實戰

DoorDash 開放 AI Agent 接入,為何訂單仍停留在數百筆

DoorDash 已允許外部 AI Agent 接入平台,但目前僅帶來數百筆訂單。真正的瓶頸或許不在模型能力,而在交易入口、權限範圍、收益歸因與履約責任的設計。

字級

數百筆訂單,比成功示範更值得關注

做一個 AI Agent 消費的示範很容易,也能讓人一眼看出效果。

使用者說:「幫我點一份不太辣、蛋白質高一點、20 分鐘內可以送到的午餐。」Agent 搜尋菜單、比較餐廳並提交訂單,整個過程大約只要半分鐘。

真實情境卻多了幾層阻力:

  • 使用者說的是「午餐」,Agent 得判斷現在適合吃午餐,還是該準備晚餐。
  • 「不太辣」可能指完全不辣,也可能是微辣。
  • 配送時間取決於地址、餐廳及當下的運力。
  • 優惠券、會員折扣、餐費與服務費必須一併計算。
  • 結帳頁最終顯示的金額,可能與 Agent 最初估算的預算不符。

因此,「數百筆訂單」比示範成功更能反映實際情況。示範證明模型可以完成一次任務;訂單量則考驗使用者是否願意在真實生活中,把入口、情境資訊與付款控制權交給 Agent。

這裡還缺少一個關鍵的分母。

如果目前只有少數團隊參與測試,數百筆訂單未必代表失敗;但如果已有成千上萬個 Agent 取得權限,訂單仍只有數百筆,就說明產品形態存在問題。Ars Technica 的報導沒有提供足夠數據判斷屬於哪一種情況,也不宜在缺乏依據時,直接替 DoorDash 下結論。

但至少可以確認:接入能力尚未轉化為規模化訂單。

技術接入只是整條鏈路的一半

把 AI Agent 接上 DoorDash,不代表 Agent 已經完成一次消費。

整條鏈路可以拆成五個環節:

  1. 意圖辨識:Agent 理解使用者想吃什麼,以及預算、時間、人數等限制。
  2. 商品搜尋:從即時菜單、庫存與配送範圍中找出候選餐廳。
  3. 偏好確認:處理「不太辣」「老樣子」「少鹽」等模糊條件。
  4. 付款授權:清楚顯示金額,交由使用者確認,並處理優惠券、退款與取消。
  5. 配送異常處理:地址錯誤、漏餐、餐品缺失或延遲送達,都必須有人負責。

前四步主要可由模型與軟體完成,第五步卻很難只靠 Agent。

餐品漏送,是模型誤解備註,還是餐廳漏做?餐損由誰承擔?Agent 能否直接退款,還是必須把證據轉交客服?如果 Agent 擅自購買價格 68 美元的套餐,使用者能否一鍵撤銷?

這些問題不是再替 API 加上一個 confirm() 就能解決,而是直接涉及 Agent 的權限設計:

  • Agent 可以推薦什麼?
  • Agent 可以把什麼加入購物車?
  • Agent 可以提交多少金額以內的訂單?
  • 哪些操作必須由使用者確認?
  • 發生錯誤後,Agent 可以採取哪些補救措施?

一個好的消費 Agent,不應只是「回答更聰明的搜尋引擎」,而更像一名擁有有限權限的操作人員。

消費者沒有動機再多裝一個 Agent

假設某個 Agent 能記住使用者不吃花生、偏愛泰式餐廳、每週三午餐只點一家餐廳,還能從 DoorDash 找到符合條件的套餐。

使用者為什麼還要自行打開 DoorDash?

對高頻使用者而言,直接開啟 DoorDash App 本身就是最短路徑。地址、付款方式與常用地點都已儲存,搜尋結果也夠快。即使 Agent 能再省下十幾秒點擊,使用者仍得先承擔另一組遷移成本:

  • 更換使用入口。
  • 授予 Agent 存取消費紀錄的權限。
  • 將付款方式交給第三方。
  • 接受新的推薦邏輯與隱私邊界。
  • 驗證 Agent 是否真正理解自己的偏好。

Agent 帶來的收益是「少點幾下」,成本卻是「改用另一種方式花錢」。

這也解釋了為何 Agent 更容易在叫車、差旅與訂位等場景成立:這些任務頻率較低、步驟較多,跨多個網站訂票或叫車能明顯節省時間。叫外賣則不同。打開 DoorDash、選一家餐廳、按下訂單,本來就是使用者早已熟悉的短流程。

更棘手的是信任不對稱:Agent 買錯時,使用者會記住這筆損失;Agent 節省幾十秒時,使用者卻未必會特別感謝它。

平台與 Agent 的利益並未一致

DoorDash 允許外部 Agent 接入,表示這些 Agent 可能成為新的流量入口,但新的問題也隨之而來:DoorDash 要如何辨識流量來自哪個 Agent?訂單應該歸給誰?Agent 廠商是否需要為導入流量付費?平台抽佣後,Agent 開發者還能分得多少?

假設一個 Agent 協助使用者完成 100 單,其中 60 單來自 DoorDash,40 單來自其他平台。如果使用者隔週仍直接打開 DoorDash,這個 Agent 究竟創造了新價值,還是只替平台處理了部分原本就會發生的訂單?

常見的歸因方式包括:

  • 將訂單歸給帶來點擊的 Agent。
  • 將訂單歸給最後完成付款的 Agent。
  • 首次促成購買的 Agent 獲得部分佣金。
  • 使用者在 Agent 內完成整筆訂單,Agent 取得固定費用。

每種規則都會改變 Agent 的商業模式。

如果歸因權過度偏向平台,Agent 廠商便難以投入產品開發;如果歸因權過度偏向 Agent,平台則可能失去與使用者的關係及交易控制權。

因此,開放 API 只是提供入口,真正困難的是建立分潤協議。

如果沒有商業閉環,接入能力更像是實驗性功能。開發者可以呼叫,平台也能觀察使用情況,但雙方都缺乏充分誘因,去解決授權、結算與售後問題。

先從窄場景做起,再談通用購物

更務實的路线,不是立刻打造一個什麼都能買的通用 Agent,而是先尋找步驟較多、頻率較低,且容錯空間明確的窄場景,例如:

  • 為多人會議訂購午餐。
  • 依明確預算訂購工作日晚餐。
  • 為過敏使用者篩選餐廳,並要求商家確認食材。
  • 配送延遲時自動重新下單,但設定價格上限。
  • 追蹤固定訂單,在菜單變動時提示使用者確認。

這些場景有兩項共同特點:

  1. Agent 節省的時間容易被使用者感知。
  2. 訂單規則較容易事先定義。

評估指標也應從示範次數、註冊人數轉向商業結果:

  • 7 日與 30 日回購率。
  • 每位活躍使用者的訂單數。
  • 客單價與平台收入。
  • 取消率、退款率與餐損率。
  • 使用者修改 Agent 訂單的比例。
  • 發生異常時,人工客服介入率。
  • 歸因訂單占比,以及 Agent 的獲客成本。

尤其是「使用者修改訂單的比例」。

這項指標比訂單量更能反映 Agent 的可靠度。使用者讓 Agent 將餐點加入購物車後,又刪除配料、換餐廳或修改地址,代表推薦層的準確度仍不足,授權層也未能讓預期與實際結果一致。

技術上,這條路线並不神祕。Agent 可以透過 MCP 之類的協議連接工具,但協議解決的是「如何呼叫」,而不是「是否應該呼叫」或「出錯時由誰負責」。後者仍須寫入產品規則與合約。

編輯觀察

DoorDash 的數百筆訂單並非對 AI Agent 的終局判決,而是一個容易被技術敘事掩蓋的提醒:模型擅長生成內容,消費型 Agent 卻必須處理入口、權限、責任與利益分配。

Agent 較可能先在低頻、高摩擦的購物場景中成立,例如多人聚餐與差旅訂餐;日常外賣仍會由 App 直接承接。平台也可能不會讓 Agent 成為唯一入口,而是將其置於付款前的推薦層,讓使用者繼續完成確認與付款。

這次與過往的 Agent 示範不同:過去許多展示停在「能完成任務」,這次則已進入真實交易,也暴露出使用者缺乏遷移動力,以及平台與 Agent 雙方缺少歸因協議。至於數百筆訂單究竟對應多少活躍使用者、接入開放了多久,目前資訊仍不清楚。缺少這些分母,只能判斷趨勢,尚不足以替 DoorDash 做出最終定論。

參考資料

來源

https://arstechnica.com/ai/2026/10/doordash-says-outside-ai-agents-have-only-led-to-hundreds-of-orders-so-far/

來源: https://arstechnica.com/ai/2026/10/doordash-says-outside-ai-agents-have-only-led-to-hundreds-of-orders-so-far/