Stripe：AI 注册里每六个有一个是欺诈

在 AI 经济中，获取一位付费客户，可能让公司在这位客户还没见到账单界面之前，就搭进去超过 500 美元的被盗算力。这个数字出自 Stripe 9 月在这家支付处理商的上海大会上分享的、对 AI 公司真实经济状况的观察，它揭示了一个结构性弱点：行业正被迫重新设计 AI 产品的收费方式，以及对访问权限的防护方式。

Stripe 为 78% 的 Forbes AI 50 企业处理支付，已成为观察 AI 业务究竟如何赚钱 —— 又如何亏钱 —— 数据最丰富的观察者之一。该公司的数据显示，AI token 欺诈已不再是边缘情况。它如今已成为对基于消耗模式构建的 AI 产品的可行性的核心经济威胁。

六个注册里就有一个：AI token 欺诈如何成为结构性问题

这种攻击之所以简单，是因为经济账对攻击者有利。每一次大模型推理调用、每一次图像生成、每一个自动化智能体任务，都带着真实的基础设施成本 —— GPU 时间、内存、电力。不同于传统 SaaS 欺诈里盗用订阅只意味着获得功能访问，AI token 欺诈把被盗的账号凭证直接转化为即时、可衡量的算力消耗。欺诈者获利；AI 公司买单。

Stripe 的数据把这个问题的规模说得很直白。AI 公司约六分之一的新账号注册，与疑似多账号滥用有关 —— 即同一个人或自动化系统在耗尽前一个账号之后，用新身份重新注册，来领取新的额度 —— 这是根据 Stripe 对第一方欺诈趋势的分析。AI 公司的欺诈率是普通初创公司的 4.3 倍，即便部署了应对措施，也仍是正常水平的 2.6 倍，据 CryptoBriefing 对 Stripe 数据的报道。

免费试用成了特别暴露的一环。Stripe 记录到，2025 年 11 月到 2026 年 2 月，其网络内的恶意免费试用活动增长了 6.2 倍，这是根据 Stripe Radar 团队的分析。拥有直接 API 访问权限的自助式 AI 创业公司，面临的试用滥用约为采取门控式入驻的企业级 AI 部署的 10 倍。账号创建成本低、推理成本高，这种不对称让 AI 的试用经济格外脆弱。

第三种欺诈模式 —— Stripe 称之为「dine-and-dash」（吃霸王餐）—— 直接针对按用量计费。用户启动真实的消耗，在一个计费周期里累积数千美元的 token 费用，账单到来时却不付款。等到 Stripe 的传统支付欺诈工具通常能发现这种模式时，算力已经被消耗掉了。

传统欺诈工具为何在 token 层失效

时间错位是核心问题。传统支付欺诈检测在交易层启动 —— 即支付方式被扣款时。但 AI token 欺诈往往完全发生在任何支付事件之前：攻击者消耗试用额度或未付费的用量，从不产生可扣款的交易。等到传统欺诈信号出现时，损失已经造成。

攻击特征也不同于金融欺诈。欺诈性 AI 账号通常表现为随机用户名、一次性或新建的邮箱域名、通过 VPN 或住宅代理产生的多个地理来源，以及异常高的输出与输入 token 比，这预示着批量内容提取。最关键的是，这些账号呈现出一种特有的生命周期：注册、耗尽额度、再也不回来。这个账号存在的唯一目的就是消耗。WorkOS 对 LLM token 盗用的从业者分析 记录了这些模式与传统欺诈工具所要检测的网络层信号有何不同。

检测盗刷测试或基于频次的银行卡欺诈的网络层工具，完全漏掉了应用层信号。CAPTCHA —— 传统的摩擦机制 —— 如今经常被人工打码农场以每千次尝试约一美元的价格绕过，对有组织的欺诈者造成的成本门槛微不足道，却给合法用户带来了真实的摩擦。

Stripe 的应对，是把检测点移到注册层。Stripe Radar 不再等待欺诈性的支付，而是在 token 被消耗之前评估每一个新账号，使用的手段包括：跨 20 多个行为信号的设备指纹、邮箱域名信誉名单、针对试用循环模式校准的频次评分，以及对攻击者每次尝试都施加成本的短信验证挑战。这些能力于 4 月作为 Stripe 288 项功能的 Sessions 2026 扩展的一部分发布。

在部署这套扩展后的 Radar 系统之后的 30 天窗口里，八家 AI 公司合计拦截了超过 330 万次高风险注册尝试，据 CryptoBriefing 对 Stripe 数据的报道。对于基于用量的欺诈 —— 也就是「吃霸王餐」问题 —— Radar 现在会在计费周期结束之前，针对不付款情形建立预测模型，让 AI 公司可以要求预先充值额度，或在损失累积之前暂停服务。

Stripe 的位置自带的网络效应，让它的欺诈检测拥有单点解决方案的竞争对手难以轻易复制的优势。在一个 Stripe 客户身上识别出的攻击模式，会作为共享情报在整个网络中传播 —— 在客户层面匿名化，但可作为信号使用 —— 这意味着，一个利用某家 AI 公司注册流程的欺诈向量，在下一个目标那里会被更快地检测到。一个周一在 LLM API 平台上试图作案而被拦下的欺诈者，到周二同一台设备指纹出现在另一个 AI 产品上时，已经被 Stripe 的系统认识了。

被 token 欺诈加速的定价两难

token 欺诈加速了 AI 公司本来就在各自应对的一场定价危机。根本的矛盾是结构性的：用户消耗得越多，AI 公司越受益，但每一单位消耗都是真实的基础设施成本。在传统软件里，产品做好之后，使用的边际成本趋近于零。在 AI 里，使用的边际成本是最重大的一项支出。

这造成了 Stripe 的 AI 业务首席营收官 Maia Josebachvili 所描述的一个具有破坏性的经济循环：产品用得越多，成本越高，利润越薄 —— 这种增长模式是在毁灭价值，而不是创造价值。为获取用户而激进定价的公司，可能发现每多一个新用户，亏损就加深一分，正如 Stripe 的 AI 定价分析 所明确指出的。

「低价引流」的做法还带有 Josebachvili 指出的另一个风险：流量不等于价值。在她的框架里，健康的增长飞轮需要可证明的高质量使用来支撑成本结构 —— 而不是吸引欺诈者与不坚定用户的比例大致相当的廉价试用。

混合定价成为行业的结构性答案

Stripe 对其 AI 公司客户群的观察显示，行业正在做出果断的回应。关于 AI 公司变现趋势的数据 显示，采用混合定价模式的公司 —— 一笔固定基础费用对应可预测的基线用量，超出阈值的消耗再按单位计费 —— 在 AI 市场中的占比急剧上升，而采用纯固定订阅或按席位定价的公司在头部梯队中则有所下降。据 Josebachvili 公开分享的数据，如今每三家 Forbes AI 50 企业中就有两家有某种形式的按用量定价，而一年前还不到一半。

混合定价的逻辑同时解决了两个问题。基础订阅费创造了可预测的收入，以及承诺付费的用户关系 —— 它要求在任何 token 流动之前先有一笔预付承诺，从而抬高了欺诈的成本。按单位计费的超额层，则确保大量的合法使用产生相应的收入，而不是摧毁利润。对用户来说，这种模式一目了然：一笔已知的月度承诺，加上对超出部分透明的计量。

Cursor 的定价演变说明了这种模式在实践中的样子。这款 AI 编程工具从无限使用转向有速率限制的档位，超出部分另收费用，把轻度用户与重度用户区分开来，同时保护每一类用户群的经济性 —— 并且 Stripe 曾提到 Cursor 是已经在使用 Radar 防范免费试用滥用的 AI 公司之一。

Josebachvili 的 AI 公司定价框架围绕三条原则，既针对 AI 计费的经济维度，也针对心理维度。第一，用客户的语言定价，而不是用基础设施单位 —— 以「生成的研究报告数」或「处理的文档数」来计量，而不是以数百万 token。第二，让消耗在账单到来之前可见 —— 实时用量仪表盘，防止账单意外，让用户可以自我调节。第三，卖额度，而不是卖成本：当客户预先用钱换取额度时，之后的每一次使用触发的是价值计算，而不是成本计算，把心理框架从计量支出转向已实现的收益。

AI 公司的增长指标，抬高了赌注

考虑到 AI 公司如今的增长规模，AI 公司经济面临的商业压力就更为重大。Stripe 对其平台上头部 AI 公司的数据 显示，达到 100 万美元年化收入的时间中位数为 11.5 个月 —— 比 2010 年代订阅浪潮中增长最快的 SaaS 公司快约四个月。同一批公司在 24 个月内达到 500 万美元 ARR；可比的 SaaS 公司需要 37 个月。

国际扩张的时间线同样被压缩。表现出色的 AI 公司可以在成立三年内进入约 120 个国家；对应的 SaaS 基准约为 50 个国家。API 优先的架构、全球支付通道，以及 AI 自然语言的通用性，消除了此前制约软件扩张的许多本地化障碍。

源自中国的 AI 公司在 Stripe 平台上的增长，快于整个网络的全球平均水平。在 Stripe 上的前 100 家 AI 公司中，约七分之一是中国公司 —— 这个数字反映的是在海外运营的公司中的 AI 发展规模，主要集中在消费级 AI、生产力工具、企业软件和 AI 硬件。这些是以 Stripe 的支付基础设施构建全球业务的公司，而不是中国大陆本土运营的企业；Stripe 不在中国大陆直接提供支付处理服务。平台上增长最快的中国 AI 品类，符合 Josebachvili 所描述的全球最具商业成功的 AI 公司的特征：集中在使用频率高、付费意愿明确的品类。

这种集中模式 —— 在所有地区皆然，不只是中国 —— 是 Stripe 数据中最清晰的信号之一。增长最快的 AI 公司，主要不是那些基准测试得分最亮眼或参数规模最大的。而是那些找到了用户会持续回来、并愿意为继续访问付费的使用场景的公司。

智能体商务，以及 Stripe 正在构建的基础设施层

欺诈和定价方面的挑战，都发生在一个更深层的结构性转变背景之下，而 Stripe 正明确朝着这个转变构建。随着 AI 智能体能够代表用户自主采取行动 —— 预订服务、购买 API 访问、执行交易 —— 服务于这些智能体的支付基础设施，必须不同于服务人类用户的基础设施。

Stripe 4 月的 Sessions 2026 大会 推出了一组直接针对这一转变的产品。与 Tempo 区块链共同开发的 Streaming Payments，让 AI 智能体可以通过用稳定币实时结算的小额支付与商家交易 —— 使企业能够在每个 token 被消耗的那一刻按 token 收款，而不必等待月度计费周期。Checkout Studio 针对智能体情境下的结账体验 —— 构建自适应的支付流程，在购买方是 AI 系统而不是填写表单的人类时，运作方式有所不同。Stripe Billing 基于 token 的计量，让 AI 公司能把模型成本自动转嫁给终端客户，跨多个 AI 供应商跟踪消耗，并应用可配置的加价利润率。

对 OpenRouter 的收购 —— 这个模型路由平台通过一个 API 密钥，把大约 800 万开发者连接到 400 多个 AI 模型 —— 把 Stripe 的触角直接延伸到模型层。这笔超过 70 亿美元的交易 把支付处理和模型路由整合进一个实体，让 Stripe 能在企业 AI 支出决策发生的那一刻看到它们，而不是只在结算之后才看到。对 AI 实验室来说，这种组合削弱了定价话语权，因为通过 Stripe 旗下平台路由的开发者，会越来越多地依据成本和质量门槛来选择，而不是对某个模型的忠诚。

这一系列收购 —— OpenRouter 负责路由，Metronome 负责按用量计费，Privy 负责钱包，Bridge 负责稳定币 —— 勾勒出 Stripe 正在拼装的轮廓：一套面向智能体经济的端到端基础设施栈，位于 AI 模型供应商与 AI 应用构建者之间，同时管理欺诈检测、计费、路由和结算。

Josebachvili 在 Stripe Tour Shanghai 上的论述，把这套基础设施定位为仍处于早期阶段，其发展程度可与早期互联网的基础性工作相比。AI 经济的商业逻辑尚未成型。多数引人惊叹的 AI 公司尚未盈利。现在正在建设的基础设施 —— 用于防欺诈、透明计费和智能体支付 —— 才使一种可持续的 AI 产业经济成为可能，而不是一种靠亮眼增长指标支撑、单位经济却无法持续的产业。

基础设施层本身主要由 Stripe 拥有，还是其他参与者在市场整合之前建起有竞争力的替代方案，是 AI 商业发展下一阶段更重要的问题。