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。

面向能够独立思考的金融科技专业人士的洞察层。

一手信息洞察。原创分析。由正在塑造行业的人士贡献的内容。

受到 JP Morgan、Coinbase、BlackRock、Klarna 等专业人士的信赖。

加入 FinTech Weekly 清晰圈 →

欺诈工具的设计围绕人们通常的购物方式：他们如何在网站上浏览、停留多久、以及在点击购买前会做哪些更改。这些信号往往用来判断一笔交易是否真实合法。

现代欺诈系统已经能够识别传统的机器人行为。但代理式（agentic）商务的挑战有所不同。AI 代理可以被训练到足够逼真地模仿人类模式，从而让这些信号更难与真实购物者区分开来。

即使欺诈系统按预期运行，当 AI 开始做出购买决策时，仍会出现一些独立的问题。

AI 代理通常被设计为优化价格和速度。它们不会停下来去质疑那些人类可能会留意的问题，比如价格看起来略低、卖家并非授权零售商，或商品列表与品牌并不完全匹配。它们会执行指令。效率的提升可能带来更高的转化率，但也会移除人类自然而然会应用的那些非正式风险过滤层。

价格优化会对中小型企业造成直接压力。如果代理被指示“以低于 Y 的价格购买 X”，最低成本的卖家就会赢。更大的制造商和高流量的市场平台运营商本身就被设计成以价格来竞争。许多中小企业则依靠服务、专业化和客户信任来竞争。自动化购买会削弱这些优势。

仿冒商品列表也同样会成为可被机器优化的机会。人类买家通常会识别出“深度折扣”的商品看起来可疑；但除非 AI 代理被明确编程去评估品牌正当性以及定价模式，否则它不会。为了获胜，仿冒卖家不需要把价格压得明显低于市场价。哪怕是小幅度的让利，也足以捕获自动化购买。

被“仿冒”的域名和网站也会进一步增加风险。如果代理进行自主交易，那么它们必须评估网站是否真实合法。克隆网站可以在消费者意识到任何问题之前拦截自动订单。声誉损害最终会落在真正的商家身上。较小的企业往往缺乏更大规模企业所拥有的监测工具和安全资源，而这些工具与资源可以帮助大型企业更快地发现并关闭冒充行为。

从支付层面来看，我们可以看到：当交易行为发生变化时，风险暴露会以多快的速度扩散。拒付（chargeback）模型、欺诈评分以及争议处理流程，都是围绕人类的购买行为设计的。如果由 AI 驱动的交易增加了仿冒争议或未授权购买的索赔，中小企业将首先承受由此带来的财务影响。

即便消费者采用是逐步发生的，基础设施层面的决策也正在此时进行。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，将机器主导的行为纳入考量
*   落地机器可读的商户验证标准
*   对克隆或“长得像”的网站进行监测
*   明确 AI 发起购买的责任以及争议处理方式

AI 驱动的商务可以更高效。但如果不对基础设施层面做出调整，它也将把欺诈风险和价格压力转移给市场中最小的参与者。

只要买家发生变化，风险模型和责任框架就必须随之改变。

关于作者

Stephanie O’Connor 是 Wind River Payments 的运营总监兼商户体验负责人，在这里她领导一支客户关系管理团队，直接与客户合作，帮助他们应对现代支付中的复杂性——从交易处理到欺诈预防以及客户体验。她拥有超过十年的金融服务行业经验，长期与商户及支付合作伙伴紧密协作。