Pourquoi les agents d’IA pour faire des achats peinent-ils à se généraliser ?

撰文 : Anderl

编译 : Chopper，Foresight News

当下 AI 与加密行业流传着一套说法：给 AI 代理配置钱包，让它全权替人购物，这是 AI 最核心落地场景。这套说辞听起来简洁完美，仿佛就是未来，但内里逻辑经不起推敲。这套观点混淆了购物里的难点与简单环节，还把最简单的支付环节摆在核心位置。

我们先抛开支付，回归购物行为本身。

购物的两大核心行为

购物本质是两类如今被绑定在一起的动作：信息检索，价值判断。 检索（搜集、筛选、对比、初步排序）具备标准化属性，几乎可以完全交由机器代理处理； 而价值判断（这件商品好不好、适不适合我、商家是否可信），是人类主观情感深度绑定的环节。

数据已经证明，信息检索正在快速向 AI 转移。Adobe Analytics 数据显示，2024 年 7 月至 2025 年 7 月，生成式 AI 引流至美国零售网站的访问量暴涨约 4700%。 但 「AI 钱包」 这套叙事默认智能代理能同时包揽检索与价值判断，这是整套逻辑偷换概念的关键。检索可以完全移交机器，价值判断却只能在特定条件下部分交付，多数场景完全无法委托。

价值判断又分为两层

更关键的是，价值判断本身也并非单一维度，而是分为两部分。一部分是评估，即根据效用函数来检验各种选项。另一部分是需求定义，也就是首先设定效用函数：哪些维度重要，它们的权重如何，哪些价值观具有约束力，以及「好」的最终含义是什么。

需求定义不会只在最开始一次性完成，而是贯穿购物全流程。 商品合规标准由你决定；拉链破损是否直接放弃商品，由你的评判标准决定；选择哪家商家，取决于你看重的价值取向。 每一层筛选都遵循「人类主观标准 × AI 机器评估」的逻辑。自动化只能替代评估环节，定义需求的主权永远掌握在人类手中。

很多人误以为人类只需要一次性写完标准清单，就能彻底放手，这是严重低估了人性决策逻辑。决策领域大量研究证实，人的偏好并非固定不变。心理学家保罗・斯洛维奇提出建构性偏好理论：我们内心不存在一套现成、固定的喜好等待调取，偏好是在做出选择的过程中逐步形成的。 「偏好反转」 实验印证了这一点：选择、定价两种等价调研方式，会得出完全不同的商品排名，违背理性选择基础公理。

阿里利、洛温斯坦与普雷莱克 2003 年提出「连贯任意性」理论：哪怕社保后几位这种毫无关联的随机数字，也会锚定人们对普通商品的心理出价；且这种锚定效应不会随着消费经验、市场交易消失。所谓 「稳定偏好」，只是人为构建的秩序假象。

因此人机交互不能是一次性填写标准清单，而需要持续迭代沟通。AI 代理在每一层筛选节点抛出针对性问题：「你之前看重耐用性，溢价到多少价位时，耐用性对你不再划算？」，再由人类实时定义这条边界。

真正的分界线：采购是琐事，还是享受本身？

行业总习惯用 「标准化商品 / 个性化商品」 划分场景，分歧不在于标准能否量化，真正的分界线是：做出选择这件事，本身是否具备体验价值。

对于打印纸、电池或需要定期补货的商品而言，挑选过程没有任何体验价值。没人愿意花精力对比两款几乎无差别的墨盒。这类商品天然适合完全交由 AI 代理处理，机器自动复购不会损失任何体验。

对于享受型消费，情况则恰恰相反。红酒、家具、大衣、书籍，挑选本身就是消费乐趣的一部分。如果把判断权交给机器，虽然省去了时间成本，却直接剥夺了消费的核心乐趣。即便 AI 全程免费答疑，人们也不愿完全委托。

针对享受型商品，AI 代理不应全权决策，而是切换为信息搜集者：完成检索、初步筛选、参数匹配、商家资质核验、从海量评价里提炼产品通病，把 200 个选项精简到 5 个，然后把最终选择权留给人类。

三重矛盾困境：AI 询问、历史推演、自主抉择

有人会说：AI 直接询问我的评判标准不就行了？ 这种方式恰恰是普通人日常都会反感的低效模式，更致命的是，反复追问标准会扭曲人的最终选择。

威尔逊与斯库勒 1991 年开展果酱测评实验：提前要求受试者梳理喜好理由的人群，最终给出的排名和专业品鉴标准偏差更大；后续实验证明，强迫人逐条罗列选择理由，会让人选出事后满意度更低的装饰画。 语言只能描述容易表达的表层特征，无法捕捉内心真实偏好；味觉、审美这类感受，只能靠感知，难以用文字定义。

由此形成三重无法同时兼顾的困境：

主动问询 AI：贴合当下真实偏好，但交互摩擦极高，甚至扭曲选择；

基于历史行为推演：操作顺滑，但会禁锢于过往偏好，扼杀全新消费探索；

人类全程自主判断：完全保留选择权，但耗费大量时间精力。

第四条折中方案可以规避以上弊端：识别式交互，而非逐条问询。AI 直接展示 3 个选项，人类只需直接挑选。这种方法既省事又准确，因为它不需要抽象地命名那些你往往无法命名的标准。

经典的选择过载实验可以佐证这一点。艾扬格与莱珀 2000 年开展果酱试吃摊实验，摆放 6 款果酱时，购买转化率远高于 24 款果酱。但该理论存在争议，后续多项分析实验推翻了这一结论。舍贝亨等人 2010 年汇总大量实验后发现，整体不存在普遍的选择过载效应；切尔涅夫、博肯霍尔特、古德曼 2015 年覆盖 99 项研究的分析显示，仅在商品复杂度高、决策难度大、自身偏好模糊时，过载效应才会显现。 原作者后续复盘也提到，面对 24 款商品时，消费者缺少足够时间梳理自身偏好。真正意义上的自主性，就存在于「代理应用我的标准」和「代理根据我的历史记录凭空捏造标准」之间。

回归 「AI 钱包」：支付只是最次要环节

理清以上逻辑，就能明白 「给 AI 配钱包」 的叙事漏洞。这套说法混淆了三件完全独立的事：决策主体、执行主体、资金持有主体。 「给 AI 配钱包」 只解决了资金持有问题，只有当 AI 同时拥有决策权时，资金托管才有意义。

三种情况。第一种情况，人自行决定并付款。在这种情况下，代理人不付款，而是充当侦察员。第二种情况，人做出决定并将执行任务委托给代理人（「是的，买那个」）。此时，代理人负责结账，但无需保管资金，只需针对此次已批准的购买进行一次范围有限且可撤销的授权。只有在第三种情况下，当代理人自主决定并付款，无需人工在场结账时，钱包本身才会承担付款的责任。

有意思的是，2025 年全球支付行业已经落地分层授权方案，完全区分 「授权」 与 「资金托管」：

OpenAI 联合 Stripe 推出智能代理商业协议，生成绑定单一商家、固定金额、限时一次性使用的共享支付代币，AI 无法获取完整银行卡号；

万事达 2025 年 4 月发布 Agent Pay，生成限定代理、指定商家、绑定用户授权规则的专用代币；

谷歌 2025 年 9 月推出 AP2 智能支付协议，清晰拆分「用户需求授权凭证」与「AI 采购清单凭证」，两类均为可验证加密凭证，完美对应前文 「需求定义 / 机器评估」 分层逻辑；

Visa 2025 年 10 月推出可信代理协议，思路与上述方案一致。

头部支付机构不约而同证明了本文核心观点：无需把资金交给 AI，仅授予有限操作权限即可。

那么，AI 独立托管钱包的真正适用场景在哪里？消费零售场景几乎不需要 AI 托管钱包，这套方案真正的落地空间在标准化大宗商品、机器间自动结算。 Coinbase 与 Cloudflare 联合推出 x402 协议，填补传统卡支付通道空白：支持无人工干预、7×24 小时、按 API 调用计费的代理间自动支付，上线数月交易量突破 1 亿笔。 万事达同步推出面向机器的 Agent Pay，服务高频、低延迟小额机器结算。这是机器经济的底层基础设施，而非面向个人购物。

这套叙事本身没有错误，但重要性完全颠倒：AI 独立托管钱包，仅在商品高度同质化、单笔金额偏低的场景具备重要价值。

钱包真正该放在哪里

这也解释了近两年加密赛道重心转变：不再主打面向个人的消费解放叙事，转而深耕机构底层基础设施 —— 稳定币清算、资产代币化、企业级服务。 这并非放弃 AI 购物赛道，而是回归钱包托管模式真正适配的领域：企业端。企业采购部门本身就是 「纯琐事采购」 的制度化体现，采购流程剥离主观审美与个人感受，完全依靠规格、价格、履约、合同条款决策，本质就是人工版的智能代理采购。AI 钱包只是把企业早已成熟的流程自动化，不存在行为模式颠覆。

如今大量企业外包办公用品、低值耗材采购，Mercateo、亚马逊企业购等平台的核心竞争力不是低价，而是降低流程成本：统一采购目录、合并账单。企业愿意接受单品小幅溢价，换取采购人力成本大幅下降，低值耗材的流程成本往往高于商品本身价值。 AI 代理能将下单人力成本降至趋近于零，同时检索分散的海量供应商；采购平台仅保留合规核验职能：准入供应商审核、统一对账、防伪校验，而核验恰恰是整套流程的真实瓶颈。

因此落地策略不能简单概括为 「钱包服务企业而非个人」，精准表述应为：工具匹配场景。

自主托管钱包（AI 自主决策、持有资金、完成支付）：适配标准化商品企业采购、机器间自动结算，以 B2B、M2M 高频复购场景为主；

个人消费场景：无需托管资金，仅授予一次性、有限范围支付代币，人类确认订单后 AI 才可结算。

「给 AI 配钱包」 作为面向 C 端的宣传标题，瞄准的只是极小的细分场景；这套方案真正的核心落地市场，是企业后台自动化体系。

补充说明：企业采购也并非全是标准化商品。部分采购决策同样无法交由 AI 自主处理，判断律所、收购标的、核心供应商属于战略选择，主观后果影响重大，和个人挑选红酒一样，必须由人类亲自决策，自主托管钱包在此类场景毫无用武之地。

这条规律适用于所有领域：AI 独立托管钱包仅在标准化商品层发挥价值，而标准化业务集中在企业内部，体量最大、需求最密集。

真正的瓶颈，从来不是支付

资金流转技术早已成熟，支付环节不存在任何卡点，AI 购物落地的真正瓶颈在于其他两个方面。

第一，可信数据源缺失。自动化判断的前提是数据真实可靠，一旦底层信息失真，自主决策 AI 会以机器速度放大虚假信息的负面影响。 虚假评价泛滥已是行业公开问题。美国联邦贸易委员会 2024 年出台新规（10 月 21 日生效）明令禁止虚假商品评价，明确生成式 AI 大幅降低批量制造虚假评价的门槛，违规单笔罚款最高 51 744 美元，2025 年末监管机构已开出多份警示函。

实体商品假货问题同样严峻。经经合组织与欧盟知识产权局 2025 年数据统计，2021 年全球假货贸易规模约 4670 亿美元，占全球贸易总额 2,3%；欧盟进口假货占进口总量 4,7%，服饰、鞋包、奢侈品重灾区，恰好属于体验型消费品类。 单品溯源凭证、可核验真实评价、独立第三方鉴定、单品级流转存证（欧盟防伪指令、美国药品供应链法案早已强制药品包装落地），是 AI 安全判断商品的前置条件。

第二，人类需求定义权无法自动化。只要需求标准由人类定义，后续筛选、对比、结算均可自动化。 定义自身需求这件事，天然无法交给机器。如果由 AI 替你生成需求标准，最终形成的偏好不属于你本人。

给 AI 代理配置钱包，只解决了最简单的资金环节。真正值得深耕的方向：安全、可控地自动化筛选评估，同时把两大核心权利还给人类 —— 定义评判标准，享受最终选择的乐趣。

总结

最后要强调的是，对于体验型消费商品而言，一旦采购渠道被商品化，商品就随处可见。那时，你的产品不再是商品本身，选择才是。平台需要优化自身信息标准化程度，便于 AI 检索：完整可核验溯源、干净结构化商品数据，引导 AI 把用户引流至自家平台。 在此基础上，守住自动化无法替代的核心优势，拓宽用户审美边界的全新消费探索，以及最终挑选商品的愉悦体验。 把信息搜集交给 AI 代理，平台核心竞争力聚焦在打造更优质的选择体验上。