ai agent是這篇文章討論的核心

AI 驅動的 fraud prevention 系統正成為電商生存必需品。 photo credit: Tima Miroshnichenko/Pexels

💡 核心結論

Riskified 的 AI agent 升級不是 incremental update，而是將 fraud prevention 從被動防禦轉為主動預測的質變。
2026 年 agentic AI fraud detection 市場將從 77.3 億飆升至 115.3 億美元，年增 49.1%。
電商每因 false positive 錯失一位真實客戶，實際損失是 fraud 本身價的 9 倍——這才是真正的出血點。
Adaptive Checkout 等技術讓Riskified 從純粹的阻擋工具轉型為 revenue driver。

📊 關鍵數據

2024 年美國消費者因詐騙損失 125 億美元，年增 25%。
AI-driven fraud detection 市場：2024 年 528.2 億 → 2032 年 2,461.6 億美元（CAGR 21.2%）。
整體 fraud prevention 市場：2027 年 459.9 億 → 2035 年 1,460.6 億美元。
電子商務總額：2026 年 6.88 兆美元，2027 年 7.38 兆美元。
False declines 全球成本：4430 億美元/年 vs. 實際 fraud 損失 480 億美元。

🛠️ 行動指南

審視現有 fraud rules 是否造成過度攔截，計算你的 false positive rate。
評估供应商是否提供 adaptive 決策引擎而非 static rule sets。
要求供應商透明的成本效益報告，尤其要看到 net benefit per 1,000 transactions。
準備迎接 real-time AI agent 整合，這將是 2026 年的基礎設施标配。

⚠️ 風險預警

不更新的 rule-based 系統將在 2026 年前全面退役，因無法對抗 deepfake 和 synthetic identity。
過度依賴 AI 可能引發新的 bias，需定期審計模型表現。
供應商鎖定風險：agentic workflow 可能導致 high switching costs。

Riskified AI 代理大升級：2026 年電商防詐格局將被重新洗牌

Riskified 的 AI 代理升級：技術深度解析

当我们观察到 Riskified 的最新公告时，第一感觉是：这家NASDAQ上市公司的AI Agent架构已经跳脱了传统「检测-阻断」的单向思维。他们的升级并不是简单地调参或者换个模型，而是构建了一个具备agentic workflows的闭环系统，能够在数毫秒内完成從交易风险评估到动态checkout调整的全链路决策。

这种能力在2025年尤其关键——根据Juniper Research的数据，2027年全球企业在AI驱动的金融欺诈防护平台上的支出将达到一个临界点。Riskified的新版API-driven解决方案允许电商平台将欺诈预防无缝嵌入结账流程，而非作为一个生硬的「附加验证步骤」。这意味着用户体验的摩擦被降到最低，同时安全阈值根据实时风险动态浮动。

交易輸入

AI Agent 核心 machine learning + agentic workflows

批准 + 優化

阻攔 + 原因

持續學習迴圈

Pro Tip： 實測觀察發現，Riskified 的 Adaptive Checkout 不僅僅是 fraud score，它還會根據用戶的瀏覽歷史、裝置指紋和行為模式動態調整驗證步驟。這意味著高風險交易可能觸發多因素驗證，而低風險的忠誠客戶則享受一鍵結帳——這才是真正以客戶體驗为核心的 risk management。

根據Wikipedia資料，Riskified成立於2012年，2021年登陆纽交所，2025年引入了Adaptive Checkout。這家位於特拉維夫的SaaS公司 لا beg 把AI-first策略進行到底。他們最近的合作夥伴陣容也很有意思：與 IXOPAY 整合 payment orchestration、與 Appriss Retail 打通线上线下數據、與 HUMAN Security 联手对抗AI驱动的购物代理——三條線索都在指向一個結論：未來的 fraud prevention 不再是孤島，而是嵌入整個電商生態的智能神經中樞。

從技術實現角度看，Riskified 的agentic workflows讓系統能自主決定何時需要人工審核、何時可以自動批准，甚至能主動向 merchants 建議 risk appetite 的調整。這種自主性（agency）正是區別於傳統 rules engine 的關鍵——傳統系統只能回答「是或否」，而 AI agent 能回答「在什麼條件下可以」，並持續從結果中學習。

電商 fraud 現狀：數據揭示的真相

如果只看表面，你可能會以為電商 fraud 就是「騙子偷錢」這麼單純。但2025年的數據會告訴你：電商最大的出血點根本不是 actual fraud losses，而是 false positives——也就是把好客戶當成騙子攔截下來的銷售機會。

來玩個数字對比：全球每年因 false declines 損失的金額高達 4430 億美元，而真正的詐騙損失大約 480 億美元。換句話說，電商為了防詐，實際上:self-sabotaging》了自己九倍的營收。這不是修修bug就能解決的問題，而是系統性缺陷——旧的 rules-based 方法論本身就有根本性盲點。

0 500億 1000億 1500億

480億實際詐騙損失

4430億 False Positive 成本

電商安全成本結構：九倍的失衡

這種現象背後有幾個深層次原因。首先，假陽性率（False Positive Rate, FPR）在傳統规则引擎中往往被設定得過高——商家寧願錯殺一百，不願放過一個。問題是，被擋住的客戶永遠不會回來，他們不會抱怨，只會默默轉向竞争对手。相比之下，真正的詐騙者會持續嘗試，直到成功，所以 merchants 實際上是在用忠誠客戶的終身價值（LTV）來補償一個static rule set的缺陷。

其次，第一方誤用（First-Party Misuse）在2025年持續上升。Verifi的報告指出，越來越多消費者利用 Chargeback 機制進行「友好欺詐」——收到商品後申诉未收到，這讓 merchants 陷入兩難：不反駁則損失收入，反駁則可能得罪真實客戶。AI agent 的價值在於能從行為模式中區分「真實爭議」與「惡意申訴」。

第三，Synthetic Identity fraud正在成為美國電商的最大威脅。2025年的研究顯示，第三方身份欺詐和合成身份欺詐已經超越信用卡盜刷，成為 merchants 損失最大的來源。這些使用 AI 生成的虚假身份信息讓人類審核幾乎無法分辨，唯有機器學習模型能從細微的行為異常中捕獲痕跡。

最後，CNP（Card-Not-Present）欺詐隨著移動支付普及而水漲船高。當物理卡片的防鎖機制越來越嚴，騙子自然轉向線上。這也解釋了為什麼欺诈 prevention 解決方案的市場規模會以如此驚人的速度膨脹——不是因為詐騙變多，而是因為電商本身成為經濟的主战场，容不得任何安全缺口。

2026 預測：agentic AI 如何重塑安全格局

當我們把鏡頭拉遠，看到的不只是 Riskified 一家公司的產品迭代，而是一個時代的轉折：從 rules 到 AI，從被動到代理（agentic），從孤立到集成。2026年將成為這些轉折點全面兌現的關鍵年份。

市場數據不會說謊。根據 The Business Research Company，agentic AI 在 fraud detection 的市場將從 2025 年的 77.3 億美元蹦到 2026 年的 115.3 億美元，年增率高達 49.1%。這還只是冰山一角。Fortune Business Insights 預測全球整體 fraud prevention 市場將從 2026 年的 671.2 億美元狂奔至 2034 年的 2437.2 億美元（CAGR 17.5%）。另一家研究机构 Global Growth Insights 則給出 2027 年 459.9 億美元，2035 年 1460.6 億美元的規模——數字略有差异，但方向一致：這是一條通往兆美元級別的赛道。

2025 2026 2027 2028 2029 2030

0 50 100 150 200

單位：十億美元

77.3 115.3 ~150* ~190* ~240* ~300*

* 預估值，基於 CAGR 49.1% 推算

那麼，agentic AI 到底比传统 AI 毒在哪裡？關鍵在於「自主性」與「上下文感知」。傳統模型輸出一個靜態分數（risk score）， merchants 仍需自己決定 cut-off threshold。而 AI agent 能根據實時上下文——比如當前結帳頁面的轉換率、該地區的欺诈趨勢、甚至商家的庫存壓力——動態調整決策邊界。更厲害的是，它能在 approval decision 的同時就向用戶simple verification（例如 facial recognition 或 OTP），而不是一刀切地要求所有人。

Riskified 的 Adaptive Checkout 就是這種思想的具體體現。它不是一個「更好」的 fraud filter，而是一個 context-aware decision engine。當系統判斷某筆交易風險中立時，它可能完全隱藏任何安全步驟；當風險上升時，它才逐步增加驗證層級。這種細粒度控制在人工规则系統下根本不可能實現——规则數量會 exploding，维护成本 unsustainable。

從供應鏈角度看，2026年將看到的第二個轉變是 fraud prevention 供應商的角色從「成本中心」轉為「營收合作夥伴」。Riskified 的 chargeback guarantee 承諾就是典型：如果他們漏掉的欺诈導致 chargeback，他們承擔損失。這讓 merchants 願意將 risk appetite 調得更高（block less），因為false positives的酸葡萄其實由供應商買單。這類商業模式创新將推动整个行业向 outcome-based 定價演進。

最後，多代理系統（multi-agent orchestration）的興起將改變 fraud ops 的組織架構。ScienceSoft 在2025年 Insurance Transformation Summit 提出的藍圖顯示，未來的 fraud investigation 將由一支 AI agent 小隊協同完成：一個負責 triage，一個負責 deep dive lifestyle analysis，一個負責合規審查，人類專家只處理最棘手的exception。這種協作模式讓 merchant 能規模化處理交易量，而無需 linear 擴張人力。

實戰指南：電商賣家該如何因應

看到這裡，你可能會想：「我該現在就切換到 Riskified 嗎？」老實說，這取決於你的業務規模、risk tolerance 和科技準備度。但有一件事是確定的：若你還在用 static rules，2026 年會活得很痛苦。

我们来拆解幾件 electro 马上可以動手的事：

第一步：算清楚你的「隱形成本天平」

多數 merchants 只關注 fraud losses，卻忽略 false positives 的機會成本。 Aminollahi 的 fraud ML playbook 建議 merchants 要 quantify：

Expected loss for missed fraud per 1,000 transactions
Cost of manual review (工時 + 誤判)
Step-up friction 導致的流失率
Good customers 的 LTV hit

把這些指標丟進 A/B holdout 測試，你才能看到 net benefit per 1,000 transactions。如果 benefit 是正的，那才值得投資更複雜的模型，否則你只是在 pay more to lose more。

第二步：要求供應商交付透明報告

不是所有 AI fraud solution 都一樣好。你在選擇時必須追問：

你的 false positive rate 是多少？
你的模型多久 retrain 一次？
你是否提供 decline reason codes 的透明度？
你的 chargeback guarantee 涵蓋範圍？

Riskified 之所以受 large enterprises 青睞，正因為他們願意承擔 guarantee，這是一般 rule-based vendor 不敢承諾的。

第三步：準備迎接 API-first 整合

未來的 fraud prevention 不再是一個 standalone dashboard，而是深度 embedded 到 your stack 中。如果你的電商平台是 Shopify、BigCommerce 或自建，你需要一個能無縫銜接 checkout 流程的解決方案。Riskified 的 API-driven 設計讓他們能幾行代碼就上線，這在 holiday season 前的關鍵時刻尤其重要——你沒時間搞三个月 integration project。

第四步：重新定義你的「acceptable fraud level」

許多商家把 fraud rate 目標設為 0%，這實際上是個糟糕的目標。Zero fraud 意味著極高的 false positive，进而犧牲轉換率。更好的做法是設定一個 risk threshold 與 revenue impact 的平衡點。例如：容忍 0.2% 的 fraud loss，換取 2% 的轉換率提升——通常後者的金額遠大於前者。

AI agent 的價值就在於幫你自動找這個平衡點，並隨著市場條件變化動態微調。

FAQ 常見問題

AI agent 和傳統的機器學習 fraud detection 有什麼不一樣？

傳統 ML 模型輸出静态 risk score， merchants 仍需自己決定 threshold 並手動更新 rules。AI agent 更像是具備上下文感知能力的 autonomous agent：它能根據實時業務目標（例如提升 conversion 或 control fraud）動態調整決策邊界，並能 execute multi-step workflows（例如申請額外驗證、 Route cases 到人工審核、甚至在批准後持續監控異常行為）。簡單說，AI agent 是 decision maker，而不只是 advisor。

false positives 真的比 fraud 本身更貴嗎？

數據非常明確：false declines 造成的全球營收損失每年約 4430 億美元，是實際欺诈損失 480 億美元的九倍以上。更重要的是，一位被錯誤攔截的客戶可能永遠不會回來，而詐騙者會不斷嘗試。因此 false positives 的長期成本（客戶流失、品牌傷害、word-of-mouth 損失）往往被低估。AI-driven 解決方案的核心賣點就是降低 false positive，同時 keeping fraud in check。

現在切入 agentic AI fraud prevention 會不會太早？技術是否成熟？

不會太早。2025-2026 正是 agentic AI 從早期採用走向 mainstream 的臨界點。Riskified、Signifyd 等廠商已经有 production-ready 的 API 產品，且被大型電商（如 Wayfair、Fanatics）驗證過。技術成熟度方面，主要雲端供應商（AWS、GCP）都提供了現成的 AI agent 框架，廠商只需聚焦 domain-specific 的信號與邏輯。換言之，現在切入反而能搶先建立數據飛輪優勢——你的交易數據越多，模型就越精準，這會形成競爭壁壘。