Mastercard Incorporated × AI

据万事达卡官方披露，公司正在推进一项新的生成式AI引擎，计划将训练数据规模扩大至“数百亿笔支付交易”，同时整合商户位置数据、欺诈数据、授权数据、拒付数据和忠诚度计划数据等多维数据集[1]。这一计划意味着万事达卡将把其核心支付网络上几乎全量的交易行为纳入AI模型训练，用以提升支付安全、风控效率和用户画像精度。万事达卡并非首次涉足AI，但此前更多聚焦于欺诈检测等单点应用，此次强调“生成式AI引擎”并以全量交易数据为底座，标志着其对AI能力的定位从工具升级为基础设施。

万事达卡此举的本质，是试图将支付网络积累的数据资产转化为AI时代的护城河。支付交易数据具有高真实性、高频率、强关联性，是训练金融领域大模型的“金矿”。通过将海量交易数据与外部数据（如商户位置）融合，万事达卡可以构建远超单一银行或科技公司的微观经济图谱——这不仅能够优化其核心清算业务（如实时风控、动态定价），还可能衍生出面向企业客户的数据产品（如供应链洞察、消费者趋势预测），从而开辟第二增长曲线。然而，这种转型的收益分配极不均衡：受益者首先是万事达卡的股东和大型商户（通过更精准的风控降低欺诈损失），其次是使用其数据服务的金融机构；而受损者则是终端持卡人——他们贡献了原始交易数据，却几乎无法获得对等的价值回报，且面临隐私泄露风险。更值得警惕的是，万事达卡同时扮演着“支付规则制定者”与“AI模型训练者”的双重角色，数据使用边界的自裁权可能使其在商业利益驱动下过度采集数据。

万事达卡作为支付网络，掌握的数据高度敏感，其生成式AI计划面临多重风险：第一，数据隐私合规风险。欧盟GDPR、美国各州隐私法以及中国《个人信息保护法》均对个人数据处理有严格限制，万事达卡计划整合“数百亿笔交易”必然涉及跨境数据流动和用户画像，其合法性存疑。报道[2]虽然提到负责任AI治理，但“路规”的模糊表述难以消解监管疑虑。第二，数据垄断与共谋风险。万事达卡与Visa长期被批评为“双头垄断”，如今其将数据优势延伸至AI领域，可能进一步挤压中小支付机构及新兴科技公司的竞争空间，涉嫌滥用市场支配地位。第三，模型本身的技术局限性。支付数据虽海量，但存在样本偏差——持卡人群体并非全人口代表性样本；且历史交易数据无法覆盖新型欺诈模式，生成式模型可能输出看似合理但实则有害的决策，如错误拒绝合法交易。第四，报道[1]中“计划”一词表明该引擎尚处于初期阶段，其宣称的规模与能力存在夸大成分，实际效果有待验证。

对于企业决策者而言，万事达卡的案例揭示了一条重要启示：支付网络乃至所有拥有交易数据的企业，都将面临从“数据持有者”向“AI驱动者”转型的同样命题。建议：一是在启动AI项目前，优先建立数据治理委员会，明确数据边界与用户授权机制，避免陷入“先污染后治理”的合规陷阱。二是应投入资源开发可解释AI，确保模型决策可以被审计，尤其是涉及金融、健康等高风险领域。三是在数据合作中探索“数据分红”模式，向数据提供者返还部分增值收益，以构建可持续的生态信任。四是与独立第三方研究机构合作，对模型进行外部验证和影响评估，减少自说自话。在具体实施层面，可采用多智能体调度平台（如AgentSH）来管理数据接入、模型训练、监控预警等复杂流程，提高自动化程度与响应速度，但这属于工具层面，真正的战略核心仍是数据伦理与商业模式的协同设计。