AI 产品的免费额度,正在成为攻击面

很多 AI 产品把风控理解成一件支付问题：卡能不能扣款，交易是不是盗刷。

但 AI 产品有一个特殊之处：即使没有成功付款，攻击者也可能通过反复注册、领取免费额度、共享账号或转售算力获得收益。

这意味着，免费试用不是一个完全无害的增长工具。它同时也是一组可以被反复套利的资源入口。

配图：AI 产品的风控边界，要从支付页面前移到整个用户生命周期。

风险正在从付款环节向前移动

Stripe 最近公布的一组网络数据给出了一个明显信号：2025 年第三季度，Stripe 上的 AI 初创公司遭遇的尝试性交易欺诈率，最高达到整体初创公司的 4.3 倍；到 2026 年第一季度，这个比例降到 2.6 倍，但仍然显著更高。

同一篇文章还提到，2026 年 1 月到 6 月，AI 订阅公司的多账号滥用尝试增加了 40%。受影响最严重的一批公司，相关尝试在同一时期增加了 154%，部分公司甚至超过 600%。

这些数字来自 Stripe 自己的交易网络，不代表所有 AI 公司，但它们说明了一件事：攻击者正在根据 AI 产品的经济结构调整路径。

AI 订阅里卖的不只是一个账号。它可能包含大量免费令牌、图像生成次数、模型调用额度或可以转售的计算资源。攻击者用被盗卡购买服务，或者批量注册领取试用，套利窗口可能在真正的持卡人发现异常之前就已经结束。

只盯着交易，已经晚了一步

传统支付风控常常在“付款发生时”判断风险。

AI 产品还要在更早的几个节点做判断：

• 注册时，这个用户是不是在批量制造账号；
• 登录时，多个账号是否在异常地共享同一组设备、网络或行为模式；
• 领取权益时，免费额度是否在短时间内被集中消耗；
• 调用模型时，请求是否呈现出转售、批量搬运或自动化滥用的特征；
• 账号升级时，支付身份、使用身份和实际操作者是否相互矛盾。

这不是要求产品一开始就搭一套复杂的监控中心，而是要承认：风控对象已经从“一笔交易”变成了“一个身份在一段时间内的行为”。

免费额度要像库存一样管理

很多团队把免费额度当作营销预算，却没有像管理库存那样管理它。

如果一家公司把一百万次模型调用送给新用户，它实际上是在发放一批有成本、可被转移、可被转售的资源。资源一旦被批量领取，损失不只体现在支付拒付，还体现在模型成本、队列拥堵和真实用户体验上。

更稳妥的做法，是把免费权益拆成几个可观察的变量：

第一是领取速度。新账号在多短时间内完成多少次高价值调用？

第二是身份关联。不同账号是否共享设备、网络、支付工具或行为节奏？

第三是资源去向。调用结果是否明显被批量导出、转发或用于二次售卖？

第四是恢复和升级。被限制的账号是否持续换身份重新进入？

这些信号不需要直接推导出“这个人一定是骗子”。它们更适合用来决定额度、触发验证、延迟高成本操作，或者把情况交给人工复核。

风控不能把正常用户一起挡在门外

AI 创业公司尤其容易犯一个错误：看到滥用上升，就把所有新用户都当成高风险。

但过度拦截会直接损伤增长。真正需要设计的是分层响应，而不是一刀切拒绝。

低风险用户可以继续使用基础权益；行为异常但证据不足的用户，可以降低并发、缩短试用期或要求补充验证；高风险行为则应暂停高成本调用，并保留清晰的申诉与恢复路径。

这样做的好处是，风控从“增长的刹车”变成了“资源分配器”：把更多成本留给真正有价值的使用，把不确定的风险控制在可承受范围内。

AI 产品的免费层越慷慨，越要把它当成基础设施来保护。

真正成熟的风控，不是等盗刷发生后再拒绝一张卡，而是在注册、登录、领额度和调用资源的每一步，都知道自己正在承担什么成本。

参考资料：Stripe Blog，《What Stripe data shows about fraud at AI startups》，2026-09-15。文中数据来自 Stripe 网络，不能直接视为所有 AI 公司的总体样本。