Agentic Commerce оптимизирован для эффективности. Малый бизнес возьмёт на себя риск мошенничества.

От Stephanie O’Connor, Wind River Payments.

Интеллектуальный слой для специалистов в финтехе, которые думают сами.

Первичный источник интеллекта. Оригинальный анализ. Публикации, подготовленные людьми, которые формируют отрасль.

Доверяют профессионалы в JP Morgan, Coinbase, BlackRock, Klarna и многих других.

Присоединяйтесь к Кругу ясности FinTech Weekly →

Инструменты для борьбы с мошенничеством проектируются с учетом того, как люди обычно совершают покупки: как они перемещаются по сайту, сколько времени проводят, просматривая, и что меняют перед тем, как нажать «купить». Эти сигналы обычно определяют, является ли транзакция законной.

Современные системы мошенничества уже способны выявлять традиционное поведение ботов. Но с агентной коммерцией все иначе. AI-агенты можно обучать так, чтобы они достаточно точно имитировали человеческие паттерны, и эти сигналы становится сложнее отличить от поведения покупателей-людей.

Даже когда системы против мошенничества работают так, как задумано, возникают отдельные проблемы, когда AI начинает принимать решения о покупке.

AI-агенты обычно создаются для оптимизации цены и скорости. Они не останавливаются, чтобы усомниться в том, в чем человек мог бы усомниться: например, в цене, которая выглядит чуть-чуть слишком низкой, в продавце, который не является авторизованным ритейлером, или в карточке товара, которая не совсем соответствует бренду. Они выполняют инструкции. Эта эффективность может повышать конверсию, но она также убирает слои неформальной фильтрации рисков, которые люди естественным образом применяют.

Оптимизация по цене оказывает немедленное давление на малые и средние предприятия. Если агенту поручено «купить X дешевле $Y», побеждает продавец с наименьшей стоимостью. Более крупные производители и операторы маркетплейсов с большим объемом выстроены так, чтобы конкурировать по цене. Многие SMB конкурируют за счет сервиса, специализации и доверия клиентов. Автоматизированные покупки ослабляют эти преимущества.

Поддельные карточки товаров тоже становятся возможностями, оптимизированными под машинные алгоритмы. Хотя покупатель-человек распознал бы, что глубоко дисконтированный продукт выглядит подозрительно, AI-агент не распознает это — если только его явно не запрограммировали оценивать легитимность бренда и ценовые паттерны. Продавцам подделок не нужно ставить цену далеко ниже рыночной, чтобы выиграть. Даже небольшие демпинги достаточно, чтобы перехватывать автоматизированные покупки.

Поддельные домены и веб-сайты добавляют дополнительный риск. Если агенты совершают транзакции автономно, им необходимо оценить, является ли сайт легитимным. Склонированный веб-сайт может перехватить автоматизированные заказы до того, как потребитель поймет, что что-то не так. Репутационный ущерб ложится на реального продавца. Более мелкие компании часто не имеют инструментов мониторинга и ресурсов по безопасности, которыми пользуются крупные предприятия, чтобы быстро обнаруживать и отключать попытки имитации.

Со стороны платежного слоя мы видим, как быстро растет экспозиция, когда меняется поведение транзакций. Модели чарджбэков, скоринг мошенничества и процессы разбирательств были разработаны с учетом поведения покупателей-людей. Если AI-ориентированные транзакции увеличивают число споров по подделкам или заявлений о несанкционированных покупках, финансовый эффект в первую очередь поглотят SMB.

Даже если внедрение среди потребителей происходит постепенно, инфраструктурные решения принимаются уже сейчас. Поставщикам платежей и ПО нужно скорректировать модели рисков до того, как автоматизированные покупки начнут масштабироваться.

Это означает:

*   Обновление моделей мошенничества с учетом поведения, управляемого машинами
*   Внедрение стандартов верификации продавцов, пригодных для машинного чтения
*   Мониторинг клонированных или похожих веб-сайтов 
*   Уточнение ответственности и порядка рассмотрения споров для покупок, инициированных AI

AI-ориентированная коммерция может быть более эффективной. Но без изменений на уровне инфраструктуры она также перенесет рост мошеннической экспозиции и ценового давления на самых маленьких игроков на рынке.

Если меняется покупатель, должны меняться вместе с ним модели рисков и рамки ответственности.

Об авторе

Stephanie O’Connor — директор по операционной деятельности и по опыту мерчантов в Wind River Payments, где она возглавляет команду менеджеров по работе с клиентами, которые напрямую взаимодействуют с клиентами, помогая им ориентироваться в сложностях современных платежей — от обработки транзакций до предотвращения мошенничества и клиентского опыта. У нее более чем десятилетний опыт работы в сфере финансовых услуг: она тесно сотрудничала с мерчантами и платежными партнерами.