union, Computer Law & Security Review, Vol. 60, 106266.

MacFadden, D. (2026), Who Pays for AI?, Financial Times, 17. Juli 2026.

Monetary Authority of Singapore (2026), Safeguards for Agentic Finance at Runtime, Information Paper, 3. Juli 2026.

Morgan Stanley (2025), Here Come the Shopping Bots, 8. Dezember 2025.

Noel, T. (2026), Purpose-Built Payment Infrastructure for Autonomous AI Agents: A Hybrid Stablecoin-Fiat Architecture with Graduated Autonomy, Working Paper.

Panjwani, R., S. A. Mathur und N. Aggarwal (2025), Agentic AI Will Rewrite the Rules, in: Global Payments Report 2025: The Future Is (Anything but) Stable, Boston Consulting Group, September 2025.

PayPal (2025), PayPal Launches Agentic Commerce Services to Power AI-Driven Shopping, Pressemitteilung vom 28. Oktober 2025.

Quick, J., C. Colter, L. Dillingham und K. T. Cochran (2025), The Next Wave Arrives: Agentic AI in Financial Services, FinRegLab, September 2025.

Reppel, E., N. Dalal und D. Kim (2025), Introducing x402: a new standard for internet-native payments, Coinbase Developer Platform, 6. Mai 2025.

Schumacher, K., R. Roberts und K. Giebel (2025), The agentic commerce opportunity: How AI agents are ushering in a new era for consumers and merchants, McKinsey & Company, 17. Oktober 2025.

Sundararajan, R., U. Jeenah und A. Ellis (2025), The end of inertia: Agentic AI’s disruption of retail and SME banking, McKinsey & Company, 15. August 2025.

Tenner, T. und N. Glasmeier (2026), The future of artificial intelligence (AI): The rise of autonomous AI systems and their potential in banking, Journal of Digital Banking, Vol. 11(1), S. 25 – 32.

The Canton Network (ohne Jahresangabe), Canton ecosystem.

Universal Commerce Protocol (ohne Jahresangabe), Universal Commerce Protocol – The common language for platforms, agents, and businesses.

Vaswani, A., N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, Ł. Kaiser und I. Polosukhin (2017), Attention Is All You Need, Advances in Neural Information Processing Systems, Nr. 30/2017.

Visa (2025), Find and buy with AI: Visa unveils new era of commerce, Pressemitteilung vom 30. April 2025.

Weis, F., B. von Walter und S. Hofer-Fischer (2026), Generative Engine Optimization (GEO), Wirtschaftswissenschaftliches Studium, 55(5/6), S. 48 – 52.

Williamson, O. E. (1985), The Economic Institutions of Capitalism – Firms, Markets, Relational Contracting, The Free Press.

Worldpay (2025), The Agentic Commerce Report 2025.

Xing, W., M. Li, M. Li und M. Han (2026), Towards Robust and Secure Embodied AI: A Survey on Vulnerabilities and Attacks, ACM Computing Surveys, Vol. 58(12), S. 1 – 36.

Zetzsche, D. A., D. W. Arner, R. P. Buckley und B. Tang (2020), Artificial Intelligence in Finance: Putting the Human in the Loop, CFTE Academic Paper Series: Centre for Finance, Technology and Entrepreneurship, Nr. 1, University of Hong Kong Faculty of Law Research Paper, Nr. 2020/006.