贝莱德为什么开始研究 AI 怎么花钱?

假设你给 AI 200 元，让它帮你研究一个行业。

它查了一圈，发现免费的资料不够。想把问题讲清楚，最好买一份数据，再调用一个专业工具，最后换一个模型核对结果。

你原本是让它来干活的，结果它先来问你要钱。

如果每一笔都要你注册、充值、确认，那你并没有真正离开这项工作。可要是直接把预算交出去，又会有点不放心：它买的东西有用吗？有没有花冤枉钱？

这个小场景，恰好能帮我们理解贝莱德为什么开始研究 AI 怎么花钱。

贝莱德的《机器原生经济》提出了一条值得关注的联系：Agent 能自主执行任务后，可能产生新的支付与结算需求，稳定币是候选工具之一。报告也保留了传统支付系统的角色，并承认这一市场还早。原报告

这里的 Agent，就是能调用工具、根据反馈继续行动的 AI 系统。它不再只是回答问题，还可能替人取得完成任务所需的资源。

下面不逐页翻译报告，而是沿着开头这笔假设的 200 元，看看这种变化意味着什么。

AI 不只是被购买的服务，也可能替人采购

过去谈 AI 生意，我们习惯站在买方看：买哪个模型，订哪个会员，每个月付多少钱。

现在可以把视角再往前推一步。

一个接到研究任务的 AI，可能发现自己需要某家公司的产品价格、某个地区的供应商名单，或者一套专门的计算工具。于是，它要决定哪些资料值得买，哪些工具值得调用。

人购买 AI 服务，AI 再替人购买其他服务。

这并不是说机器突然有了自己的欲望和财产。钱仍然属于人或企业，软件得到的是一部分采购判断与执行权。

变化也不在于“软件终于能自动扣款”。自动续费早就能做。更值得关注的是：它可能根据任务进展，临时选择向谁买、买多少，以及什么时候停止。

假如这一方式逐渐普及，商家面对的采购入口就会变。

过去你可能用漂亮的网页和销售演示说服客户；面对一个代理采购的软件，还得让它准确理解产品覆盖什么、怎么计费、有什么使用限制、交付失败如何处理。

这不是说品牌和人际信任失效了。人仍然会限定自己信任的供应商。只是部分筛选工作可能发生在你看不到的地方，先由软件完成。

为什么要把稳定币放进来？

回到那笔 200 元预算。

如果它需要的资料和工具都在同一个平台里，事情很简单：平台记账，你统一结算。

麻烦可能出现在跨供应商采购。对方没有你的账户，你也没给它充过值。一份资料可能只需要使用一次，为此建立一套付款关系，会不会比买东西本身还费劲？

稳定币试图提供的一种便利，是用可由程序操作的支付工具，在支持它的交易双方之间转移价值。以美元为参考的稳定币，目标是让价格相对美元保持稳定；但它不是银行存款，也不意味着没有脱锚、发行人或赎回风险。

对采购来说，相对稳定很重要。你希望 AI 判断资料是否值得买，不希望它在完成研究的过程中，额外承担支付资产剧烈波动的风险。对人民币预算，汇率和兑换成本也仍然需要计算。

可编程同样重要。你希望授权条件能被系统执行，而不是每次都要求你拿出手机点确认。

但这两点不能推出“AI 必须使用稳定币”。

需要自动付款，与需要上链，是两件事。

假设一天调用一万次接口，服务商完全可以累计记账，月底收一笔钱。也可以由一家平台聚合采购，替用户处理不同供应商的账单。

真正要比较的是整件事的成本：接入、兑换、资金安全、退款、对账以及合规处理，哪种方式更省事。

如果新方案只省了一点转账费，却让这些环节更麻烦，就不能只凭“机器原生”四个字证明它更好。

高频调用不必对应逐笔结算，支付方式要结合交易关系选择。

还有一笔更大的支出：算力

买资料只是开始。AI 要持续工作，还需要计算资源。

贝莱德因此进一步讨论了算力使用权的标准化交易、融资与结算，也指出硬件差异、地区条件和交付标准等难题。原报告，第8页

可以用一个假设理解：一家企业预计下个月会有一批集中计算任务，希望提前锁定容量和费用；供应商则希望早点确认需求，以便安排资源。

双方需要的，不只是一台机器，而是一份说得清楚、能按约兑现的服务承诺。

具体是什么芯片，什么时候能用，网络条件怎样，出故障怎么办？这些都可能影响同一份任务的成本和完成时间。

把合同里的权利表示成数字凭证，可以方便转移和记账，却不能让不同服务自动变得等价，更不能凭空保证交付。

这也是读这份报告时需要保留的距离：一个新的资源市场值得研究，不代表围绕它的金融安排已经成熟。

从报告讨论的问题看，贝莱德关注的不只是 AI 产品卖得怎么样，还包括围绕 AI 支出，是否会出现新的交易、融资和风险管理需求。这是我的理解，不是对它内部商业计划的猜测。

钱能付出去，人就敢交出去了吗？

聊到这里，我反而觉得最难的那道门，还在支付之前。

我们希望 AI 接走琐碎工作，而不是每一步都回来请示。比较理想的状态，是人定义目标、预算上限和最终验收，AI 自己组织过程。

但这会产生一种新的不安。

它选中的数据商，是因为数据更合适，还是平台能拿到更多佣金？它花钱买来的资料，是填补了关键缺口，还是让报告看起来更丰富？

更难发现的是遗漏。

一份报告的大多数信息都正确，却可能漏掉一个足以推翻结论的变化。对使用者来说，“写得完整”和“调查完整”很容易混在一起。

这未必是 AI 故意隐瞒。它可能没找到，也可能没意识到那件事的重要性。但风险不会因为缺少恶意就消失。

支付记录能告诉你钱到了哪里，却不能单独证明这笔钱花得值。

所以，我不太愿意把最终拍板看成万能保护。如果材料、选项、风险清单都由同一个 AI 提供，人即便保留签字权，也可能只是在它划出的范围里做选择。

真正有用的控制，应该落在少数关键地方：重大结论能追溯依据，超出用途或涉及不可逆承诺时回来请示，发现问题能暂停后续行动。至于已经完成的交易能否撤回，则要看具体规则，不能靠一个“撤销”按钮想当然。

交出执行，不等于交出目标、边界和核查关键依据的权力。

看见新需求，还没有找到赢家

贝莱德为什么研究 AI 怎么花钱？

因为一旦软件开始替人采购，钱怎样流动、资源怎样分配、交易风险由谁承担，就会成为新的商业问题。

但沿着这条思路往下走，不能连跳几步。

AI 会采购，不代表稳定币一定是最优方案；稳定币使用增加，不代表每一家相关公司都能赚到钱；某个网络更活跃，也不代表持有它的代币就必然获得好回报。

需求、利润和投资回报，中间还有竞争、定价与成本。

对普通使用者而言，问题甚至更朴素：我能不能把一件事交给它，自己少操一点心，同时仍然知道它有没有偏离我的要求？

AI 学会花钱之后，支付会成为一门生意。

让人愿意持续把钱交给它，可能是更难的一门生意。