Wanneer de bot koopt: wie is aansprakelijk als AI-agenten voor uw klanten winkelen?

Er komt een geschil binnen in je inbox. De bestelling ziet er in orde uit: dezelfde kaart, hetzelfde adres, dezelfde klantgeschiedenis. Je controleert de transactie. Alles klopt. Maar de klant zegt dat hij de bestelling nooit heeft geplaatst.

Dat hebben ze gedaan. Hun AI-assistent heeft dat gedaan.

Dit is geen hypothetisch scenario meer. Agentic commerce, waarbij AI-agenten namens consumenten onderzoek doen, beslissingen nemen en aankopen afronden, evolueert van een demo naar de norm. Adobe Analytics registreerde tussen juli 2024 en juli 2025 een stijging van 4.700% op jaarbasis in het verkeer van generatieve AI naar Amerikaanse retailwebsites. En het aantal terugvorderingen zal naar verwachting met 24% toenemen tussen 2025 en 2028, tot 324 miljoen geschillen wereldwijd. Deze twee trends liggen op ramkoers, en voor handelaren komt de impact niet in de eerste plaats als een kans. Het komt als een geschil.

Wat is agentic commerce en wat betekent dit voor uw winkel?

Onder 'agentische handel' verstaan we AI-systemen die verder gaan dan het beantwoorden van vragen en daadwerkelijk acties ondernemen, zoals het doen van aankopen, namens de consument. Denk bijvoorbeeld aan platforms zoals OpenAI, waar klanten nu op één plek zowel informatie kunnen opzoeken als aankopen kunnen doen, waarbij hun opgeslagen betaalgegevens al zijn gekoppeld.

Zoals Frank Frantz, Business Development Executive bij Chargeflow, na Money20/20 opmerkte: „Platforms zoals OpenAI stellen klanten nu in staat om op één plek te zoeken en te kopen, met behulp van hun opgeslagen betalingsgegevens. De grootste veranderingen in de e-commerce vinden niet plaats op de webwinkels zelf, maar in de onzichtbare automatiseringslagen daarachter.”

Bedrijven zoals PayOS bouwen de infrastructuur die dit vandaag de dag mogelijk maakt, waardoor agenten toegang krijgen tot gedelegeerde rechten, opgeslagen inloggegevens en aankoopbevoegdheden bij verschillende verkopers. De technologie is er echt, ze is live en staat nu al in verbinding met uw winkel.

Voor verkopers is het van cruciaal belang om deze verschuiving te begrijpen. Het heeft namelijk directe gevolgen voor de manier waarop bestellingen worden geplaatst, wie er verantwoordelijk is als er iets misgaat en hoe geschillen worden opgelost.

Hoe doen AI-agenten aankopen namens klanten?

In principe krijgen AI-agenten aankoopbevoegdheid via een van de volgende drie mechanismen: opgeslagen inloggegevens die aan het account van een klant zijn gekoppeld, expliciet door de gebruiker verleende bevoegdheden, of toegang op API-niveau tot het afrekenproces.

De agent baseert zich vervolgens op aangeleerde voorkeuren, aankoopgeschiedenis en realtime gegevens om een aankoop af te ronden, vaak zonder dat de klant op het moment van afrekenen aanwezig is. In veel gevallen heeft de klant geen idee dat de aankoop is gedaan, totdat de afschrijving op zijn of haar afschrift verschijnt.

Hier begint de wrijving.

Het is mogelijk dat de agent de instructies nauwkeurig heeft opgevolgd. Maar de klant herinnert zich misschien niet dat hij die instellingen heeft gekozen, is misschien vergeten dat de machtiging actief was, of herkent de naam van de handelaar op zijn afschrift gewoonweg niet. Vanuit het perspectief van de klant lijkt de afschrijving ongeoorloofd. Vanuit het perspectief van de handelaar was de bestelling volkomen legitiem.

De intentie is nu onzichtbaar. Terugboekingssystemen zijn niet ontworpen voor onzichtbare intenties.

Waarom leiden aankopen via AI-agenten tot terugboekingen?

Ben Herut, fraude- en chargeback-strateeg bij Chargeflow en mentor bij MRC, heeft de patronen in kaart gebracht die zich nu al voordoen in de wachtrijen voor geschillen. Deze patronen vallen uiteen in vier consistente categorieën.

1. Aankopen die klanten zich niet kunnen herinneren. Een medewerker bestelt artikelen opnieuw op basis van eerder gedrag of aangeleerde voorkeuren. De klant heeft de specifieke transactie nooit bewust goedgekeurd. Wanneer de afschrijving verschijnt, is hun eerste reactie om deze te betwisten, ook al was de bestelling technisch gezien geautoriseerd. In de meeste gevallen leidt deze verwarring direct tot een terugvordering.
2. Door agenten veroorzaakte fouten. Agenten richten zich op efficiëntie, niet op de menselijke context. Ze kiezen soms een iets ander product, selecteren een verkoper waar de klant normaal gesproken niet bij zou kopen, of bestellen de verkeerde hoeveelheid. In plaats van contact op te nemen met de klantenservice, wenden klanten zich direct tot hun bank. Het betwisten van de transactie wordt voor hen een manier om wat zij als een fout beschouwen recht te zetten, ook al was de transactie vanuit het perspectief van de agent geldig.
3. Fraudeurs die het gedrag van automatiseringssystemen nabootsen. Fraudeurs hebben inmiddels door dat geautomatiseerd verkeer veel beter in het verkeerspatroon past dan handmatig gegenereerd verkeer. Door het gedrag van automatiseringssystemen na te bootsen of misbruik te maken van automatiserings-endpoints, genereren ze transacties die voor verouderde fraudedetectiesystemen gestructureerd en laagrisico lijken. De activiteit lijkt op legitieme automatisering, totdat er een geschil wordt ingediend.
4. Verouderde tools interpreteren het gedrag van bots verkeerd. Device fingerprinting, gedragsanalyse en snelheidsregels zijn ontwikkeld op basis van menselijk koopgedrag. Wanneer de koper een bot is die via servers of cloudomgevingen werkt, verliezen deze signalen hun betekenis. De tools kunnen geen onderscheid maken tussen legitieme automatisering en fraude.

Zoals Frank het tijdens Money20/20 verwoordde: "Agentic commerce zorgt voor efficiëntie, maar brengt ook een nieuwe vorm van fraude en verwarring met zich mee die verouderde systemen niet kunnen interpreteren."

Wie is aansprakelijk voor terugboekingen in agentic commerce?

Dit is de vraag die nog niemand in de betalingssector volledig heeft beantwoord. En voor handelaren is het de belangrijkste vraag.

Wanneer een AI-agent een aankoop doet, wordt de autorisatieketen ingewikkeld. De menselijke kaarthouder heeft de agent toestemming gegeven om namens hem of haar te handelen, maar heeft hij of zij deze specifieke transactie ook goedgekeurd? Bij deze specifieke handelaar? Voor precies dit bedrag?

Als er een geschil ontstaat, moet je opzet aantonen. Maar het traditionele bewijsmateriaal dat bij een reactie op een terugvordering wordt gebruikt – het IP-adres van de klant, de apparaatvingerafdruk, het navigatiepad en de verblijftijd op de site – is door een agent gegenereerd, niet door een mens. Kaartuitgevers verwachten een duidelijk verband te zien tussen een klant en een aankoop. Wanneer een deel van die aankoop is gedelegeerd, is dat verband moeilijker aan te tonen.

De aansprakelijkheidskwestie reikt verder. Waar ligt de verantwoordelijkheid van het platform dat de chatbot mogelijk maakt? Waar draagt de officiële verkoper het verlies? Wat geldt als weloverwogen toestemming wanneer een klant maanden voor een betwiste aankoop een AI-chatbot installeert?

Er zijn nog geen eenduidige antwoorden. Kaartnetwerken, uitgevers en platformaanbieders buigen zich momenteel allemaal over deze kwesties. Maar geschillen wachten niet tot de sector zijn achterstand heeft ingehaald. Ze belanden nu al in je inbox, en je moet reageren op basis van het bewijsmateriaal dat je hebt.

De handelaren die deze geschillen zullen winnen, zijn degenen die nu al, nog voordat de regels zijn vastgelegd, zorgen voor een betere bewijsvoering na de aankoop.

Hoe kunnen verkopers terugboekingen bij agentic commerce voorkomen?

De overgang naar agentic commerce vraagt om een andere manier van denken over risico’s bij verkopers. De fraudecontroles vóór de aankoop zijn ontwikkeld voor een wereld waarin bij elke stap van de transactie een mens betrokken was. Die wereld is aan het veranderen. Hier moet de aandacht naar uitgaan.

• Controleer uw fraudebestrijdingsopstelling op transactiepatronen die niet door mensen worden veroorzaakt. Als uw fraudebestrijdingstools voornamelijk gebaseerd zijn op apparaatkenmerken, gedragsbiometrie of menselijke navigatiesignalen, zullen ze door agenten aangestuurde transacties waarschijnlijk verkeerd classificeren: legitieme bestellingen worden dan ten onrechte gemarkeerd of frauduleuze bestellingen worden juist over het hoofd gezien. Zorg dat u begrijpt wat uw tools meten en of die signalen nog steeds kloppen wanneer de koper geen mens is. Naarmate door agents aangestuurde transacties steeds vaker voorkomen, investeren veel verkopers ook in oplossingen voor de ontwikkeling van AI-agents om systemen te bouwen die autonome besluitvorming beter kunnen interpreteren, het gedrag van agents kunnen monitoren en transparantere audittrajecten kunnen creëren gedurende het hele klanttraject. Deze mogelijkheden kunnen bedrijven helpen hun risicokaders aan te passen aan een handelsomgeving waarin aankoopbeslissingen steeds vaker aan AI worden gedelegeerd.
• De focus verleggen naar analyse na de aankoop. De belangrijkste signalen in agent-gedreven e-commerce komen vaak pas na de transactie naar voren, niet ervoor. Is deze bestelling logisch gezien de geschiedenis van de klant? Is dit gedragspatroon van de agent al eerder bij andere verkopers waargenomen? Zijn er inconsistenties in de identiteit die wijzen op manipulatie achter de automatisering? Analyse na de aankoop geeft antwoord op vragen die tools in de afrekenfase niet kunnen beantwoorden, en dat is precies waar Chargeflow Prevent op is afgestemd.
• Pas uw strategie voor bewijsvoering bij geschillen aan. Logboeken met machtigingen voor agents, delegatiegegevens en contextgegevens over aankopen vormen steeds vaker de nieuwe bewijslaag. Als een klant een AI-agent heeft ingesteld om terugkerende aankopen te doen, vormt de documentatie van die instellingen uw sterkste verdediging bij een geschil. Begin nu al na te denken over welk bewijs u nodig zou hebben om een terugvordering te winnen wanneer de koper geen mens was.
• Communiceer duidelijk met klanten over de bevoegdheden van hun agent. Veel geschillen in de agentgebaseerde handel hebben niets met fraude te maken, maar zijn het gevolg van verwarring. Klanten zijn vergeten wat ze hebben goedgekeurd, herkennen de handelaar niet of begrijpen niet wat hun agent heeft gedaan. Duidelijke communicatie bij het instellen van de dienst en duidelijke omschrijvingen op de afrekening kunnen een groot deel van deze geschillen voorkomen nog voordat ze ontstaan.

Veelgestelde vragen over terugboekingen bij Agentic Commerce

Wie is aansprakelijk wanneer een AI-agent een ongeoorloofde aankoop doet?

Er bestaat nog geen vaststaande industriestandaard. Kaartnetwerken, uitgevers en de platforms waarop AI-agenten draaien, zijn nog bezig uit te zoeken wie er aansprakelijk is: de klant, de handelaar of het agentplatform. In de praktijk ligt de verantwoordelijkheid momenteel bij de handelaars, aangezien zij degene zijn die op het geschil moeten reageren.

Kunnen handelaren terugvorderingen afdwingen bij aankopen via AI-agenten?

Ja, maar het bewijsmateriaal ziet er anders uit dan bij een gebruikelijke reactie op een terugvordering. Aangezien apparaat-fingerprints en navigatiegeschiedenis een beeld geven van de agent en niet van de menselijke klant, vormen de autorisatielogboeken van de agent, de delegatiegegevens en de documentatie over wanneer en hoe de klant de aankoopbevoegdheden van de agent heeft ingesteld, het sterkste bewijsmateriaal.

Werken traditionele tools voor fraudedetectie bij transacties via AI-agenten?

Niet op betrouwbare wijze. Device fingerprinting, gedragsbiometrie en snelheidsregels zijn gebaseerd op menselijke koopgedragspatronen. Wanneer de koper een agent is die via servers of cloudomgevingen werkt, verliezen die signalen hun betekenis. Daarom wordt informatie na de aankoop voor dit type transactie steeds belangrijker dan screening tijdens het afrekenen.

Waar moeten winkeliers op letten bij het opzetten van een afrekenproces dat door medewerkers begeleide aankopen ondersteunt?

Zoek naar fraudecontroles die zijn gebaseerd op niet-menselijke signalen in plaats van uitsluitend op apparaat- en gedragsgegevens, duidelijke omschrijvingen op de afrekening zodat door medewerkers geïnitieerde kosten voor de klant herkenbaar zijn, en een manier om gegevens over door medewerkers verleende toestemming vast te leggen als bewijs bij geschillen, in plaats van uitsluitend te vertrouwen op traditionele controles tijdens het afrekenen.

De ondernemers die zich nu aanpassen, zullen later succesvol zijn

Agentic commerce is geen probleem van de toekomst. Het is een probleem van nu. De geschillen komen nu al voor. De fraudetechnieken zijn nu al in ontwikkeling. De aansprakelijkheidskwesties zijn nu al onopgelost.

Handelaren die dit als een ver-van-mijn-bed-show beschouwen, zullen onvoorbereid zijn wanneer het door agenten gegenereerde transactievolume in een stroomversnelling raakt – en dat zal snel gebeuren.

Het venster is nog open. Maar niet lang meer.

Chargeflow helpt verkopers bij het voorkomen en terugvorderen van terugboekingen via Shopify, Stripe, WooCommerce en meer. Ontdek hoe Chargeflow Prevent uw inkomsten beschermt, voordat agentic commerce uw geschillenwachtrij bereikt.