智能体商务：AI智能体真的会自主下单吗？

来源：insights4vc；编译：Shaw，金色财经

在 AI 成长为大规模自主采购主体之前，它已经先成为一个重要的商业交互入口。消费者借助 AI 调研商品、对比多款备选产品，再前往商家网站完成购买。但能证明人们会常态化把消费决策权交给 AI 的证据，目前还相当薄弱。不过来自中国的近期数据显示：在独立智能体成为主流交易渠道之前，内嵌在成熟购物 App 里的 AI 就已经能够显著影响下单行为。

这一差异会改变投资研判的核心问题。机会的落脚点在于：哪些交易在软件自动调度之后，成本更低、流程更简便、履约更稳定；以及哪些企业能够持续掌握流量分发、交易授权与履约环节的控制权。

稳定币是这项分析中不可忽视的一环，因为智能体需要支付渠道。稳定币可以简化数字服务采购以及部分跨境转账，尤其适合交易双方本身就持有适配资产的场景。智能体同样也可以通过银行卡、银行即时转账或者企业账户完成支付。商品发现、采购权限、结算基础设施这三方面的变革，拥有各自独立的经济逻辑，也需要分开验证相关数据。

商业赛道的普及从来不止取决于技术本身

美国人口普查局的季度数据展现了一段稳步增长的曲线，期间曾被一次重大外部冲击打断。经季节调整后，线上零售占比从 1999 年第四季度的 0.6%，升至 2004 年四季度 2.2%、2009 年四季度 4.1%，2019 年四季度达到 11.2%。年均提升幅度从第一个十年的 0.35 个百分点，加快至第二个十年的 0.71 个百分点。智能手机普及阶段恰逢增速抬升，但这份总量数据无法把智能手机的单独作用，和宽带、电商平台、支付受理、物流配送等配套改善的影响剥离开。

2019 年第四季度至 2020 年第二季度，该占比飙升 5.1 个百分点，达到 16.3%，随后在 2021 年第四季度回落至 14.6%。消费方式的被动转变、线下消费收缩，共同影响了这一比值。2026 年 8 月发布的数据显示，2026 年第二季度占比为 17.1%；美国人口普查局后续提示，将于 11 月 19 日对数据进行修订，该时间点超出本文的数据截止范围。

统计口径的差异，使得我们无法直接做渗透率排名。欧洲消费者线上购物参与率十年间提升了 16 个百分点，但 2025 年各国数据分化明显：保加利亚为 57%，爱尔兰则达到 95%。中国公布的零售占比数据显示，线上实物商品渠道规模远大于日本；而韩国的统计口径统计的是线上购物时的设备选择。中国统计基准经过调整，在编制连续增长序列时需要格外谨慎。本文暂未整理出新兴市场可比的长期消费数据序列。

中国官方的五年复盘数据更适合横向对比：2020 至 2025 年，实物商品网上零售额占社会消费品零售总额的比重提升 3.3 个百分点，线上销售额年均增速 7.6%。报告明确将物流改善列为增长支撑因素。日本该占比在 2015 至 2024 年提升 5.03 个百分点，2025 年则几乎停滞。印度城乡家庭 23.4 个百分点的消费差距说明：仅靠全国支付覆盖度，不足以解释消费行为。收入水平、合适商家的可及性以及配送成本结构，依然是潜在用户转化为实际买家的核心门槛。

支付工具的普及速度，可以快于新零售渠道。巴西央行数据显示，已有超过 1.7 亿人使用 Pix；印度储备银行数据显示，2025–26 财年 UPI 交易笔数达 2416 亿笔。二者的应用场景都不止线上购物。与之形成对比的是，福里斯特（Forrester）的数据显示，苹果花了十余年，才让约四分之一受访的美国线上成年人在三个月内用过 Apple Pay。一项支付功能的普及度、受理覆盖，以及相比原有方式的优势，远比上线时间更重要。

配套基础设施的覆盖持续扩大：世界银行估算，2024 年成年人银行账户拥有率为 79%，2011 年仅为 51%；国际电信联盟（ITU）估算，2026 年互联网普及率 76%，高收入国家达 93%，低收入国家仅 32%。但这两项指标都不等同于购物活跃度。联合国贸发会议（UNCTAD）统计，2024 年覆盖 46 个经济体的商业电商规模约 28 万亿美元，其中包含 B2B 交易。

过往各市场的差异说明：普及背后是不同作用机制，并不存在一条通用的渗透曲线。稳定的配送和售后追偿机制，让陌生商家变得可信；便捷的支付拓宽客群；供给丰富的交易平台提升选择空间。如果线下门店本身已经足够便利，用户迁移的收益就会很低。内嵌钱包与超级 App 省去了注册配置步骤；补贴可以快速拉动试用，但很难形成持续性需求。AI 智能体会承接这套基础设施。商品发现能力可以作为附加功能落地；而授权代付，额外要求用户愿意把资金决策权托付给另一方。

普及数据对应着几个截然不同的市场形态

AI 辅助搜品：帮助用户找到商品；

导流跳转：记录用户从 AI 服务点击进入商家页面；

辅助结算：下单时仍需要用户对这笔特定交易确认授权；

全权委托采购：预先授予权限，每一笔交易不再重复征询用户；

机对机交易：侧重交易对手属性，大多是程序自动采购数据或推理算力，以上两种授权模式都可以适用。

购物者使用多种人工智能工具；来源：麦肯锡公司

能力基准测试衡量的是另一条发展边界。METR 在 2026 年 1 月更新测算，覆盖 228 项软件与科研任务，得出 2023 年后能力前沿的倍增周期为 131 天。该指标对应的是拟合成功率 50% 条件下、人类完成任务的耗时，并非生产环境下的稳定性，也不是智能体的运行耗时。这一结论仅说明，在被测任务集合内，模型能力提升迅速。想要把能力增长转化为自主零售交易总额（GMV），还需要单独验证：采购表现、商家接入渠道、用户授权机制能够随模型能力同步改善。

麦肯锡 10 月的报告基于 6 月对 11 个市场约 2.1 万名消费者开展的调研。报告中 “53% 人群使用 AI 购物” 这一核心数据，加权样本基数为 9988 人，是按照样本量、而非人口规模对各个市场做合并统计。14% 的 AI 使用者表示曾直接通过 AI 工具下单，占全部受访人群的约 9%。这些数据都来自用户自主填报的购物行为，并没有在交易层面核验是否属于真正的自主决策。就连问卷对比口径本身也不一致：零售商端 AI 的描述是 “协助完成结算”，平台 AI 则是 “完成下单”。因此，仅凭这些百分比，无法清晰判断用户对同类服务的偏好差异。

平均而言，目前约有一半的消费者会使用人工智能进行购物；数据来源：麦肯锡公司

已观测到的导流数据，体现了转化漏斗更下游的商业价值。Adobe 在 9 月发布的美国零售行业分析显示：来自 AI 导流的访客，转化率比非 AI 流量高出 90%，单访客创造营收高出 83%；AI 导流流量本身同比增长 71%。这份分析覆盖超 1 万亿次访问、1 亿款商品、18 个品类，上述转化数据并非来自另一份 5000 人以上的独立问卷。

用户有可能在点击链接之前就已经完成商品调研，这就形成了购买意愿极强的筛选样本。因此，我们观测到的转化优势，并不能证明这些新增销量是 AI 带来的增量。同时，在流量基数未公开的前提下，流量增速也无法算出 AI 渠道在零售总收入中的占比。商家需要区分：哪些是真正新增的导流渠道，哪些订单本来就会通过搜索、广告或者商家自有 App 成交。

内嵌式购物，改变了对比基准

路透社 11 月 11 日的报道，弥补了外部独立智能体订单规模偏小这一视角的局限。WPIC 估算，10 月抖音内由聊天机器人链接带来的成交约占总订单的 5%；膳食补充剂这类决策型购买品类，占比超过 20%。京东方面表示，双十一期间有近 8000 万用户向咚咚智能助手咨询，是去年同期的三倍以上。但前者只是归因估算，后者是厂商披露的触达用户规模，二者都没有独立披露真正由智能体自主下单的统计基数。

WPIC 的节日专题分析指出，这类智能助手内嵌在阿里、京东、抖音原生购物环境中。该模式具备天然经济优势：商品检索可以直接调用成熟的商品目录、身份体系、支付方式与物流履约链路，消费者无需先配置一套全新采购服务，就能获得有效推荐。

来自中国市场的数据证明，平台内 AI 能够撬动可观的交易规模。不能因为最后一步仍需要人工点击，就忽视这一体量。但同样，聊天机器人的归因统计，也无法分辨到底带来了多少新增消费。AI 推荐有可能只是替代了搜索词、达人导流或者广告位，最终成交本身没有变化。严谨的验证实验，应当在条件相近的用户分组里，使用不同的商品发现工具，对比订单、毛利和复购表现。

外部独立智能体则处在完全不同的起点。在优步 11 月 4 日的财报电话会上，管理层披露：万圣节那一周，由智能体发起的 Uber Eats 订单约 500 单，而平台总出行订单约 3.2 亿单。换算下来，每百万笔平台订单里仅有约 1.6 笔 AI 订餐订单；这个对比刻意选用了宽泛的分母，并不是在统计有条件使用该集成功能的用户转化率。

DoorDash 在 10 月 29 日的财报会上提到，自相关集成上线以来，第三方智能体累计订单仅有数百单。累计订单和单周订单不能直接年化推算。两家公司都没有披露可使用该功能的目标用户、失败请求数量以及复购用户数据，而这些指标是评估产品表现的必要依据。

态度调研可以解释：AI 辅助功能快速增长，但委托式下单并未同步爆发。高德纳 1 月调研了 322 名美国消费者，结果显示即便是低风险品类，愿意把采购决策权交给 AI 的受访者也仅有 11%。福里斯特 4 月的研究显示，美英加约四分之三的线上成年人，对 AI 自动支付心存顾虑，即便设置了支付上限；该公开文章没有写明样本量。

现有证据指向两条截然不同的普及路径：内嵌式 AI 助手依托已有流量体系，用户对资金授权方式也更熟悉；独立智能体则既要证明自身有用，还要获取用户的委托权限。目前两条路径披露的数据，都无法代表全人群里全权委托下单的整体规模。

这一差异，也决定了该如何解读相关实验。把下单入口从商品页搬到对话窗口，可以提升便利度，但并没有减少人的参与。与之相反，少量预先授权的自动补货订单，哪怕 GMV 不大，也属于真正的委托式交易。理想的数据披露方式，应该追踪同一组用户：从接触推荐、下单、复购，到异常场景，标记每一次需要人工审批的节点。缺少这套完整链路，“助手触达用户很多” 和 “外部智能体订单很少” 这两个数据可以同时为真，只是描述交易流程里不同阶段。

商家授权与稳定性，构成委托下单的约束

智能体能够模拟走完结算页面，不等于有权限访问下单链路。eBay 用户协议要求自动化工具（明确包含采购智能体、大模型机器人）必须事先获得许可。路透社 11 月 4 日报道，亚马逊封禁了 Meta 的 Muse 智能体，而沃尔玛选择与其合作。零售商正在博弈交易控制权、用户信息，以及流量变现的机会。

经过授权的 API 接口，可以返回商品 ID、库存状态和明确订单状态；而浏览器自动化只能基于为人设计的页面去推断状态，还要持续满足商家安全风控系统的规则。DataDome 在 10 月的演示里，三个智能体在测试店铺完成下单，但同时也被风控系统识别。这仅证明受控环境下技术可行，不代表零售行业普遍接纳该模式。

模型的判断能力是另一重约束。Visa 在 11 月 5 日的基准测试中，使用 12 家机构的 22 个模型，在 15 个购物场景下各重复测试 3 次，平均成功率 57.2%；仅有 34.2% 的 “模型 + 场景” 组合在三次测试全部成功。在失败的测试案例中，有 54% 仍然输出了采购决策。这套场景只覆盖结算、支付和履约之前的购物判断环节，结果不能等同于真实环境的支付失败率。

EComAgentBench 是另一套评测基准：7 个模型在 API 沙箱里完成 662 个单品采购任务，需求分为查询条件、用户画像、脚本化澄清信息三类。表现最优模型准确率 57.1%；GPT-5 mini 对所有任务都会给出推荐，但正确率仅 31.6%。这里的 “准确” 指选中目标商品、满足全部需求，并不代表完成支付与履约。隐性需求比显性要求更难识别。因此，需求理解本身就成为商业管控点：如果只监控任务完成量，会鼓励追求吞吐量，却掩盖错误决策。把交互轮次从 75 轮增加到 100 轮，平均准确率仅提升 0.57 个百分点。测试没有记录 Token 成本，所以该结果仅说明：在这套测试策略下，边际收益很低，并不代表这是经济上最优的推理预算。

商业层面的可靠性，要求采购结果符合原始指令，而不只是拿到一个授权码。就算选对商品大类，但尺码、订阅周期、送达时间出错，都可能造成高昂损失。下单流程还要能够应对中断：如果商家接单，但智能体没有收到回执，自动重试就容易产生重复订单，除非双方都可以识别原始请求。

责任边界需要在助手、商家、支付处理方的交互交接中保持连贯。用户预算记录只代表支出权限，无法保证选品符合真实需求。退款权益、取消窗口期、物流凭证，都必须跟着订单流转。针对陌生商家或者高价替换商品设置人工复核，可以保留大部分自动化协同价值，同时控制出错风险。

一种成熟可行的方案是：生成限时有效的商家报价单，写明精确规格、最终价格、履约条款；之后一次性确认下单，生成不可篡改凭证。一旦核心条件发生重大变动，就需要重新审批，或者超出智能体权限范围。这些属于建议的运行规范，并不是当前所有集成都已经具备的能力。这套机制同时让效果可量化：价格漂移、重复下单、凭证缺失，可以和推荐是否合理分开统计。结算再快，只有下游风险成本可控，才具备商业价值。

市场接纳度同样取决于经济账。商家可能欢迎能带来新客的智能体，但不愿为原本就会复购的老客、只是通过另一个渠道跳转来的订单支付导流费。评估维度应当包含增量毛利、被挤占的广告收入、导流佣金、客服成本以及用户数据访问权限。经过官方认证的集成链路，才具备测算这些影响的基础；无法识别的浏览器自动化流量，会让归因和追责都变得困难。

行业标准正依托现有平台逐步成型

各类标准解决的是链条上不同环节的问题。谷歌与 Shopify 参与制定通用商业协议（UCP），用于开放购物和结算能力；OpenAI 和 Stripe 推出的 ACP 协议，同样规范商业交互，同时保留商家的履约主体地位和客户关系。OpenAI 当前文档重点围绕结构化商品目录和检索能力。集成落地仍然依赖商家主动接入，一份开放规范不能强制零售商接受智能体下单。

采购授权需要独立的凭证体系。谷歌 4 月将 AP2 协议移交 FIDO 联盟，0.2 版本支持无人在场模式下的交易授权；万事达卡的 Verifiable Intent 同样用于记录授权，其 3 月公告称会计划接入 Agent Pay，而非全网铺开。Visa 的可信智能体协议（Trusted Agent Protocol）负责智能体身份核验，把交互和消费者、支付信息绑定；Stripe 的共享支付凭证（Shared Payment Tokens）提供限定范围的支付凭据访问权限。

这些机制互为补充：商家需要识别智能体、核验买家授权、处理合法凭证。但即便指令带有签名，商品质量、物流配送、售后维权仍然依托底层商业约定。

在软件交互层，MCP 协议用于连接应用、工具与数据；A2A 协议规范智能体之间的通信。二者本身都不具备转账能力。x402 这类资源支付协议、以及传统账单账户，都可以和它们搭配使用。

PayPal 在 10 月发布的 Agent Ready 文档，把 ACP、UCP 的工作流对接到 Braintree 和 PayPal 支付通道。这只能证明存在标准化集成路径，不代表所有商家、所有地区都已开放。更具体的落地案例是，Visa、BILL、Billtrust 在 10 月上线试点：智能体在供应商门户内，执行已经获批的发票支付。它是在已有授权框架内自动化执行，尚未公开对比成本与错误率数据。

谷歌于 11 月 4 日在加拿大逐步上线 UCP 结算，合作对象包含指定品牌以及部分 Shopify 商户。与之对照，DoorDash 企业采购连接器在 9 月 30 日开放 Beta 预约队列。二者都支持在已有软件体系内下单，但一个是规模化灰度上线，一个还处在测试等待阶段。

垂直行业还有大量定制工作。UCP 公告里包含 7 月成立的餐饮工作组（成员含 DoorDash、Uber Eats、Google、Square、Toast），以及 9 月发布的住宿场景草案。餐厅菜品替换、酒店退改规则，需要通用结算之外的额外信息与业务逻辑。

这套商业逻辑，本质上是头部玩家守住自身核心资产：谷歌掌握商品检索入口，Shopify 提供商家基建，支付服务商维护收付关系，卡组织负责受理网络与风控体系。开放标准可以降低对接多个 AI 助手的成本，既提升商家切换中间方的自由度，也让 AI 助手接入更丰富的供给池。长期的竞争壁垒，或许不在于协议所有权，而在于流量分发和执行质量。

对于采购团队，这意味着可以把决策解耦：选用一套商业交互接口，不等于绑定某一种支付资产；选定一套授权标准，也不决定由哪个 AI 助手承接需求。互操作性可以保留选择权。但真实切换成本，取决于订单记录、授权同意书、退款协议、商务条款是否能跟着集成链路迁移。统一结算 Schema 能减少开发量；可迁移的商业合作关系，需要的远不止一套通用消息格式。谁解决了这些运营依赖，即便底层协议开源，依然可以留住收入。

稳定币如何改变经济逻辑

转账规模不等于自主商业交易

稳定币给程序提供了依托钱包和支出策略管理的可划转余额。它的商业价值，取决于这些余额用来买什么。稳定币总转账流水里，还包含交易炒币、企业资金调拨、关联方往来。

国际清算银行（BIS）4 月的演讲提到，2025 年稳定币总转账规模约 35 万亿美元；其 2026 年度经济报告使用另一套分类调整后的数据，规模约 28 万亿美元。这两个数字，都不是自主智能体商业交易的规模。麦肯锡与 Artemis 的底层支付分析基于 2025 年 12 月数据，年化支付类规模 3900 亿美元，其中 B2B 支付 2260 亿美元。B2B 口径假设，20% 标记为托管和资金调拨的交易属于货款支付，同时结合单笔金额阈值交叉校验。如果直接把 3900 亿当成全年支付总额，或是用它除以年度转账总量计算渗透率，属于混用时间口径与统计定义。

x402 交易记录代表协议被调用，未必就是智能体自主采购。

TRM 会剔除自转账、付款方高度集中的交易模式，以及买家不足 10 个的卖家。宽松筛选条件用于识别小额、分散的支付；更严格的标准会叠加交易持续性、智能体注册记录或多商户交易佐证。样本交易金额里，USDC 占比 99.6%。把报告给出的比例套用到筛选后的基数上，在该假设条件下，潜在智能体交易规模约为 15.4 万至 192 万美元。这只是观测样本内的分类区间，并非统计置信区间，也不是全球市场规模估算。固定定价、单一用途的智能体有可能无法通过这套筛选规则，而普通脚本程序也可能在特征上和智能体近似。

但也有证据表明，不能把这类交易全部归为试验性活动。Chainalysis 10 月报告显示，钱包 30 天充值留存率从 2025 年第三季度的 70.6% 上升至 2026 年第二季度的 89.3%。该样本组已经剔除了交易天数少于两天的钱包。这部分用户的复购行为具备积极信号；但只有把支付记录和已交付服务、无补贴的服务商收入关联起来，才能证明交易价值，而不只是钱包层面的活跃留存。

这些数据集的观测周期、公链范围、服务中介覆盖都各不相同；如果不去重，交易笔数和交易金额不能直接相加。商业层面的核验需要交易凭证、交易对手身份识别以及退款追踪。同一个客户可能持有多个钱包，同一个账户也可能为大量智能体提供服务，因此钱包留存率不等于客户留存率。

Circle 第三季度披露的数据进一步区分了转账流水和实际经营收益：USDC 季度链上转账规模 13.9 万亿美元，Circle 支付网络年化流水 413 亿美元，收入及储备收益合计 8.65 亿美元，其中储备收益 6.58 亿美元，ARC 代币预售收入 1.82 亿美元。以上数据均没有单独拆分智能体支付带来的收入。对于稳定币发行方而言，平均沉淀余额、储备收益率往往比转账频次更重要；资金周转速度提升后，可以用更少的在途资金支撑同等规模的支付流量。

软件采购场景的落地逻辑，强于全面替代零售交易

x402 协议将服务器发起的支付请求与资源访问权限绑定。它的商业定位是：无需单独订阅，直接从陌生供应商处单次购买数据集或 AI 推理结果。而算力服务商的存量客户，已经有成熟的替代方案 —— 按量计费。

Stripe 与 Tempo 联合推出的机器支付协议（MPP）支持稳定币与传统支付方式，可依托共享支付凭证接入银行卡支付。Browserbase、Parallel 是该协议在浏览器会话、网页访问场景下的落地项目。AWS 在 8 月正式上线 AgentCore Payments，支持钱包接入、支付限额配置与运行监控。这些产品搭建好了基础设施，但目前还缺少可对标、可持续的商业化收入数据。

最优适用场景同时满足三点：交易对手陌生、单笔金额较小、交付结果可自动核验。即便结算手续费变化不大，这套模式也能通过省去供应商准入流程、避免闲置订阅费来节约成本。反过来，如果是长期合作供应商，其身份核验、授信、对账成本，可能低于新充值钱包的综合成本。

资金可跨场景复用，需要资产、网络、授权体系互相兼容。可循环使用的余额能够降低多平台闲置保证金；共享身份体系、账户月结模式是另一条替代路线。供应商丰富度和准入成本，决定了该模式的市场空间。

小额支付的可行性，取决于支付架构设计

Stripe 的 MPP 方案标注了支付下限：银行卡最低 0.5 美元，稳定币最低 0.01 USDC，这属于产品层面限制。Circle 小额支付方案的文档说明，可以预先向网关充值、在链下签署授权、后续批量结算；校验通过后立刻开放资源访问，而不是每一次请求都单独执行一笔链上最终转账。

举个例子：每月 10 万次 API 调用，单次定价 0.01 美元，月度总额 1000 美元；交易双方均使用美元，不考虑汇率波动。稳定币模式假设每笔结算费 0.001 美元，充值 + 赎回综合成本 0.20%；每种方案额外加上每月 5 美元的运维成本。以上仅为演示假设，不是服务商报价，且未统计欺诈、托管、信用损失等隐性成本。

传统月结模式参考 Stripe 美国标准费率：境内线上银行卡费率 2.9%+0.3 美元 / 笔，ACH 直接借记费率 0.8%、单笔上限 5 美元。用量按月统计、统一扣款，避免了 “每调用一次就扣一笔卡费” 这种不合理的对比口径。

在该假设条件下，直连转账的网络成本必须低于每调用 0.000273 美元，才能优于按月银行卡扣款模式；若要优于 ACH 转账，则需低于每调用 0.000030 美元。按 0.0001 美元 / 次计算，直连方案总费用为 17 美元。批量结算示例成本更低，原因是它减少了结算频次；传统预充值模式也可以利用同类聚合效应。服务商额外收费或托管费用会扭转这一成本对比结果。

相较于 ACH 方案，稳定币批量模式每月仅能省下 2.90 美元。若充值与赎回综合费率从 0.20% 上调至 1%，批量结算成本将升至 15.10 美元，高于 ACH、但低于银行卡方案。反复兑换会侵蚀节约的成本；将资金留在同一个可接受网络内，可以把兑换成本分摊到多笔采购中，但无法动用的余额会带来反向成本。

上述金额包含收款与运营成本，不只是交换手续费。堪萨斯城联储的对比区分了司法辖区、卡种与交易类型；圣路易斯联储的统计口径是银行收到的交换手续费，而非商家承担的全部成本。Gas 补贴同样会转移成本。服务费、资金充值、合规、对账以及损失分摊，都是需要考量的因素。

表格内的费用由多方共同承担：充值成本可能由买方承担，Gas 费由服务商承担，对账工作由双方共同完成。统一设置 5 美元运维费用，是为了单独对比处理链路差异，而非还原真实工作量。生产环境下的对比，需要基于合同定价、已发生损失以及成本归属；即便整体总成本下降，承担方也可能处境变差。

Stripe 单独给出稳定币收款费率 1.5%，包含法币兑换、风控筛查以及 Gas 补贴。这个打包产品和前文假设的结算架构并不一样：区块链转账本身低廉，不等于商家全套服务的综合成本更低。

对比完整交易生命周期

在一个 30 天周期的期初预存 1000 美元，资金均匀消耗，平均闲置余额为 500 美元。假设年化融资成本 8%，对应的资金成本为 3.29 美元，无论这笔余额是通过银行卡还是稳定币充值。供应商等待 30 天才能收回 1000 美元货款，按同样利率计算，融资成本约 6.58 美元。即时付款消除了这笔应收账利息，但也让买方的现金流出提前。两个示例的资金占用节奏不同，不能直接互相抵扣。

批量结算降低交易手续费，但在结算完成前卖方始终暴露在风险中。预充值可以降低拒付风险，而缩短结算周期、设置支付上限有助于控制未结清债权。核验、对账与结算成本依然存在。

跨境支付的成本优势取决于资金的起点与终点。美元稳定币可以省去中间兑换环节、不受银行营业时间限制，但本币充值和提现仍然会产生汇兑及其他费用。境内替代方案本身已经具备竞争力：欧元区即时支付规则于 2025 年 10 月进一步扩大覆盖，Pix、UPI 也已是成熟的实时支付基建。

传统支付网络也在接入稳定币。Visa 在 9 月披露，稳定币结算年化流水超 200 亿美元。消费者依旧刷卡支付，机构后台用稳定币完成清算，前端结算体验不会发生变化。

最后，更快的结算无法解决采购出错的问题。取消拒付机制，会让核验、退款与买方保护承担更多责任。API 返回结果可以立刻核验；酒店预订的保障则要持续到入住完成。区块链上链确认，不代表法律意义上的交易终局，也不保证可以兑换成银行存款。一笔错误订单，无论结算速度多快，订单本身依旧是错的。

监管本身也是成本的一部分

欧洲证券和市场管理局（ESMA）10 月 8 日发布声明，要求持牌加密资产服务商，停止向欧盟客户提供不符合 MiCA 法规的稳定币相关服务，仅保留有限的整改缓冲安排。欧洲银行管理局（EBA）于 10 月 14 日将 USDC 归类为重要电子货币代币；监管权责移交原定在 11 月 12 日执行，晚于本文数据截止时间。

美国货币监理署（OCC）10 月 21 日发布《GENIUS 法案》最终规则，对其管辖范围内机构的储备、赎回、托管与监督作出规范，2027 年 1 月 18 日生效。反洗钱与制裁相关条款还需要另行制定细则。这些时间节点会影响可合作的交易对手与合规成本。无论采用哪一种结算模式，智能体交易都需要可强制执行的预算清单、许可供应商、时效到期的授权以及可审计的交易凭证。

哪些交易值得交给智能体委托执行？

经济层面的判断标准：时间、价格、协同环节省下的成本，是否超过推理、系统对接、人工监督以及预判的差错损失。高频复购场景下，小额节约可以持续累积；但流程熟悉、两分钟就能完成的复购订单，相比跨供应商门户对账，优化空间很小。企业采购本身已有成熟审批流程；智能体的价值，在于处理异常单，或是把自动化范围延伸到原有系统覆盖不到的供应商。

对于家庭用户，窄口径补货指令可以限定商品、数量和价格上限。多人拼单涉及多方偏好与同一个预算，协同复杂度更高。复杂的旅行订单潜在节约空间更大，但如果退改规则、行程衔接出错，损失也会很高。现阶段最合适的候选场景，是有限授权，并且损失扩大前就能核验结果。

Jane Street《AI 奇点是否将至》圆桌讨论里强调短反馈闭环，引申出更严格的判断标准：如何确认采购成功、核验信息何时返回、哪些操作仍可撤销？API 正常返回只能证明资源交付，不一定代表采购内容准确；商品编号只能确认规格，不能代表尺码合身或者用户满意。

我们的推论：当核验成本与预期剩余损失，低于协同环节节约的成本时，委托模式才有吸引力。在合约中写明可观测的验收标准与追偿权利，能够扩大适用场景。如果结果主观、生效滞后，哪怕模型能力提升，昂贵的人工复核环节依然无法省去。

价值创造和价值分配可能发生背离

商品发现入口本身已是高利润赛道。亚马逊披露，第三季度广告服务收入 196.37 亿美元，同比增长 11%，该口径不止包含零售竞价广告。路透社 11 月报道，亚马逊和沃尔玛正在购物助手里测试广告位。亚马逊称，智能体购物目前尚未对广告业务造成实质影响。但随着越来越多采购决策转移到 AI 交互界面，局面可能改变。

2026 年 8 月沃顿商学院一项研究给出早期证据：研究者用 6 个模型、8 款产品，完成约 2.6 万次智能手表选购模拟。另一组四模型实验显示，当三个推荐来源同时展示时，GPT-5.5 选择 Wirecutter 推荐商品的概率相对基准提升 53 个百分点；依次推送相同来源则几乎没有影响。商品本身没有变化。这只是模拟选择，并非真实下单，但结果说明：谁控制输送给智能体的信息，谁就能引导需求流向特定商家。

独立智能体可以聚合采购意向，为用户争取更低价格或者佣金分成。零售商的应对方式，是把同类工具内嵌到自有平台 —— 平台本身已经掌控商品目录、客户关系与履约链路。标准化接口会削弱基础商品匹配能力的溢价，但库存、配送网络、可靠的纠纷调解机制，依然难以复刻。

对商家而言，经济账的核心是：智能体带来的是不是新增客户。假设毛利率 20%，所有智能体导流订单统一收取 5% 佣金。如果这些客户本来就会自行下单、不需要额外获客成本，那么导流订单里至少要有 25% 属于增量销售，这笔佣金才划算。广告费用下降会改善收益测算，而退货、客服成本、客户数据流失则会侵蚀利润。仅看智能体带来的 GMV，很难判断盈利性。

客户关系的价值不止一笔交易。如果助手保存历史订单和偏好，后续订单可能流向竞品供应商，损害商家客户终身价值。开放商品信息流，能让商家对接多款 AI 助手，降低对单一中间方的依赖。支付服务商无论结算方式如何，都可以从凭证校验、风控、对账业务中持续获利；稳定币发行方依靠沉淀余额盈利，而钱包与支付基建服务商需要足够手续费覆盖运营成本。交易量上涨，不等于留存收入同步上涨。

基于佣金的推荐模式还会带来新矛盾：助手可能优先推荐付费商家、截留部分协商折扣，或是把订单导向出价最高的供应商。这些未必是当下市场的现状，但每一种都可能在买方利益和平台收入之间制造冲突。评估这类商业模式，需要披露服务商报酬、最终成交价与复购数据。核心问题不是智能体促成了多少交易，而是它创造了多少价值，以及价值最终归谁。

结语

智能体商务增长最快的场景，是 AI 优化已有的采购关系。内嵌式助手依托成熟的商品目录、支付凭证和履约网络，影响商品发现与转化。完全委托式下单则有更多前提：支出授权、商家准入，以及确认订单符合用户指令的保障。因此辅助导购的增长，只是委托下单的机会窗口，不能直接等同于委托交易的渗透率。

这条经济边界，就是核验智能体是否执行正确指令的成本。可观测结果、配套追偿机制的有限额度采购，是最清晰的落地起点。当偏好主观、交付周期长、出错代价高昂时，核验和监督成本会吞噬省下的时间。模型能力提升可以拓宽可行市场，但配套商业管控机制，才决定能力能不能转化为可用价值。

流量分发，依旧是价值捕获的核心。前面购物实验说明，商品选型结果取决于输入给智能体的信息以及展示形式。即便结算协议完全开放，控制信息输入，依然可以引导商家端需求。这种影响力能否转化长期利润，取决于增量销量、客户留存，以及中间方收费模式不会把买方或商家的收益完全吞噬。

稳定币的价值，体现在降低供应商准入门槛、减少结算摩擦的场景中；它的经济性始终受充值成本、资金占用、收款受理、售后追偿约束，传统月结模式是有力竞品。

下一阶段的评判指标，应该是付费复购、给商家带来的增量收益，以及每一笔成功完成订单的综合成本。那些让委托交易可量化、成本可控、出错可追偿的服务商，才能在行业普及过程中稳住收入。