代理商务已优化以提高效率。小企业将承担欺诈风险。

由 Stephanie O’Connor，Wind River Payments.

为自主思考的金融科技专业人士提供的智能层。

一手情报。原创分析。由定义行业的人士贡献的内容。

受到摩根大通、Coinbase、BlackRock、Klarna 等专业人士的信赖。

加入金融科技每周清晰圈 →

欺诈工具的设计围绕人们的常规购物方式：他们在网站上的移动方式、浏览时间以及在点击购买前的更改。这些信号通常决定交易是否合法。

现代欺诈系统已经能够识别传统的机器人行为。代理式商务的挑战则不同。AI 代理可以被训练得非常接近人类的行为模式，以至于这些信号变得更难与人类购物者区分。

即使欺诈系统按预期工作，当 AI 开始做出购买决策时，也会出现其他问题。

AI 代理通常以价格和速度为优化目标。它们不会像人类那样停下来质疑，比如一个看起来略低的价格、一个非授权零售商的卖家，或一个与品牌不符的商品列表。它们执行指令。这种效率可能提高转化率，但也会削弱人类自然应用的非正式风险过滤层。

价格优化会对中小企业造成直接压力。如果指示代理“以不超过Y的价格购买X”，那么最低价的卖家就赢了。大型制造商和高交易量市场运营商结构上是以价格竞争为基础的。许多中小企业则依靠服务、专业化和客户信任竞争。自动化购买削弱了这些优势。

假冒商品列表也成为机器优化的机会。虽然人类买家会识别出折扣过大的商品看起来可疑，但除非明确编程让 AI 评估品牌合法性和定价模式，否则它不会。假冒卖家无需远低于市场价就能获胜。即使是微小的低价也足以捕获自动化购买。

伪造域名和网站带来更大风险。如果代理自主交易，它们必须评估网站的合法性。克隆网站可能在消费者察觉之前拦截自动订单。声誉损失由真正的商家承担。较小的企业往往缺乏大型企业用来快速检测和关闭冒充的监控工具和安全资源。

从支付层面来看，当交易行为发生变化时，曝光速度也会很快。拒付模型、欺诈评分和争议处理都是围绕人类购买行为设计的。如果由 AI 驱动的交易增加了假货争议或未授权购买索赔，中小企业将首先承担财务影响。

即使消费者逐步接受，基础设施的决策也在此时进行。支付和软件提供商需要在自动化购买规模扩大之前调整风险模型。

这意味着：

*   更新欺诈模型以考虑机器引导的行为
*   实施机器可读的商户验证标准
*   监控克隆或仿冒网站
*   明确 AI 发起购买的责任和争议处理

AI 驱动的商务可以更高效。但如果基础设施不变，它也会将欺诈风险和价格压力转嫁给市场中最小的参与者。

如果买家发生变化，风险模型和责任框架也必须随之调整。

关于作者

Stephanie O’Connor 是 Wind River Payments 的运营总监兼商户体验负责人，她领导一支关系管理团队，直接与客户合作，帮助他们应对现代支付的复杂性——从交易处理到欺诈预防再到客户体验。她拥有超过十年的金融服务行业经验，曾与商户和支付合作伙伴紧密合作。