Bahkan ketika ekosistem pembayaran electronic India terus berkembang pada skala yang tak tertandingi, kini ekosistem pembayaran electronic India menemukan wilayah baru. Mastercard, di India AI Impact Summit 2026, telah mendemonstrasikan transaksi perdagangan agen terotentikasi pertama di India. Raksasa teknologi keuangan ini bersikeras bahwa mereka bekerja sama dengan perusahaan AI serta fintech dan pedagang, untuk mempercepat perdagangan yang dipimpin AI di India dan kawasan Asia Pasifik.
Pembayaran pertama dilakukan pada kartu Mastercard yang diterbitkan oleh Axis Bank dan RBL Financial institution, untuk pembelian agen yang diberi token menggunakan Pembayaran Bebas Tunai, agregator pembayaran Juspay, PayU dan Razorpay di pedagang termasuk Swiggy, Instamart, Vi dan Tira. Hal ini selaras dengan kerangka Mastercard Agent Pay, yang merupakan seperangkat pedoman untuk tokenisasi dan keamanan. Pengguna akan mempunyai pilihan agen AI mereka sendiri untuk diajak bekerja sama, dan Mastercard berharap mereka dapat mengatasi interoperabilitas dengan skala dan di mana-mana.
Nitendra Rajput, Wakil Presiden Senior dan Kepala Mastercard AI Garage, mengatakan kepada HT bahwa wawasan dari perilaku adopsi dan pembayaran dimasukkan ke dalam “kecerdasan jaringan”– model AI yang dilatih pada lebih dari 160 miliar transaksi yang diproses secara international setiap tahunnya. Tambahkan momok agen AI yang mencoba melakukan transaksi atas nama pengguna.
Untuk konteksnya, data Reserve Financial institution of India (RBI) menunjukkan pengeluaran kartu kredit terpengaruh $ 2, 12 lakh crore dari 552 juta transaksi di bulan Januari, tepat di bawah $ Rekor 2, 17 lakh crore pada bulan September 2025 Ketika regulatory authority memperketat lokalisasi data dan norma keamanan, jaringan international seperti Mastercard semakin memanfaatkan pasar India yang tumbuh tinggi dan semakin memanfaatkan AI. Kutipan yang diedit.
T. Apa yang salah jika agen AI diberi wewenang untuk bertransaksi secara finansial?
Risiko terbesar terletak pada cara sistem ini dioptimalkan, diukur, dan diandalkan. Salah satu kekhawatirannya adalah optimasi yang tidak selaras, di mana agen mungkin memprioritaskan kecepatan atau efisiensi dengan cara yang secara tidak sengaja bertentangan dengan kepentingan terbaik pelanggan. Risiko lainnya adalah kesalahan berjenjang, karena alur kerja otomatis memperbesar kesalahan menjadi kegagalan yang lebih besar jika pengawasannya lemah. Risiko ketiga adalah ketergantungan yang berlebihan, dimana pengguna mungkin berhenti mempertanyakan atau memvalidasi keputusan AI. Penting untuk membangun sistem dengan kemampuan menjelaskan yang kuat, pemantauan berkelanjutan, audit independen, dan pengawasan manusia yang berarti.
T. Ketika penipuan menjadi medan pertempuran AI versus AI, bagaimana Mastercard memastikan model-modelnya secara konsisten mengatasi serangan adaptif?
Penyerang menggunakan otomatisasi, identitas sintetis, dan pembelajaran mesin untuk meningkatkan skala operasi. Model penipuan kami menjalankan beberapa mesin AI secara paralel, yang kami sebut sebagai “campuran para ahli”, sehingga memungkinkan kami mengembangkan version secara terus-menerus dan tetap berada di depan para penyerang. Pendekatan ini telah memungkinkan kami menghentikan penipuan bernilai miliaran dolar di seluruh jaringan kami.
Kecerdasan worldwide saja tidak cukup. India memiliki keunikan dengan adopsi digital yang tinggi, perangkat yang beragam, perdagangan yang dibantu, dan pola sosial yang terus berkembang. Model kami menggabungkan pembelajaran yang dilokalkan, yang terus disesuaikan oleh tim kami. Pendekatan hibrid ini memastikan kita tetap unggul secara struktural, bukan sekadar reaktif.
T. Ketika perdebatan mengenai lokalisasi data semakin meningkat, apakah hal tersebut membatasi atau membentuk kembali pelatihan AI dan intelijen penipuan lintas negara?
Lokalisasi data secara mendasar membentuk kembali sistem AI dalam layanan keuangan. Bagi Mastercard, privasi dan kepatuhan tidak dapat dinegosiasikan, dan sistem harus menghormati batasan data nasional. Hal ini berarti tata kelola yang kuat, privasi yang dirancang, dan akuntabilitas yang jelas dalam pelatihan, pemantauan, penerapan, dan evolusi model. Tapi, penipuan tidak mengenal batas. Pola sering kali muncul secara global sebelum muncul secara lokal, dan arsitektur dengan algoritme terbaru yang berfungsi di wilayah lain diterapkan dengan information lokal.
T. Dengan semakin maraknya pembayaran electronic di daerah pedesaan dan semi-perkotaan di India, vektor risiko apa saja yang muncul?
Vektor risiko secara alami terdiversifikasi dengan perangkat bersama, literasi digital yang rendah, dan riwayat transaksi yang tipis, yang menantang version AI tradisional. Inklusi dan keadilan adalah inti dari cara kami merancang AI. Ada penggunaan teknik seperti information sintetis dan kumpulan information perilaku yang lebih luas untuk pola pengguna yang beragam. Inisiatif inklusi kami mencakup mendukung hampir 600 000 usaha kecil di India, karena AI harus memperluas akses.
T. India sebagai negara uji coba international dalam inovasi pembayaran berbasis AI, pembelajaran apa saja yang harus diperhatikan oleh dunia?
India telah menunjukkan bahwa skala dan inklusi dapat hidup berdampingan. Kita memiliki ratusan juta pengguna, beragam perangkat, konektivitas, dan tingkat literasi electronic yang beragam, namun pembayaran digital dapat beroperasi dengan andal secara nasional. Pelajarannya adalah merancang untuk lingkungan yang paling sulit. India juga telah menunjukkan kekuatan kolaborasi publik-swasta.
