“Checkout Pages Should Not Exist" - Stripe on Agentic Commerce

Stripe 联合创始人 Patrick Collison 透露：公司内部 30% 的代码 PR 已由 AI“Minions”生成，每周 7000 个；新一批创业公司收入比去年同期高 50%。

---

source_name: "a16z"

youtube_url: "https://www.youtube.com/watch?v=P5iICDVn5gc"

---

AI 最先卡住的不是代码，而是组织

Will Gaybrick 是 Stripe 总裁兼产品与业务负责人。他看到的不是单个开发者怎么用 AI 写代码，而是 Stripe 这个支付与金融基础设施平台，如何把 AI 接进产品研发、销售、风控、结账和全球资金流动。Stripe 正在经历一个很具体的变化：代码产量猛增，但公司不一定因此需要更少的人；agent 能替用户完成任务，但支付、账户和授权方式还没准备好。

这期回答了 8 个问题：

1. 当 AI 让每个人效率暴涨，为什么 Stripe 反而想要更多工程师和销售？
2. 免费试用在 AI 公司里为何从获客手段变成了高成本的风控问题？
3. 什么叫“一句话交付”的 AI 编程，它会如何改写团队协作？
4. 当一个工程师能同时调度 16 个 agent，管理层和团队规模还该怎么设计？
5. 为什么产品品味不能只靠高层拍板，而要靠模拟用户来训练？
6. Agent 会如何先从一次性、小额消费开始瓦解订阅制？
7. 为什么“让 agent 自己填结账页”不是 agentic commerce 的终局？
8. 稳定币为何可能成为全球线上经济的共同结算层？

被问到 Stripe 为什么把 AI 优先投向面向客户的新产品，而非后台降本时，Gaybrick 给了一个内部案例：知识工具 Kai 大约在 6 个月前由两个人做出来，如今周活跃率达到 83%，日活跃率约为 60%。它让销售人员的生产率提升了 20%。通常的管理反应是：同样的销售额可以用更少销售完成。但 Stripe 的反应恰好相反——销售的回本周期变好了，因此应该配置更多销售，把触达客户的范围扩大。

他的判断是："the best way to optimize your cost structure is to grow more."（优化成本结构的最好方式，是增长得更多。） 这并非一句把增长放在成本之上的口号。AI 降低的是“做一件既有事情”的边际成本，随之变大的却是可做事情的总量。Stripe 称，2026 年新 SaaS 平台 cohort 比 2025 年大 103%。更多人能更快做出软件，也就有更多新公司需要支付、计费、税务和资金管理工具。

这意味着，增长型公司不应把 AI 收益自动折算为裁员额度，而应先问：过去因工程、销售和交付能力不足而搁置的相邻机会，现在能否重启？不过，Gaybrick 也给管理者泼了盆冷水：此刻仍应保留一定资源压力。团队得先证明自己把现有工具、人力和流程吃透了，扩张才不是给低效流程续杯。

被问到 Stripe 如何为 AI 公司解决新摩擦时，Gaybrick 提到 Cursor 最早暴露出的免费试用滥用问题。传统软件的免费用户即使多开几个账号，新增成本往往只是少量存储和带宽；但 AI 产品每一次生成都要消耗模型推理、算力和 token。Cursor 当时大约每六个免费试用用户里，就有一个存在滥用行为：不断注册新账号，持续消耗服务，甚至可能借此做模型蒸馏。

Stripe 周末就搭起了一条识别管线：用基础模型分析 Stripe 全网数据，用 embeddings，也就是把行为信号转成可比较的向量表示，再叠加推理层，说明系统为何作出判定。它不只是扔出一个“高风险”标签，而是能解释："we think this is a free trial abuser because"（我们认为这是一个免费试用滥用者，因为……）。ElevenLabs 后来告诉 Stripe，借助这些信号，每天能拦截 2,000 个免费试用滥用者。

这意味着，支付网络积累的跨商家信号，正在从支付附加服务变成 AI 毛利率的共同防线。一家模型公司的试用损失，可能通过网络级模式识别被另一家提前防住。但防御越积极，误伤正常用户的风险也越高。逐字稿没有给出 false positives，也就是“把正常试用者错判为滥用者”的阈值。风控不是把拦截数做大，而是在止损与留住真实用户之间持续校准。

被问到 Stripe 为什么能高频发布产品，以及 Stripe Minions 究竟是什么时，Gaybrick 强调它和常见代码助手的区别：Minions 是 one-shot 工具，不是陪工程师来回改几轮的聊天窗口。员工给出一个 prompt，系统负责构建代码，走过 CI/CD，也就是持续集成与持续部署流程，再完成测试，最后交给人做审查。人不必先进入长时间规划模式，而是先把目标讲清楚，再让 agent 把整条生产链跑完。

这个变化的速度相当直观。Stripe 在一二月介绍 Minions 时，它每周生成约 1,200 个 PR，即代码变更请求；到访谈前一周，这个数字已升至 7,000 个。那一周，约 30% 的 Stripe PR 来自 Minions。这里的关键不只是“AI 写了更多代码”，而是 PR 已成了一个可规模化交付物：需求、实现、测试和提交被压缩进一次任务执行。

这意味着，工程流程的基本单位正在从“人和助手一起完成一段代码”，变成“人定义结果，agent 完成生产链，人负责验收”。像工厂从手工修配转向模具生产，效率不只发生在某个工位，而是发生在整条链路。边界也很明确：任务定义含糊、自动化测试薄弱、需要跨团队反复权衡的工作，并不适合一声令下。一次性交付把风险前移到需求本身，也把最终责任压在 code review 上。

在解释 AI 带来更多代码产出后，Stripe 当前究竟被什么卡住时，Gaybrick 的答案不是模型能力，也不是工程师数量。Stripe 合并的代码量远高于去年，这反而给所有系统施压：产品做完后，怎样接入卖方系统；定价页怎样更新；销售团队还没来得及理解新产品时，怎样把它带到客户面前。

他说得很直接："the main things that are holding back our progress today are actually sort of back office things."（如今真正拖慢我们进展的，实际上是一些后台事务。） 这里的“后台事务”不是无关紧要的行政工作，而是产品从代码库走到用户手中时，必须穿过的商业化链条。一个功能即使已经通过测试，只要报价方式、销售材料、客户开通和内部权限没有同步，它就仍然只是“已完成的代码”，不是客户能购买和使用的产品。

这意味着，AI 时代的竞争瓶颈会从研发产能迁移到端到端吞吐能力。组织需要优化的 critical path，即关键路径，不再只是“用户提出需求—工程师写代码”，而是“用户提出需求—产品开发—定价与交付—销售理解—用户真正拿到”。反面也很清楚：给研发部门多配 agent，不会自动解决卖方系统和培训节奏。代码出得越快，后面那些原本缓慢的齿轮越容易卡住整台机器。

被问到如何组织更强大的高级工程师，以及他们是否应更靠近客户和业务单元时，Gaybrick 说 Stripe 的工程师一直不只是工程师。Stripe 面向技术用户起家，因此工程师长期兼具部分产品经理和设计师角色。AI 出现后，这个趋势被进一步放大：工程师可以自己处理更多前端开发和设计，也更接近完整产品的负责人。

他举了 Stripe Projects 的例子。一位高级工程师如今面前只有一个屏幕，却在同时编排 16 个 agent。原本需要产品经理、资深工程师和其他工程师共同完成的工作，现在大部分 PR 可以由一个人主导。Gaybrick 的原话是："He's just got a screen. He's orchestrating 16 agents and he's going a whole lot faster."（他面前只有一个屏幕，却在编排 16 个 agent，速度快得多。）

这意味着，组织设计的重点不该简单落在“少招人、少设经理”，而是让强个体拥有更大的决策权、产品权和 agent 编排权。组织会更扁平，因为过去用于协调、转译和排队的层级需求下降了。但扁平不等于团队必然变小。Gaybrick 以一位带 8 人团队的经理为例：直属人数可能不变，变化是这支团队过去完成一件事，现在能完成三件事。更宽团队与更少人手两股力量仍在拉扯，没有统一的最佳人数公式。

被问到 AI 完成越来越多工作后，Stripe 如何维持产品质量和“品味”时，Gaybrick 没有把答案放在少数高层的审美判断上。他承认，今天人们频繁谈“品味”，多少有点像在为人类未来价值寻找理由；模型未来未必没有品味。因此，Stripe 更关心的是把质量变成可重复执行的机制。

具体做法是生成模拟账户：去掉 PII，也就是个人身份信息；随机化账户增长率；但保留客户日常会遇到的季节性、业务涨跌和操作环境。团队可以在这个模拟环境里体验“收到 dispute”或发生 refund 的过程。这里的 dispute 是支付争议，refund 是退款，它们并非真实客户发起，却能让团队感受真实用户在界面、流程和信息提示上会遇到什么。工程经理被要求带头使用产品，发现体验问题后，甚至可以让下一个 sprint 专门修复。

这意味着，“品味”不能只是一句“这个页面感觉不对”，而要有让团队共同进入用户情境的测试场。就像飞行员不会只看设计图判断飞机能否起飞，Stripe 让产品团队先在模拟环境里“飞一遍”。AI 让产出加速后，这类模拟尤其重要：发布更多功能，也意味着更多机会把细小摩擦放大。边界在于，模拟再接近真实，也不能覆盖所有用户行为；它是训练共同判断的装置，不是替代真实反馈。

在讨论 agent 如何替人完成复杂线上任务、微支付为何可能成立时，Gaybrick 讲了一个很日常的例子：他想用 cloud code 为侄女生日创作一首歌。以前这件事可能根本不会做；即使现在能做，他也不想为一次任务再注册一个每月 10.99 或 9.99 美元的账户。用户真正想买的不是“一个长期席位”，而是这一次生成歌曲所需的服务。

他的设想是，用户交给 agent 一个 15 美元预算，agent 自己发现工具、使用工具并付款。它像一只在互联网里飞行的蜂鸟：这里取一点数据，那里调用一点计算，再到另一个服务完成最后一步。对此，他说："I think microtransactions will just be necessary for that economy to exist, the sort of agentic economy."（我认为，要让这种 agent 经济存在，微交易将是必需的。）

这意味着，agent 替人处理碎片化任务时，订阅制和按席位收费会越来越别扭。用户不想为填一次表、做一首歌、调用一次专业服务，到处建立长期账户。服务方可能转向一次性、短暂、预算驱动的消费接口。过去微支付往往输给订阅或广告，因为单篇内容、单次访问的交易成本太高；但当 agent 需要跨服务组合完成复杂任务时，“按次付费”不再是可选项，而是任务本身能否顺畅完成的前提。

被问到 agentic commerce 处于什么阶段、未来结账会长什么样时，Gaybrick 的判断相当克制：这个领域还没有出现被反复验证的大量经典用例，没有迎来类似“寒武纪大爆发”的时刻。Stripe 正在补的，是机器交易需要的基础原语。它与 Tempo 推出了 machine payments protocol：服务可以通过 402 response 告诉请求方，自己需要收费、该付多少钱、该如何支付。

但“agent 怎样结账”仍没答案。一种近期路线是 browser automation，即让 agent 像人一样穿过既有网页：点按钮、填地址、输入支付信息。另一种路线则是为机器重做结账，不再让 agent 模仿人类面对的表单页。Gaybrick 对此的表述是："It's still sort of an open question."（这仍然是一个悬而未决的问题。）

这意味着，近期机会不在于让 agent 更熟练地填写旧结账页，而在于先建立机器身份、用户授权、报价、预算和支付协议。人类结账页本身也可能逐渐消失：用户在商品展示页上表达购买意图，支付在后台完成。Stripe 已推出 Link agent wallet 和命令行工具，让 agent 在人类监督下使用 Link 凭证。但不能把“自动填表”误当终局。它更像马车时代给汽车装上马具，能跑，却没有发挥新工具应有的形态。

被问到稳定币未来五年的机会，以及 Stripe 为什么将其原生接入 Treasury 时，Gaybrick 从支付基础设施讲起。印度的 UPI 已经证明，低额、便宜、快速的支付系统能改变日常交易：5 美元以下支付中，约 86% 走 UPI；美国银行卡对应比例却只有个位数。巴西的 Pix 也是类似案例。但这些高效系统大多是国家级系统，跨境时仍会遇到不同货币、不同网络和不同准入规则。

Stripe 用户目前大约可在 60 个国家使用法币服务，却能在约 150 个国家使用稳定币服务。它已经把稳定币原生接进 Stripe Treasury，用户可以像持有美元、欧元或英镑一样持有稳定币。更具体的验证来自 Felix：这家做美国到墨西哥汇款的公司建立在稳定币之上，数年后已占全球最大汇款走廊约 5% 到 10% 的汇款量。

这意味着，稳定币的价值未必是让所有人抛弃银行或法币，而是为跨国、低额、机器驱动的交易提供共同结算层。两个工程师在泰国做的 AI 公司，理论上应能和美国、巴西的公司一样接入全球线上经济。稳定币可以让资金移动更快、更便宜、覆盖更多地区。但“理论上应该如此”不等于现实自动发生。人类使用稳定币仍有操作门槛，因此企业和用户需要按自己的速度迁移，而不是被迫一次性切换。

Stripe 对 AI 的核心判断，不是“用更少资源做同样的事”，而是让个人和机器拥有更强自主性，并持续清除开发、商业化和资金流动中的摩擦。第 1 节的“生产率暴涨后，最优解不是裁员而是把增长押得更大”，和第 4 节的“代码生成提速后，真正拖慢上线的是销售与流程”，看似在谈人力和流程，实际上指向同一件事：代码不再是唯一稀缺品，交付能力才是。

第 7 节说 agent 经济会推动按次消费，第 8 节说 agent 结账的原生形态尚未被发明，第 9 节则补上了资金如何跨国流动的问题。它们共同说明，agent 不只是更会聊天或写代码的工具，而会成为能发现服务、获得授权、执行任务并完成付款的新参与者。

对读者所在的公司而言，问题也许不是“要不要上 AI”，而是：当产出变快后，谁在定义任务、谁在验收结果、谁在处理销售和交付的堵点？如果用户的需求已经能被更快做出来，下一段真正需要重建的，往往是产品从完成到被使用之间那条旧路。