现在，AI 生成式搜索让这个过程变短了。 AI Overview、ChatGPT、Copilot 这类产品会把多个来源压缩成一段回答，直接给出候选商品、适用场景和购买建议。用户不一定还会点开十几个链接，也不一定清楚答案背后参考了哪些内容源。品牌现在要争取的，是进入 AI 回答里的候选名单。
这也是为什么 GEO 比 SEO 更敏感，因为它影响的不单纯是曝光，还包括模型的判断过程。传统搜索里，品牌争取的是更靠前的链接位置；而在生成式搜索里，品牌竞争的是进入答案里的候选名单。当 AI 用看似中立的语气比较不同商品时，实际上已经替用户完成了一次初筛。
但问题在于，AI 的推荐并不是凭空产生的，它会参考测评榜单、论坛讨论、短视频、电商评论、行业报告等内容，再把这些信息压缩成一个看似客观的回答。品牌未必需要直接购买 AI 广告位，也可以通过内容铺设，影响模型在检索和总结时看到什么。单条内容看起来可能只是普通口碑，但当相似观点在多个渠道反复出现，就可能被 AI 当成更强的推荐依据。这样一来，商业投放不一定以广告形式出现，却可能进入 AI 的判断过程。
这解释了为什么 Google 对 GEO 的态度会更谨慎，因为它最核心的资产是搜索可信度。一直以来，用户相信 Google 能把相对可靠的信息排到前面，广告主才愿意围绕这个入口付费。传统搜索里，Google 主要展示的是链接，用户还能自己判断来源；AI Overview 则直接给出答案。一旦这个答案受到虚假测评、内容农场或偏向性内容影响，Google 就不只是展示了一个质量较差的页面，而是在生成一条可能误导用户的建议。
早期的网络商业界面是为人类视觉量身定制的。商品图片、文案描述和加购按钮等设计，都在设法延长用户的页面停留时间。但 AI 智能体无法感知这些视觉设计，机器评估商品的依据完全回归到了底层的结构化数据：SKU 规格、实时库存、净价、服务等级协议（SLA）以及结构化的退货政策。
这种变化，让机器可读性成为 AI 购物时代的基础竞争力。Schema.org 标记、llms.txt 文件、实时库存与价格 API、以及退货政策的结构化，都会影响 AI Agent 能否准确理解商品。大语言模型当然可以从网页中抓取非结构化信息，但这类信息往往不完整、更新慢，且容易混入噪点。相比之下，标准化的结构化目录则可以更直接地告诉 AI Agent：商品规格、实时价格、库存状态、配送能力和退货规则。这是商品进入 Agent 筛选和推荐链路的前置门槛。
而协助用户管理这些碎片化的审美意图，不仅能建立起更深的信任，其沉淀下来的意图数据，长期来看也同样具有可观的商业回报。通过在支付发生前整理并记录用户的跨品牌偏好与比较行为，这类产品有机会成为消费端的品味与意图系统（System of Record）。种靠近决策源头的发现层，其沉淀的数据资产价值，或许并不亚于最后一环的交易抽佣。
AI 电商真正的生意 藏在用户付款之前
过去三十年，电商基础设施几乎都在优化同一个动作：让用户更顺畅地按下购买按钮。一键结账、支付凭证 token 化、面容识别和指纹验证，都是为了减少付款那一刻的摩擦。
但 AI Agent 进入购物流程后，变化开始发生在付款之前。Agent 要解决的，是如何理解用户意图、筛选商品、构建购物车，并在明确授权范围内执行下一步动作。
因此，Agentic Commerce 不能只被理解成一个支付问题。支付仍然重要，但它只是购物链路的最后一环。最先被 AI 改写的，是交易被批准之前的那套流程。
在传统电商里，人类的购买决策通常是一段被拉长且具有随机性的网页浏览过程。用户搜索、点进商品页面、比较评价、切换平台，再被价格、页面设计、促销和推荐一步步影响。
但当 Agent 代表用户行动时，结账前的决策过程会被重新组织。用户未必会给出一个具体平台或具体商品，而是提供一个包含多维限制条件的自然语言描述。这些条件通常包括：明确的预算上限、具体的履约时效、需要排除的品牌黑名单和个性化的参数偏好。
这些条件过去只是用户脑子里的偏好，现在会变成 Agent 执行任务时的筛选规则。Agent 要做的，是把一句自然语言需求拆成机器可以理解、比较和执行的约束。
这会改变了商业链条里的价值分配。过去，商家争夺的是商品页上的点击和转化；未来，很多商品会先经过 Agent 的筛选。页面仍然重要，但商品数据、实时价格、库存准确性、配送承诺、退货规则和参数结构，会先决定它能不能进入候选名单。
2. AI 生成式答案成为新的商品展示界面
这些参数结构会先决定商品能否进入候选名单。而在用户意图被拆解为约束条件后，这些约束首先会输入给 AI 搜索引擎和模型，这就催生了全新的商品展示界面。
如果说传统电商的入口是搜索结果页，那么 AI commerce 的新货架，就是模型直接生成的答案本身。
过去，用户搜索一个消费问题时，看到的是一组网页、广告、测评和电商链接。品牌争夺的是排名、点击和转化；用户则需要自己打开页面、比较参数、判断信息的真伪。
现在，AI 生成式搜索让这个过程变短了。 AI Overview、ChatGPT、Copilot 这类产品会把多个来源压缩成一段回答，直接给出候选商品、适用场景和购买建议。用户不一定还会点开十几个链接，也不一定清楚答案背后参考了哪些内容源。品牌现在要争取的，是进入 AI 回答里的候选名单。
这也是为什么 GEO 比 SEO 更敏感，因为它影响的不单纯是曝光，还包括模型的判断过程。传统搜索里，品牌争取的是更靠前的链接位置；而在生成式搜索里，品牌竞争的是进入答案里的候选名单。当 AI 用看似中立的语气比较不同商品时，实际上已经替用户完成了一次初筛。
但问题在于，AI 的推荐并不是凭空产生的，它会参考测评榜单、论坛讨论、短视频、电商评论、行业报告等内容，再把这些信息压缩成一个看似客观的回答。品牌未必需要直接购买 AI 广告位，也可以通过内容铺设，影响模型在检索和总结时看到什么。单条内容看起来可能只是普通口碑，但当相似观点在多个渠道反复出现，就可能被 AI 当成更强的推荐依据。这样一来，商业投放不一定以广告形式出现，却可能进入 AI 的判断过程。
这解释了为什么 Google 对 GEO 的态度会更谨慎，因为它最核心的资产是搜索可信度。一直以来，用户相信 Google 能把相对可靠的信息排到前面，广告主才愿意围绕这个入口付费。传统搜索里，Google 主要展示的是链接，用户还能自己判断来源；AI Overview 则直接给出答案。一旦这个答案受到虚假测评、内容农场或偏向性内容影响，Google 就不只是展示了一个质量较差的页面，而是在生成一条可能误导用户的建议。
当然，不同平台对 GEO 的态度，也会被各自的商业模式影响。Google 要守住的是搜索可信度，因此会更强调反投毒和内容质量；微软则把 GEO 看成广告主进入 Copilot、Bing、Edge 和未来 Agent。也就是说，未来 GEO 不会只有一套统一的规则，而是会在搜索、AI 助手和模型平台之间，演化出不同的治理边界和商业入口。
然而，品牌要在生成式搜索里获得采信，除了在全网铺设舆论内容去影响模型的总结外，还有一个更底层的技术前置门槛：商品本身必须具备高度的机器可读性。
要获得 AI 智能体的采信与推荐，产品首先必须具备高度的机器可读性。
早期的网络商业界面是为人类视觉量身定制的。商品图片、文案描述和加购按钮等设计，都在设法延长用户的页面停留时间。但 AI 智能体无法感知这些视觉设计，机器评估商品的依据完全回归到了底层的结构化数据：SKU 规格、实时库存、净价、服务等级协议（SLA）以及结构化的退货政策。
这种变化，让机器可读性成为 AI 购物时代的基础竞争力。Schema.org 标记、llms.txt 文件、实时库存与价格 API、以及退货政策的结构化，都会影响 AI Agent 能否准确理解商品。大语言模型当然可以从网页中抓取非结构化信息，但这类信息往往不完整、更新慢，且容易混入噪点。相比之下，标准化的结构化目录则可以更直接地告诉 AI Agent：商品规格、实时价格、库存状态、配送能力和退货规则。这是商品进入 Agent 筛选和推荐链路的前置门槛。
不过，这种转变不会同时发生在所有商品上，而是基于消费的类型可被分成两类：
一类是效率型消费。比如买卷纸、数据线、办公耗材、或者比价机票酒店。这些决策往往有着清晰的硬性标准：价格、规格、配送时间。用户不需要享受挑选的过程，只希望尽快拿到合理的答案。在这些领域，AI 智能体会走得极快，直接替人完成比价和下单。
另一类是消费品味和自我表达，比如挑选一件大衣、一盏中古灯、或者一幅画。这种消费承载着人的情绪、个性和审美，挑选、犹豫、比较的过程本身就是一种乐趣。在这类场景中，AI 在这里的价值更多的发生在付款之前：帮助用户整理灵感、理解风格、聚合分散信息，让探索过程更顺畅。
这正是时尚购物应用 The Mall 的切入点。今天，线上购物的发现入口被拆得极其碎片化：品牌官网、Instagram、TikTok、邮件 Newsletter、折扣网站、朋友推荐和创作者穿搭各自占一块，消费者不得不在这类散点之间反复跳转。The Mall 选择将这些散点重新聚拢，在一个虚拟商场（virtual mall）的空间里，去回应如何发现、追踪、比较、收藏与分享品牌和商品的日常需求。
在这个空间里，用户的行为被重新组织。人们可以关注品牌并追踪上新与折扣，收藏商品并观察朋友或创作者的动态，甚至借助 AI 对风格的理解，从一件商品直接跳转到其他品牌的相似款，从而偶遇那些原本不会被广告推到面前的小众品牌。
这意味着，AI 智能体的新商业场景，并非只能拥挤在最终的交易闭环里，消费决策的前端同样蕴含着巨大的可能性。
当行业普遍在探讨如何让 Agent 帮人类一键下单时，付款前那些犹豫、比较、建立品味偏好的过程——也就是发生于结账（checkout）之前的浏览、追踪、发现、比较和关注，本身就可以围绕其构建起一门高价值的生意。
而协助用户管理这些碎片化的审美意图，不仅能建立起更深的信任，其沉淀下来的意图数据，长期来看也同样具有可观的商业回报。通过在支付发生前整理并记录用户的跨品牌偏好与比较行为，这类产品有机会成为消费端的品味与意图系统（System of Record）。种靠近决策源头的发现层，其沉淀的数据资产价值，或许并不亚于最后一环的交易抽佣。
所以，未来的电商门面会有两层。一层面向机器，负责数据的颗粒度、结构化与可验证性，让 Agent 能够高效完成比价、采购和下单。一层面向人类：负责品牌的表达、审美的传递、体验的构建和偶遇（Serendipity）的创造，让用户愿意停留、探索并形成独特的风格。过去商家主要经营前台网页的视觉体验，未来则需要同时经营机器可读的结构化商品目录，以及付款之前那段更隐蔽、也更具想象力的意图空间。
当 Agent 完成商品发现、选项筛选和购物车构建后，交易才真正进入支付系统。
从运行机制来看，现代银行卡网络本质上是一条延时兑现的承诺链。在授权阶段，商户通过收单行和卡组织向发卡行核实凭证的有效性，发卡行返回批准指令后，商户交付商品，真实的清算与结算在后续的窗口中异步完成。这套系统建立在一个简单前提上：交易由人发起，也最终由人承担责任。
AI 智能体的介入打破了这一假设。用户授权的不再单是一笔确定的付款，而是一组由软件组件自主推进的决策流。如果智能体受到恶意提示词攻击、产生上下文误读或参数配置错误，进而导致越权交易，损失的法律边界将变得极其模糊。
尽管部分零售巨头通过修改服务条款（ToS），在法律层面上将第三方智能体发起的交易一律定义为用户本人授权，试图将风险推回用户端，但它解决不了工程层面的风险。Agentic Commerce 需要在交易发生前就完成约束。
在传统金融网络中，这种约束主要通过中心化网关授权来实现。Visa、Mastercard 等卡组织正在围绕 Agent 身份、token 化凭证和可验证意图制定标准，目的都是在付款被批准之前，先缩小机器能够行动的范围。落到实际场景里，这通常意味着把支付凭证变成一个可编程边界：在购买发生时生成一张单次使用的虚拟卡或 token，并限定商户、预算、品类、时间窗口或具体任务。一旦 Agent 超出这些规则，网络就可以在授权阶段拦截交易。
然而，仅仅在资金发放端或网关层进行过滤依然属于相对后置的防御。清算巨头的视角正在向更上游的生产源头延伸。近期，Visa 对 AI 软件开发平台 Replit 进行了未披露金额的战略投资。 尽管该合作目前仍处于早期探索阶段，尚未发布正式的联合产品，但其释放的行业信号极为明确：全球支付网络正在试图直接对接到 AI 应用生成的最初源头。通过把 Visa Intelligent Commerce 和 Trusted Agent Protocol 带进开发者平台，Visa 试图让 Agent 的身份、意图和客户上下文，从应用开发和部署阶段就被纳入支付系统，而不是等到 checkout 时才处理。
这很重要，因为未来很多 Agentic Transactions 未必是从零售商自己的 APP 里发起，更有可能来自开发者构建的软件，分布在不同工具之间，并由 Agent 代表用户或企业自动执行。在这种情况下，Replit 就不仅仅是一个代码环境，而会成为 Agent Commerce 的应用层入口。对 Visa 来说，押注的未来是，卡网络能力必须变成机器原生的基础设施，能够被 API 调用，识别身份，也理解意图。
这也是 Cobo CAW Pact 这类契约式 Agent 钱包的逻辑。它避免了 Agent 直接触达完整的钱包余额，而是围绕一次具体任务生成一份临时契约，把交易路径、金额上限和有效期写进约束之中。一旦请求超出契约范围，MPC 节点就会拒绝生成签名。签名前，底层 calldata 还可以被转译成人类可读的交易意图，让用户确认这笔交易实际会执行什么。
长远看，承诺链正在从信任 Agent，转向约束 Agent。银行卡网络把约束放在网关层，并开始前移到开发者层；链上系统则必须把约束放在签名层。支付系统未来要验证的，不再只是付款身份，还包括机器行为是否处在被允许的边界内。
结语：Agentic Commerce 需要新的承诺链
通常技术会改变商业的媒介，但很少消除责任本身。
电商改变了交易环境，手机钱包改变了支付凭证，API 发卡让授权变得可编程，而稳定币开始影响部分结算流程。每一轮技术演进，都在金融系统之上增加了一层新能力。但支付网络真正保留下来的，始终是授权、清算、结算和争议处理。
原因很简单，只要一笔交易进入商业系统，就必须有人确认这笔交易可以发生，有人承诺付款，也有人在交易出错后承担责任。
AI Agent 让这条链条变得更长，过去，搜索、比较、加购和 checkout 大多由用户自己完成；未来，这些动作可能被交给 Agent，并在多个系统之间自动执行。体验会更快，但用户到底授权了什么、Agent 可以做到哪一步、商家承担什么义务、支付责任如何划分，都会变得更难判断。
这才是智能体商业需要重建的基础设施。它需要的是一条全新的承诺链：在交易发生的那一瞬间，将用户的初始意图、智能体的权限、付款承诺和争议责任绑定起来，并确保整个过程技术上可验证、可追溯。
未来 AI Commerce的改造，表面上是支付和自动化问题，底层其实是责任问题。