
AI代理购物兴起,推荐码与支付风控面临失效难题
来源标题:Agentic commerce and the referral code problem
Meta的Muse等个人AI代理可代替用户比价下单,却常被基于人类行为训练的反欺诈系统误判为恶意机器人,导致交易被标记或拒绝。同时,当用户让代理通过推荐链接购物时,推荐码、人与购买之间的关联在结算环节断裂,现有推荐计划难以追踪。文章还指出,线上商店的促销码问题尚未解决。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
最近我读了很多关于发卡行和商家如何应对 AI agent 替人购物的内容。像 Meta 的 Muse 这样的个人 agent 现在会替主人逛商店、比价格、完成结账。用人类行为训练出来的风控系统,往往分不清这种 agent 和别有用心的机器人,于是有些购买会被标记或拒付。
这让我想到了推荐计划,因为它正好处在中间位置。推荐本质上是一个小小的承诺:“是我朋友介绍我来的,所以我们俩都能得到点东西。”这个承诺只有在推荐码、人和购买这三者一路关联到收银台时才成立。一旦把 agent 放进这个链条,这种关联就会以没人察觉的方式开始断裂。
这篇文章讲五件事:agent 购物如何破坏推荐计划;为什么 LeadBounty 所依托的线下扫码方式依然成立;我们的消费者应用在其中处于什么位置;以及我们尚未解决的问题——网店的优惠码。
你的客户每一步都做对了。他们把推荐链接发给朋友,朋友让自己的 agent “去买 Sam 推荐的那个东西”。agent 搜索、找到商品页、完成结账。它从没打开过那个链接,所以 URL 里的追踪参数根本没跟过来。或者它确实打开了链接,但中途一次重定向把推荐信息剥掉了。
什么报错都没有。朋友付了全价,而做了推荐的那位客户什么也没看到。人忠实地传递了推荐,agent 却在最后几步没有把它带过去。
大多数 agent 不会表明自己是谁。Arkose Labs 检查了 2026 年 7 月到 9 月间在其客户网站上被判定为合法的 agent 会话,发现其中 97.7% 完全没有携带经过验证的身份。只有 2.3% 出示了能证明是哪个 agent 产品发起的签名。Arkose 还指出,像 Muse 这样的个人 agent 表明身份的比例不到 3%,即便它们正在处理支付和登录。
从商店的角度看,结账时一个没有名字的 agent,看起来和那些试刷被盗卡的机器人非常像。于是商店或发卡行可能直接拒付。一旦发生这种情况,这笔销售在任何推荐逻辑有机会运行之前就已经没了。
很多推荐奖励都放在一个专门的页面上:“欢迎!Sam 介绍你来的,这里是 85 折。”当一个人点击链接并落到这个页面时,这套机制是有效的。而一个从搜索结果直接进来的 agent 会完全跳过这个页面,于是优惠码从未出现,也从未被使用。
结果看起来和第一个问题一模一样。全价订单、没有报错,而推荐人以为自己的链接坏了,从此不再分享。
人类推荐一直有一个内置的速度上限。向朋友介绍一个地方需要时间和社交精力,而且到某个程度就会让人不好意思。没人会在一晚上发四百条推荐短信。
agent 可以。它不会累,也不会不好意思,还能全天候制造注册和推荐事件。排行榜、等级奖励、“本月推荐五位好友”挑战,全都是按人的尺度设计的。没有了这个上限,企业最终会为那些从未涉及真实顾客的活动支付奖励。
我处理过拒付,每一笔争议都需要一个说法:这是谁买的,为什么买。银行用来裁决争议的规则,都假定是一个人点了“批准”。
当 agent 买了东西、持卡人后来提出争议时,这第一个事实就变得模糊了。是主人要求买的吗?是 agent 误读了一条指令吗?是 agent 被劫持了吗?现有规则没有一条是为“AI 干的”写的。
推荐计划会两次感受到这个问题。商家往往在销售完成后立刻支付推荐奖励,而争议在几周后才到,那时钱已经转手了。这也是为什么身份问题和拒付问题其实是同一个问题。如果没人能说清购买背后是谁,那也没人能说清谁该为此负责。
LeadBounty 起步于有实体门店的商家:咖啡馆、美发沙龙、理发店、健身房。对它们来说,计划中最有力的部分是一个只存在于店内的二维码。它贴在收银台旁或放在桌卡上,并不打算被发到网站上。
以这种方式领取奖励,需要一个人站在店里、拿着手机。agent 在网上能做很多事,但它没法走进一家咖啡馆。
好,那如果多伦多有个人拍下那个二维码,发给纽约的朋友呢?这位朋友从没踏进过店里,却能从自家沙发上扫这张照片。
答案是位置。当有人扫码时,手机的位置可以和商家注册地址做比对,只有两者都在一个小半径内,领取才算数。纽约的朋友仍然可以扫那张照片,但他们的手机在错误的城市,所以领取无效。
绕过这个的办法是有的,但我们这里就不展开了。
我们还在 LeadBounty 之上构建 LootSquad,一个消费者应用。它还没上线。想法是 collective taste:人们推荐自己真正信任的商家,和朋友们组成小队,每个人的声誉都建立在经过验证的线下扫码之上。
agent 可以以一种有用的方式融入其中。通过 Model Context Protocol(MCP)——AI 助手连接外部工具的标准方式——agent 可以问 LootSquad,它主人的朋友在附近推荐什么。“我朋友都在哪儿剪头发?”这就是一个很适合让 agent 来回答的问题。
风险在于相反的情况。如果 agent 运营账号,并开始把其他 agent 加进自己的小队,信任图就会变成机器人农场。所以规则是:只有当某人亲自完成一次经过验证的扫码时,声誉才会变动。仅仅加入小队本身不带来任何收益。agent 之间仍然可以互相传递推荐,但门口的那次扫码让人这个信号得以保持。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。