代理商商務已優化以提高效率。小型企業將承擔詐騙風險。

由 Stephanie O’Connor，Wind River Payments.

為具有自主思考能力的金融科技專業人士打造的智慧層。

原始分析的主要來源情報。由定義行業的人士提供的貢獻內容。

受到摩根大通、Coinbase、貝萊德、Klarna 等專業人士的信賴。

加入金融科技每週清晰圈 →

詐騙工具的設計圍繞著人們通常的購物方式：他們在網站上的行動、瀏覽時間，以及在點擊購買前的更改行為。這些信號通常決定一筆交易是否為合法。

現代的詐騙系統已能識別傳統的機器人行為。代理商商務的挑戰則不同。AI代理可以被訓練得足夠模仿人類行為，以使這些信號變得更難與人類購物者區分。

即使詐騙系統按預期運作，當AI開始做出購買決策時，也會出現其他問題。

AI代理通常為了價格和速度而優化。它們不會停下來質疑一些人類可能會注意到的事情，比如看起來略低的價格、非授權零售商的賣家，或與品牌不符的商品清單。它們執行指令。這種效率可能提高轉換率，但也會削弱人類自然進行的非正式風險篩選層。

價格優化會立即對中小企業造成壓力。如果指示代理“以Y以下價格購買X”，最低價的賣家就贏了。較大的製造商和高交易量的市場運營商結構是以價格競爭為主。許多中小企業則以服務、專業化和客戶信任來競爭。自動化購買削弱了這些優勢。

假冒商品清單也成為機器優化的機會。人類買家會察覺到大幅折扣的商品看起來可疑，但AI代理不會，除非它被明確程式設計來評估品牌合法性和定價模式。假冒賣家不需要將價格定得遠低於市場價就能贏得交易。即使是微幅的壓低價格也足以捕獲自動化購買。

偽造域名和網站增加了進一步的風險。如果代理自主交易，它們必須評估網站的合法性。克隆網站可以在消費者察覺異常之前攔截自動訂單。聲譽損失由真正的商家承擔。較小的企業往往缺乏大型企業用來快速偵測和關閉冒充網站的監控工具和安全資源。

從支付層面來看，當交易行為改變時，曝光速度有多快。我們的退單模型、詐騙評分和爭議流程都是圍繞人類購買行為設計的。如果由AI驅動的交易增加了假貨爭議或未授權購買索賠，中小企業將首先承擔財務影響。

即使消費者採用逐步推行，基礎設施的決策也在當下進行中。支付和軟體供應商需要在自動化購買擴展前調整風險模型。

這意味著：

*   更新詐騙模型以考慮機器主導的行為
*   實施機器可讀的商戶驗證標準
*   監控克隆或相似網站
*   明確AI啟動購買的責任和爭議處理方式

AI驅動的商務可以更高效。但若不在基礎設施層面做出改變，也會將詐騙風險和價格壓力轉嫁給市場上最小的玩家。

如果買家改變，風險模型和責任框架也必須跟著調整。

關於作者

Stephanie O’Connor 是 Wind River Payments 的運營與商戶體驗總監，她帶領一支關係經理團隊，直接與客戶合作，幫助他們應對現代支付的複雜性——從交易處理到防詐騙與客戶體驗。她擁有超過十年的金融服務行業經驗，與商戶和支付合作夥伴密切合作。