Adyen把AI推向支付全链路！

Adyen把AI推向支付全链路，支付决策开始跨环节协同。

据支付之家消息，Adyen公布了与日本SODA旗下SNKRDUNK的合作。这家拥有超过600万月活用户的C2C平台，主要交易球鞋、服饰、交易卡、品牌包和珠宝等商品，今年2月已经开始在全球电商业务中采用Adyen，后续还计划逐步扩展至实体门店。

高价值、热门商品交易对支付系统提出了更复杂的要求。平台既要防范欺诈，又不能因为风险规则过严，把真实消费者挡在付款之外。一笔交易还涉及身份认证、支付凭证、路由、授权以及失败后的再次尝试，每个环节都可以有自己的模型和优化目标，但各自做到最好，并不意味着整笔支付最终就能取得更好的结果。

Adyen自2025年推出Uplift以来，一直在把机器学习和自动决策扩展到支付流程中的更多位置，并尝试让不同环节使用更多共同的信息。这里的AI主要是运行在支付基础设施内部的机器学习和自动决策能力，与近期受到关注的AI Agent自主购物和支付并不是同一件事。

Adyen要解决的，不再是单个模型的最优

AI进入支付行业并不新鲜。支付公司很早就在利用机器学习识别欺诈，也会根据历史交易表现调整认证和路由策略，Token化、失败重试等环节同样已经大量使用自动化能力。

不同环节追求的目标并不总是一致。风控模型如果只追求更低的欺诈率，可以提高风险门槛，但正常交易被误拒的概率也可能增加；身份认证如果不断增加安全验证，支付过程随之变长，用户也可能中途退出；交易路由如果只看处理成本，又可能选择一个更便宜、但授权表现并不理想的路径。风险、转化和成本，本来就在同一笔交易里相互牵制。

Adyen在2025年推出Uplift时，把这种关系进一步纳入产品架构。按照Adyen的技术解释，过去不同机器学习模型更多是在各自环节追求局部结果，例如欺诈模型判断交易风险，认证模型单独决定认证路径。Uplift则让不同模型使用更多共享信息，把这些判断重新放回同一笔交易中考虑。

目前Uplift已经覆盖结账展示、Token化、认证、风控和交易优化等多个环节。2026年2月上线的Personalize，又把机器学习进一步前移到消费者真正发起付款之前，系统可以根据交易和用户信号调整支付方式展示。

从结账、凭证、认证、风控到交易优化，Adyen正在把AI铺进支付漏斗中的多个关键决策环节。这里的覆盖范围主要集中在支付过程本身，并不延伸至清算、结算、退款、拒付等完整支付生命周期。

变化主要发生在这些能力之间的关系。一次风险判断可能影响后续认证强度，认证结果又会影响授权表现。支付路径的选择则同时关系到成功率和成本。前一个环节改变交易条件，后一个环节也就很难完全脱离此前的结果独立判断。

Adyen试图让这些模型共享更多信息，让风险、转化和成本不再分别被优化，而是尽可能放到一笔交易中共同考虑。其技术体系将这一方向描述为从局部优化向更接近全局优化演进。

SNKRDUNK此次没有公布采用这套系统后授权率、误拒率或欺诈损失的具体变化，因此现阶段能够看到的，主要是这套机制如何进入实际交易场景。

一体化支付平台，开始成为AI的基础

Adyen能够沿这条路线继续推进，与它过去多年建设的一体化支付平台有关。

Adyen长期将支付网关、处理、收单、风险管理以及线上线下支付放在统一平台中。此前这套架构更多解决的是全球商户的支付接入和运营问题，减少不同市场、渠道和供应商之间的系统割裂。

机器学习越来越深入支付处理以后，统一架构开始影响模型能够获得的信息范围。如果风险、认证、网关和收单分别运行在不同系统，一笔交易中的消费者、设备、支付方式、认证结果、风险信号和授权表现往往分散在不同环节，模型看到的只是交易的一部分。

当更多支付环节运行在同一平台，一次支付为什么失败，就可以同时关联消费者身份、认证方式、支付凭证、发卡行以及交易路径。模型也有机会进一步判断究竟应该调整哪一个环节，而不是简单提高某一套规则的通过或拒绝门槛。

Adyen过去建设的一体化平台，由此开始承担新的作用。它最初解决的是如何把更多支付处理放到同一套基础设施上，如今又为跨环节使用交易数据和自动决策提供了条件。

但一体化并不只有收益。支付、风控、认证等更多能力集中到同一供应商，也意味着商户需要同时考虑系统迁移、跨平台数据衔接以及对单一平台依赖增加等问题。是否集中更多支付能力，本身就是效率、灵活性和供应商依赖之间的取舍。

Adyen近年来的增长也越来越依赖既有客户继续扩展业务。公司此前披露，未来增长的重要来源之一，是现有客户在更多市场、渠道和产品中继续扩大使用。对于已经拥有大量大型企业客户的Adyen而言，增长已经不只是增加新客户，也包括既有商户继续增加交易量、拓展市场和使用更多支付能力。

商户在Adyen平台覆盖的市场和支付环节越多，平台能够获得和利用的交易信号也越丰富。如果这些能力最终能够改善支付表现，也会增加商户继续把更多业务放到同一平台的空间。两条路径之间因此存在相互促进的空间。

Adyen此前披露的小米合作也采用了类似的线上线下一体化路径。此次SNKRDUNK从全球电商继续计划向实体门店扩展，也说明一体化平台解决的已经不只是后台系统数量问题，它还在逐渐成为Adyen运行支付AI的基础。

支付AI开始进入跨环节竞争

Adyen并不是唯一沿这个方向推进的支付公司。

此前Airwallex空中云汇推出Optimize 360，也把智能路由、智能重试、3DS、Network Tokenization等原本分布在不同支付节点的能力纳入同一套收单优化框架，让认证、风险、路由和失败恢复更多围绕同一笔交易协同。

Checkout已经把机器学习用于认证、支付凭证、交易报文、路由和失败重试等环节，Stripe也在把AI用于结账、欺诈判断、认证和授权，并把支付视为一个由多个相互影响环节组成的优化问题。

大型支付平台今天的AI竞争，已经很难简单比较“谁用了AI”。机器学习风控、智能路由和自动重试正在成为越来越常见的基础能力，差异开始更多取决于一家平台能够掌握多少交易数据、覆盖多少支付节点，以及不同系统能否利用彼此产生的信号。

Adyen已有的一项基础，是过去多年形成的一体化网关、处理、收单、风险和统一商务体系。这套基础设施让它能够在更多支付节点之间使用相互关联的数据，而不是只在某一个单独环节部署模型。

但统一平台只是跨环节优化的条件之一，并不自动意味着模型效果、授权表现或商业结果领先同行。最终结果仍然取决于数据质量、模型能力、商户覆盖、本地收单深度以及不同市场的支付环境。

SNKRDUNK是这条路线最新进入的高价值C2C场景之一。最终仍要看，这些原本分别运行的模型能不能在真实交易中同时改善风险、转化和成本，而不是一个指标改善以后，把压力转移到另一个指标。

支付基础设施的竞争早已不只停留在完成交易本身。授权率、风险和成本长期都是支付公司的重要竞争指标，现在AI又让这种竞争进一步深入一笔交易内部的决策过程。

面对不同消费者、不同订单和不同市场，支付方式怎样展示，要不要加强认证，风险是否可以接受，应该走哪条交易路径，失败以后怎样处理，越来越多判断开始由平台内部的数据、机器学习和自动化系统参与。

Adyen过去花了多年把支付集中到一套平台。如今，这套基础设施又被用于协调一笔交易中的更多判断。支付AI的竞争，也正在从模型数量和单项指标，进一步走向不同支付决策之间的协同能力。

这里是跨境支付网。我们记录跨境支付的变化，也关注其背后的逻辑。

来源丨支付之家·跨境支付网（观点仅供参考）