Агентская торговля оптимизирована для эффективности. Малый бизнес возьмёт на себя риск мошенничества.

От Стефани О’Коннор, Wind River Payments.

Уровень интеллекта для финтех-профессионалов, которые думают самостоятельно.

Первичный источник информации. Оригинальный анализ. Вклад участников, формирующих индустрию.

Доверяют профессионалы из JP Morgan, Coinbase, BlackRock, Klarna и других.

Присоединяйтесь к FinTech Weekly Clarity Circle →

Инструменты борьбы с мошенничеством разрабатываются исходя из типичного поведения покупателей: как они перемещаются по сайту, сколько времени тратят на просмотр и что меняют перед нажатием «купить». Эти сигналы обычно определяют, является ли транзакция легитимной.

Современные системы обнаружения мошенничества уже способны распознавать традиционное поведение ботов. Задача с агентским коммерцией отличается. AI-агенты могут быть обучены имитировать человеческие модели достаточно точно, чтобы эти сигналы становились сложнее отличимыми от поведения реальных покупателей.

Даже когда системы борьбы с мошенничеством работают как задумано, возникают отдельные проблемы, когда AI начинает принимать решения о покупках.

AI-агенты обычно настроены на оптимизацию по цене и скорости. Они не останавливаются, чтобы задать себе вопросы, которые мог бы задать человек, например, цена кажется немного слишком низкой, продавец не является авторизованным ритейлером или объявление не полностью соответствует бренду. Они выполняют инструкции. Такая эффективность может повысить конверсию, но одновременно устраняет уровни неформальной фильтрации рисков, которые естественно применяют люди.

Оптимизация цен сразу создает давление на малый и средний бизнес. Если агенту поручено «купить X по цене ниже Y», выигрывает продавец с самой низкой ценой. Крупные производители и операторы маркетплейсов структурированы так, чтобы конкурировать по цене. Многие SMB конкурируют за счет сервиса, специализации и доверия клиентов. Автоматизированные покупки ослабляют эти преимущества.

Поддельные объявления также становятся возможностью, оптимизированной под машины. В то время как человек- покупатель заметит, что товар с большой скидкой выглядит подозрительно, AI-агент не заметит этого, если его явно не запрограммировать на оценку легитимности бренда и ценовых моделей. Продавцы подделок не нуждаются в установлении цен значительно ниже рыночных, чтобы выиграть. Даже небольшие снижения цен достаточно, чтобы захватить автоматические покупки.

Поддельные домены и сайты добавляют дополнительный риск. Если агенты совершают транзакции автономно, им нужно уметь оценивать легитимность сайта. Клонированный сайт может перехватить автоматические заказы, прежде чем покупатель поймет, что что-то не так. Репутационный ущерб ложится на настоящего продавца. Маленькие бизнесы обычно лишены инструментов мониторинга и ресурсов безопасности, которые используют крупные компании для быстрого обнаружения и блокировки подделок.

Со стороны платежной системы мы видим, как быстро распространяется угроза при изменении поведения транзакций. Модели возврата средств, системы оценки мошенничества и процессы разрешения споров разрабатывались исходя из человеческого поведения при покупках. Если транзакции, управляемые AI, увеличат количество споров по подделкам или претензий на несанкционированные покупки, первыми пострадают SMB.

Даже при постепенном внедрении потребительского использования инфраструктурные решения уже принимаются. Провайдерам платежных и программных решений необходимо скорректировать модели рисков до масштабирования автоматизированных покупок.

Это включает в себя:

* Обновление моделей мошенничества с учетом поведения машин
* Внедрение стандартов проверки продавцов, читаемых машинами
* Мониторинг клонированных или похожих сайтов
* Прояснение ответственности и процедур разрешения споров по покупкам, инициированным AI

Автоматизированная торговля может быть более эффективной. Но без изменений в инфраструктуре она также перенесет риски мошенничества и ценовое давление на самых мелких участников рынка.

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

Об авторе

Стефани О’Коннор — директор по операциям и опыту продавцов в Wind River Payments, где она руководит командой менеджеров по работе с клиентами, которые напрямую помогают им ориентироваться в сложностях современных платежей — от обработки транзакций до предотвращения мошенничества и улучшения клиентского опыта. У нее более десяти лет опыта работы в сфере финансовых услуг, тесно сотрудничая с продавцами и платежными партнерами.