AI 正从生成内容、回答问题，走向调用工具、执行任务，甚至发起支付。但一笔由 AI Agent 触发的交易，究竟由谁授权？资金和底层资产是否可信？交易过程会暴露多少业务信息？如果出现问题，又该由谁承担责任？

10月7日，在新加坡举行的 MONEY MOVES WITH AI 活动上，来自法律、支付和 AI 相关领域的分享者从不同角度讨论了这些问题。几场分享没有把“支付自动化”仅仅看作效率升级，而是把讨论落到了交易发生前、执行中和完成后的信任机制上。

支付可以自动执行，责任边界仍需明确

VD Law Group 管理合伙人 Sergiu-Traian Vasilescu 将合规视为产品设计的一部分，而不是业务扩张后的补充工作。

他的分享涉及不同司法辖区的监管差异、跨境业务架构、资金由谁持有，以及 AI Agent 执行支付时可能产生的责任问题。产品可以通过代码快速进入不同市场，但牌照、合规义务和责任边界并不会因此自动适用。

这也让 AI 支付面临一个现实问题：当 Agent 能够按照指令付款，指令的权限从哪里来？谁设定金额、对象和用途限制？出现误付或越权操作时，企业是否留有足够记录来核查？

自动化降低了操作成本，也让授权和责任设计变得更重要。要让支付自动执行，不能只关注“能不能付”，还需要提前明确“谁允许它付、允许付给谁、最多付多少”。

验证身份，不等于验证交易意图

开放麦的几场分享进一步把问题拆到了交易环节。

其中一场提出，KYC 和 KYT 可以帮助识别客户身份、筛查交易对象或发现异常，但它们未必能证明某一笔具体操作确实得到了用户授权。一个账户是真实的，并不必然意味着账户发起的每一笔交易都符合持有人的真实意图。

这一区分在 AI Agent 场景中尤其关键。Agent 可能获得持续调用 API 或执行付款的权限，因此系统需要的不只是“确认是谁”，还要确认“这次操作是否在授权范围内”。权限额度、用途限制、逐笔确认和可追溯日志，都是可以进一步讨论的控制方式。

风控需要看到资金背后的资产和交易

另一场开放麦分享从 PayFi 与 TradFi 的风险管理切入，提出了 KYR（Know Your Receivable，了解应收账款）的思路：除了核验交易双方，还需要判断作为融资或付款依据的资产和应收账款是否真实、可执行、可追踪。

分享者以 InvoiceMate 为案例，讨论 AI 风险编排如何用于核验底层交易与应收账款，并持续关注交易对手、资金用途、结算和还款情况。

这把风控问题从“参与者是谁”推进到“交易背后的经济事实是什么”。当支付与融资流程变得更快，风险识别也需要尽量跟上交易本身，而不是只依赖交易前的一次身份审查。

支付数据也可能泄露业务信息

关于 x402 与 AI Agent 支付的一场分享，则把视角转向隐私。Agent 为调用模型、数据或计算服务而进行的连续支付，可能逐渐形成行为轨迹；从支付对象、频率和金额中，外部观察者有机会推测企业正在使用什么服务、推进什么任务。

因此，支付的透明性与商业隐私之间需要取得平衡。分享中提到可信执行环境（TEE）、机密计算和机密结算等技术方向，作为减少敏感信息暴露的可能手段。它们能解决哪些具体问题，还取决于实际系统如何设计和部署。

跨境经营既要能付款，也要能收款

DogPay 的 Joanna 则从企业跨境运营的角度补充了这一讨论。她以 AI 短剧业务为例，提到企业进入不同市场时，广告、云服务和外部团队等支出可能分布在多个国家；与此同时，企业也需要在当地收取收入，并让资金能够继续投入本地运营。

因此，跨境支付并不只是把钱从一个地区汇到另一个地区。对于在多地经营的企业来说，资金流出与本地收款需要衔接起来，付款、收款和后续资金使用共同影响业务能否持续运转。

信任需要贯穿一笔交易的前后

从法律责任、交易授权，到底层资产核验、支付隐私和跨境资金安排，这些分享讨论的是同一笔交易的不同环节。AI Agent 能否参与支付，最终不只取决于它能否调用支付接口，也取决于权限如何设定、风险如何识别、信息如何保护，以及出错后能否追溯责任。

活动由 DogPay 主办，Alibaba Cloud 和 DeBox 提供赞助支持。