即将收购OpenRouter，Stripe如何帮AI应用和模型出海

文｜赵芮

编辑｜张雨忻

2024年8月，MiniMax的一款视频生成模型在Reddit和X上走红。大量海外用户涌入后，如何设定付费模式、控制模型成本等问题随之出现。当时Minimax模型名还未确定，更没想好要如何收费。

一个月的时间里，MiniMax派10名工程师写好了面向海外的基础订阅逻辑。但很快发现，向全球用户收费，还有不少细节要处理。比如，收入来自不同国家，交税报税的问题，也需按各地规定逐一处理；系统算清客户用了多少，但大量发票需要财务手工开；各地时区不同，有些用户的会员还可能提前到期。

这类问题并非Minimax一家公司的出海难关。伴随AI业务的加速出海，海外收入已成为这些AI公司重要的增长来源。

Xsignal数据显示，截至2026年6月，中国AI出海Top100产品中，已有58款月活超过100万，12款超过1000万；可灵AI的海外月活半年间更从241万增至2226万。

AI产品能在几个月进入数十个国家，但钱怎么安全顺畅地收回同样关键。不同地区的支付模式、跨国税率和安全风控等问题，似乎难以一时理清。

Stripe是一家解决这类问题的企业，也是后来MiniMax选择的合作商。企业将Stripe接入网站或应用后，可以接受不同国家用户的银行卡、电子钱包等付款，平台还提供订阅和按用量计费、自动开票、税费计算与申报，以及识别盗刷等欺诈交易等服务。最终，MiniMax仅由两名工程师用两周时间完成了Stripe的集成，目前能够接收来自100多个国家和地区的付款。

2010年，Stripe在美国加州成立，做支付服务起家。起初，他们用简短的代码，帮企业在网站上接入信用卡支付、向全球用户在线收钱。

后来，Stripe逐步把企业收钱前后的计费、开票、税务和资金管理，也做成了软件服务。到AI时代，他们围绕AI业务特性，进一步升级产品，帮助企业按Token和使用量计费，监测免费Token滥用风险，并推出机器支付协议让AI Agent直接交易。

今年8月，Stripe宣布拟收购OpenRouter。

OpenRouter可以在80多家供应商的400多个模型之间选择和调度请求，帮助企业兼顾效果、稳定性和Token成本。

Stripe与OpenRouter在目标上正好契合：从过去帮企业在商业模式、营收计费方面“开源”到未来帮企业“节流”，降低企业的模型调用成本。

据Stripe统计，2026年《福布斯》AI 50榜单中，88%的企业正在使用Stripe，客户覆盖OpenAI、Anthropic、NVIDIA等头部AI公司。

以下是Stripe多位高管与智能涌现的对话综述：

智能涌现：在Stripe看来，AI公司出海存在哪些误区，出海后又会面临什么问题？

Stripe：

最常被误解的一点是：产品全球化就是去海外市场打开一个交易开关。其实不然，企业需要在出海前了解很多事情，比如本地支付方式、税务合规，以及防范欺诈和滥用方式等，把产品支付做到“本地适配”。

不同市场的支付习惯差异巨大，单一的支付方案难以覆盖全球用户。比如产品用户可能会同时覆盖多个国家，企业就需要为每个国家的用户提供适合的支付方式，用正确的货币显示产品，并了解每个市场的购买力。在印度要用他们本地优先的UPI，在巴西要用Pix。如果规定只能用信用卡，产品再好也卖不出去，

Stripe也专门做过一份调查，只要提供本币选项，76%的消费者都会优先选择以本国货币结算。与此同时，若结账页面展示不符合用户习惯的支付选项，转化率甚至可能下降最多15%。

在这一趋势下，我们认为支付正从“交易终点”转变为驱动增长的关键基础设施。对于全球化企业而言，真正的挑战不再是“接入一种支付方式”，而是能否在全球不同市场中，持续优化交易路径、动态调整风控策略，并在多种入口中完成用户的高效转化。

智能涌现：Stripe产品线的核心逻辑是什么，能否一句话解读？

Stripe：

Stripe产品线的核心逻辑，是帮助企业从低收益模式向高收益模式转变。高收益模式是在收钱时，资金没有从管道的各个方向漏出去。反之，低收益模式指的是资金因为交易、中间差价或手续等原因在不同阶段流失。

Stripe提供的是一整套跨国业务所需的基础设施。涉及到本地支付方式、资金管理、风险管理、商业模式优化等全流程。

智能涌现：从你们的视角看，这两年中国AI企业在出海市场的表现如何？

Stripe：

在Stripe上，总部位于中国的AI企业的支付量增速，高于Stripe全球AI用户的平均水平。2024年至2025年间，Stripe大中华区客户的跨境总支付量增长了约48%。

增长最快的AI企业，正越来越集中在使用频率高、用户有明确付费意愿的产品领域。目前，我们看到中国增长最快的AI赛道包括：消费级AI、娱乐与陪伴类产品，例如MiniMax的Talkie、字节跳动的豆包。生产力与知识类AI，例如月之暗面（Moonshot）和Vibe Coding类产品。企业级AI与基础模型平台，例如智谱（Zhipu）和WaveSpeed。

此外，我们也看到AI视频生成领域正在强劲增长，尤其是AI短剧，如井英科技（Creative Fitting）旗下Reel.AI在做的事情。最后AI硬件也呈现出非常迅猛的增长势头。在中国，我们看到生产力AI正与Plaud等环境感知型AI硬件加速融合。

智能涌现：展开讲讲48%这个数字能反映出什么问题？

Stripe：

48%这个数字首先意味着中国出海企业的强劲增长。Stripe平台上排名前100的AI用户中，每7家就有一家来自中国。

同时，这也意味着当前经济生态的变化。传统出海路径是先在国内把产品做成功，再逐步推向海外。现在路径已经发生了根本性变化：很多中国企业从第一天起就“生而全球化”。在成立的前6到12个月内，很多企业就已经开始将产品销往全球多个国家。这也让配套的支付等问题变得更紧迫。

智能涌现：你们认为目前衡量一个公司发展，用ARR这个指标还合适吗？AI时代有没有诞生更多、更好的衡量维度？

Stripe：

我认为ARR目前仍然是衡量AI公司成功最广为认知且有效的方法。但如果我们看不同类型的AI公司，衡量指标可能会有很大差异。对于消费者AI应用，可以看单活跃用户收入（ARPU）或付费订阅渗透率，这能反映产品的留存率和粘性。如果是智能体，重点将完全转移到结果成功率上。总体而言，目前有一个强劲的趋势是关注AI创造的经济价值或业务成果。一个综合性的衡量指标可能会是营收留存、变现效率和事件结合的产物。

智能涌现：据Stripe观察，目前AI公司最主流的商业模式正在发生什么样的变化？未来“按结果付费”会成为主流吗？

Stripe：

AI的发展日新月异，其对商业模式的改变几乎以周或月为周期发生。不同于过去的SaaS软件订阅，AI服务中，每消耗一个Token，都会产生相应的成本。针对这一变化，目前，最常见的是混合计费模式。首先提供一个基础的订阅额度，超出额度后再按实际使用量收费。

同时我们也认为，按结果付费在未来会成为一个很有前景的发展趋势。Intercom的Fin AI是一款企业级AI客服智能体。通过Stripe Billing的按用量计费功能，Fin AI实现“每成功解决一个问题收费0.99美元”的定价模式，而只有当Fin完全自主地解决了一个支持工单，且没有人工介入时，才会产生这笔费用。

Stripe完成对每次成功解决的定义、计量与开单。同时，Stripe的支付整合让Fin AI能访问客户的订阅计划和付款记录等账单数据，也能帮助他们自动解答与扣款、退款相关的问题。

不过现阶段，大多数AI公司仍然采用混合计费模式：一方面收取基础订阅费用，另一方面对超出额度的使用量进行额外收费。

智能涌现：当前很多企业还难以实现这类“按结果计费”，你们认为是什么原因，卡在了哪里？

Stripe：

我们认为核心难点在于寻找“结果的价值”。用户获得的价值是什么，以及他愿意为此支付多少钱？具体来说，是按照生成的一篇文档、生成的一张图片，还是完成的一个任务来定价？又该如何为这些结果分配合理的价格。

我们能做的是帮助客户了解这些结果背后的成本。比如对于生成的每一篇文档，AI公司能够清晰知道实际消耗的成本是多少，以便他们据此制定价格。

另一个难题是：如何将这个“结果”沿用给所有的客户？一家公司认为某个结果符合预期，并不代表另一家公司也会认可同样的结果。因此，当公司建立定价模型时，如何剔除这些非标准的定价逻辑以保证其可扩展性，可能是未来“结果定价”会面临的挑战。

智能涌现：那么对于目前企业更常用的混合计费，你们认为存在什么局限？

Stripe：

在Stripe平台上的头部AI企业中，采用混合计费的比例从去年的27%上升到了41%；单纯使用固定订阅或按席位收费的比例，则从40%下降到了24%。这种方式的好处是，两边都能兼顾一些：用户每个月大致知道最低要花多少钱，企业也能通过超量收费，把收入和不断增加的模型成本挂钩。

但问题是，过去固定订阅只需要判断“一个月收多少钱”，现在企业还要实时知道用户用了多少、对应多少模型成本、超出额度后该收多少钱。如果直接采用纯按量收费，用户账单和企业收入都可能变得难以预测，因此不少公司会先从混合计费开始，再逐步调整。

Stripe旗下的Metronome主要就是帮助企业完成用量计量。它可以实时记录用户的Token、API调用次数或计算时长等使用量，再按企业设定的价格规则，把这些消耗自动换算成应收账单，还可以对不同的定价策略进行商业化测试。

智能涌现：AI Agent的出现，会不会让“支付”从一个用户动作，变成一个系统能力？

Stripe：

是的，AI Agent会让支付变成一个系统能力，而且这一演进的步伐比绝大多数人想象的都要快。长期以来，从结账页面、账户注册，到跳转流程和表单填写，整个商业基础设施的技术栈都建立在同一个核心假设之上：那就是每笔交易的另一端都是真实的“人”。而现在，这个假设正在发生变化。

Stripe倾向于将智能体商务（Agentic Commerce）的演进划分为五个层级：目前，绝大多数面向消费者的AI商业仍停留在第一和第二层级：也就是由Agent帮用户填写表单，或者由Agent筛选出选项、再由人做最终决策。

现在的行业赛点则在于第三和第四层级。在这两个阶段中，Agent将独立完成全流程的搜索、评估与购买。至于最后的第五层级，则是智能预判，无需用户发问，一切就已经准备就绪。虽然未来的大势已非常明确，但真正让人始料未及的是，第三和第四层级正在以惊人的速度变为现实。

智能涌现：目前大家会担心智能体商务最后会成为大公司的游戏。初创公司做这样的业务很容易被模型厂商降维打击。您觉得哪些方向初创公司还有创业机会？

Stripe：

在与很多AI公司的交流中，我们认为市场依然非常广阔。某些领域可能会被大公司主导，但市场上存在大量的“中小企业”客户未被充分服务，他们需要的是简单、不复杂的产品。市场足够深，初创企业有很多机会。

另外，中美AI领域的差异也很明显。中国的AI前沿模型往往非常快地被嵌入到现有的超级App中；而美国公司则非常关注开发者工具、企业生产力等API优先的产品。中国很多公司专注于面向消费者的应用、内容生成、娱乐商务等，这块市场我们认为还有很大的增长空间。

智能涌现：有一些企业增长方式是，先用低价的API吸引大量用户，再用这些用户的使用数据去反哺训练模型，并宣称能够实现“商业加技术的双向飞轮”。但现实似乎没有这么理想。从Stripe的角度看，你们认为这样一种叙事，有什么潜在的风险吗？

Stripe：

用低价Token确实能够先让流量上来，但是量上来并不代表着价值能够上来，更不能代表数据飞轮是健康的状态。我们认为衡量一个飞轮是否健康，关键看有没有为企业产生更高价值，并且这种价值是可以衡量的。产生高价值体现。

智能涌现：这两年伴随AI应用收入的迅速增长，新的商业模式，智能体商务也很快到来。在AI企业的商业化方面，你们有什么新的发现？

Stripe：

整个技术的发展，一方面能够加快这些企业的出海步伐；另一方面，也在整体上颠覆传统SaaS公司背后的业务逻辑。在Stripe平台上，顶尖AI企业实现3000万美元营收所需的时间，比传统SaaS公司快了三倍。

与此同时，许多AI企业是“生而全球化”的，其全球化扩张速度也远快于传统SaaS公司。过去，即使是表现最好的SaaS公司，通常也只能在三年内将产品和服务销售到约50个国家；现在优秀的AI公司可以在三年内进入约120个国家和市场。

对AI公司来说，现在需要防范的安全问题也升级了，比如多账户滥用、免费试用滥用、按量付费滥用和Token盗窃等场景。我们的数据显示，AI企业每6个新注册账户中，就有超过1个与多账户滥用有关；在六个月内，免费试用滥用行为增加了一倍以上。

智能涌现：那么Stripe的安全策略是怎么样的？相较于传统的用户数据隔离，面对AI时代的新攻击，比如提示词注入、对抗样本，Stripe有没有针对性防御？

Stripe：

这是许多AI公司当前最关注的问题。我们观察到了大量免费试用滥用、多账户滥用，以及Token倒卖等针对AI公司的欺诈行为。不仅如此，我们甚至看到了从一家AI公司跨平台流窜到另一家AI公司的测卡攻击。

在这方面，Stripe产品Radar能基于海量数据帮助用户防范这类原生攻击。Radar会结合支付工具、设备信息和历史支付行为等信号，识别同一个人是否在不断换邮箱、换账号、换卡重新注册免费试用。这套免费试用滥用模型基于其整个支付网络的数据训练，可以在注册和试用阶段就给出风险判断；对于高风险行为，可以直接拦截，或者交给企业设置更严格的验证规则。

Radar背后使用的是基于真实支付数据训练的大模型，并且可以再结合企业自身的业务数据做判断。比如某个设备、支付方式或行为模式过去已经和其他异常账户有关，即使它第一次出现在这家AI公司的系统里，也可能被提前标记。

图片来源｜企业供图