DoorDash 已开放外部 AI Agent 接入,但迄今只带来数百笔订单。真正卡住智能体的,可能不是模型能力,而是交易入口、授权设计与商业分配。
数百笔订单,比演示落差更大
演示 AI Agent 消费,很容易做出一个让人满意的版本。
用户说:“帮我点一份不太辣、蛋白质高一点、20 分钟内能送到的午餐。”Agent 搜索菜单,比较餐厅,提交订单。整个过程大约半分钟。
真实场景却多出几层摩擦:
- 用户说的是“午餐”,Agent 得判断现在是午餐,还是该准备晚餐。
- “不太辣”可能是不要辣,也可能是微辣。
- 配送时间取决于地址、餐厅和当时的运力。
- 优惠券、会员折扣、餐费和服务费要一起算。
- 收银台最终显示的价格,可能与 Agent 给出的预算不一致。
因此,“数百笔订单”比演示成功更有信息量。演示证明了模型可以完成一次任务;订单量检验的是用户是否愿意在真实任务中,把入口、上下文和支付控制权交给 Agent。
这里还缺一个关键分母。
如果目前只有几个团队接入测试,那么数百笔订单可能不算失败。如果已有成千上万个 Agent 获得权限,数百笔订单则说明产品形态有问题。Ars Technica 的报道没有提供足够数据判断是哪一种。我不打算替 DoorDash 补一个不存在的结论。
但至少可以确认:接入能力尚未转化为规模化订单。
技术接入只是半条链路
把 AI Agent 接进 DoorDash,不等于 Agent 已经完成了一次消费。
可以把链路拆成五段:
- 意图识别:Agent 知道用户要吃什么,以及预算、时间、人数等约束。
- 商品搜索:从实时菜单、库存和配送范围内找到候选餐厅。
- 偏好确认:处理“不太辣”“老样子”“少盐”这类模糊条件。
- 支付授权:明确显示金额,交给用户确认,并处理优惠券、退款与取消。
- 配送纠错:地址错误、漏餐、餐品缺失、延迟送达,都需要有人负责。
前四步可以主要靠模型和软件完成。第五步很难只靠 Agent。
漏餐了,是模型理解错了备注,还是餐厅漏做?餐损由谁承担?Agent 能不能直接退款,还是要把证据转给客服?如果 Agent 擅自买了单价 68 美元的套餐,用户能否一键撤销?
这些问题不是给 API 再加一个 confirm() 就解决了。它们更接近 Agent 的权限设计:
- Agent 可以推荐什么?
- Agent 可以把什么加入购物车?
- Agent 可以提交什么金额以内的订单?
- 哪些动作必须由用户确认?
- 出错后,Agent 能做哪些补救?
一个好的消费 Agent,不是“回答更聪明的搜索引擎”。它更像一个拥有有限权限的操作员。
消费者没有动力多装一个 Agent
假设某个 Agent 能记住用户不吃花生、偏爱泰式餐厅、每周三午餐只点一家,还能在 DoorDash 上找到符合条件的套餐。
用户为什么还要打开 DoorDash?
对高频用户来说,直接打开 DoorDash App 已经是短路径。地址、支付方式和常用地点都保存好了。搜索结果也足够快。即使 Agent 能再省十秒点击,用户仍要先完成另一组迁移成本:
- 换一个入口。
- 授予 Agent 访问消费记录的权限。
- 把支付方式交给第三方。
- 接受新的推荐和隐私边界。
- 验证 Agent 是否真的理解偏好。
Agent 带来的收益是“少点几下”。它带来的成本却是“换一种方式花钱”。
这解释了为什么 Agent 在打车、差旅、预订等场景里更容易成立:那些任务频率低、步骤多,跨多个网站订票或叫车能省下明显时间。订外卖则不同。打开 DoorDash、选一家、点一下,是用户已经熟练掌握的短流程。
更麻烦的是信任不对称。
如果 Agent 买错了,用户会记住这笔损失;如果 Agent 节省了几十秒,用户未必会专门感谢它。
平台与 Agent 的利益并未对齐
DoorDash 允许外部 Agent 接入,意味着这些 Agent 可能成为新的流量入口。
问题也随之而来:DoorDash 怎么识别流量来自哪个 Agent?订单归谁?Agent 厂商是否需要为用户导流付费?平台抽佣后,Agent 开发者还能拿到多少?
假设一个 Agent 帮用户完成 100 单,其中 60 单来自 DoorDash,40 单来自其他平台。用户下一周仍直接打开 DoorDash,那么这个 Agent 到底创造了价值,还是只是在替平台处理了一部分原本就会发生的订单?
常见的归因方法包括:
- 归给带来点击的 Agent。
- 归给最后完成支付的 Agent。
- 首次促成购买的 Agent 获得一部分佣金。
- 用户在 Agent 内完成整单,Agent 获得固定费用。
每种规则都会改变 Agent 的商业模型。
如果归因权过于偏向平台,Agent 厂商很难投入产品开发。如果归因权过于偏向 Agent,平台又可能失去用户关系和交易控制权。
所以,API 开放只是入口。真正困难的是分成协议。
没有商业闭环时,接入能力更像实验功能。开发者能调用,平台能观察使用情况,双方都还没有被充分激励去解决授权、结算和售后。
先做窄场景,再谈通用购物
更现实的路线,不是立刻做一个什么都能买的超级 Agent。
先找步骤多、频率低、容错空间清晰的窄场景。例如:
- 为多人会议订午餐。
- 根据明确预算订工作日晚餐。
- 为过敏用户筛选餐厅,并要求商家确认配料。
- 在配送延迟时自动重订,但设置价格上限。
- 追踪固定订单,在菜单变化时提示用户确认。
这些场景有两个共同点:
- Agent 节省的时间可以被感知。
- 订单规则更容易预先定义。
评估指标也应该从演示次数、注册量转向商业结果:
- 7 日和 30 日复购率。
- 每名活跃用户的订单数。
- 客单价和平台收入。
- 取消率、退款率与餐损率。
- 用户修改 Agent 订单的比例。
- 出现异常时,人工客服介入率。
- 归因订单占比,以及 Agent 获客成本。
尤其是“用户修改订单的比例”。
它比订单量更接近 Agent 的可靠性。用户把 Agent 加到购物车后,又删掉配料、换餐厅、改地址,说明推荐层还不够准,授权层也没有把预期与实际对齐。
技术上,这条路线并不神秘。Agent 可以通过 MCP 一类协议连接工具,但协议解决的是“怎么调用”,不是“该不该调用”“出错谁负责”。后者仍要写进产品规则和合同里。
编辑思考
DoorDash 的数百笔订单不是对 AI Agent 的终局判决,而是一个容易被技术叙事掩盖的提醒:模型擅长生成内容,消费智能体却必须处理入口、权限、责任和分配。
我的预测是,Agent 在低频、高摩擦的购物场景会先成立,比如多人聚餐、差旅订餐;日常外卖仍会由 App 直接承接。平台也可能不会让 Agent 成为唯一入口,而是把它放回支付前的推荐层,让用户继续确认和付款。
这次与过去的 Agent 演示不同:过去不少展示停在“能完成任务”,这次已经碰到真实交易,也暴露出用户没有迁移动力、双方缺少归因协议。至于数百笔订单究竟对应多少活跃用户、接入开放了多久,现有材料仍不清楚。没有这些分母,文章能判断趋势,不能替 DoorDash 宣判。
参考资料
- Ars Technica:Basically no one is using AI agents for their DoorDash orders
- Hacker News:相关讨论
来源
https://arstechnica.com/ai/2026/10/doordash-says-outside-ai-agents-have-only-led-to-hundreds-of-orders-so-far/