【專訪】Mastercard技術長:AI代理購物基礎設施就緒,待採用
AI 代理購物這件事,Mastercard 已經不是在研究了——它已經上線。Ed McLaughlin 是 Mastercard 的總裁兼技術長,在這家公司待了快二十年,從產品部門一路做到掌管全球技術基礎設施,底下跑著超過 37 億個帳戶。Fortune 雜誌的 Next to Lead 節目把他拉來坐下,問的是一個每個用過 ChatGPT 的人遲早都會問到的問題:當 AI 可以替你買東西,誰說了算?出了事,又是誰負責?
每天精選 6 則要聞、一則產業名人訪談,五分鐘跟上。
這場訪談有幾個值得留意的地方。第一,Mastercard 的 Agent Pay 已經推出,上週再推出 Agent Pay for Machines,讓 AI 代理之間可以直接完成交易,不必經過人——這不是概念,是已部署的產品。第二,Mastercard 自建了一套叫 LTM(Large Tabular Model)的模型,邏輯跟 ChatGPT 背後的 transformer 架構一樣,只是餵的不是文字而是數十億筆交易紀錄,專門用來預測哪筆交易是詐騙。第三,McLaughlin 對資安的描述很直接:現在已經是 AI 打 AI 的狀態,攻擊方規模跟速度都靠自動化,防守方也只能靠自動化接招。第四,他對軟體工程師職涯的比喻值得你轉給你的技術主管看:未來工程師的角色,從作者變成編輯。第五,他對 agentic commerce(AI 自主交易)普及的判斷跟多數人不同——他不認為需要說服消費者,他認為你只要讓體驗夠好,人自然會跟上,跟當年 Apple Pay 一樣。
◎Agent Pay 不是未來,是現在
Mastercard 推出的 Agent Pay,讓你可以設定條件交給 AI 執行,例如這張票只要跌到某個價,直接幫我買。上週更進一步推出 Agent Pay for Machines,允許 AI 代理之間在 Mastercard 網路上互相完成交易,不必等人點頭。McLaughlin 特別強調兩個機制:一是 verifiable intent(可驗證授權),代理在行動前必須告訴你它打算做什麼;二是消費上限,網路層面強制執行,就算代理被駭或判斷錯誤,超出你設定的範圍,交易直接被拒。這設計其實跟你給員工簽帳卡設刷卡上限是同一個邏輯,只是對象換成了程式。問題不是技術準不準備好,是有多少人真的會去設定這些參數。
◎LTM:Mastercard 自己的 GPT,但餵的是詐騙紀錄

McLaughlin 解釋了一件外界比較少討論的事:Mastercard 建了一個叫 LTM(Large Tabular Model)的模型,架構跟 GPT 背後的 transformer 邏輯相同,差別在於訓練素材不是網路上的文字,而是數十億筆匿名交易紀錄。GPT 預測下一個最可能出現的詞,LTM 預測你下一筆最可能做的交易——一旦實際進來的交易跟預測明顯不符,系統就會標記。McLaughlin 說他們用神經網路做詐騙偵測已經超過十年,這是新的一代。值得注意的是,他強調這套系統最大的價值不只是抓到詐騙,而是大幅減少誤判——你的交易被莫名拒絕的次數,就是這套系統在努力的方向。
◎AI 打 AI 這件事已經在發生
McLaughlin 對資安的描述沒有包裝:某種程度上,這已經是現實了。攻擊方現在用 AI 提高攻擊的規模跟速度,手法不見得多新奇,但量跟頻率是人力無法應對的,防守方只能靠自動化接招。他把威脅分成兩類:一是直接打系統,讓它癱瘓;二是透過系統行騙——後者其實更難防,因為詐騙方希望系統運作正常,系統本身就是他們的工具。Mastercard 對持卡人的承諾——合法交易出問題,零責任,全額保障——就是建立在這套防禦體系上的。這個承諾說起來輕巧,但背後要撐住它,是 McLaughlin 說他最不敢輕忽的事。
◎軟體工程師的角色:從作者變編輯
McLaughlin 用一個比喻說清楚了一件很多技術主管說不清的事:AI 時代的工程師,角色從寫程式的人變成審程式的人,就像文學裡作者跟編輯的差別。他強調兩件事不變:第一,不懂怎麼寫,你就沒辦法當好編輯;第二,系統思維,分解問題的能力,永遠是底層能力。這對正在思考技術團隊編制的總經理來說有直接意義:未來招進來的工程師,判斷力跟審查能力可能比打字速度更重要。他自己說他已經沒什麼機會親自寫程式,但那段訓練讓他現在能跟工程師真正對上話。
◎普及靠體驗,不靠說服
有人問 McLaughlin 要怎麼說服消費者把錢包交給 AI 代理,他的回答很乾:說服人去做他們不想做的事,不是好生意。他的邏輯是:網路購物剛出來的時候,沒人覺得在網路上刷卡是正常的;Apple Pay 出來的時候,大家也覺得用手機付錢很怪——但只要用過三次,就再也不想回去。他預測 agentic commerce 會走同一條路。每個 Mastercard 的 37 億帳戶自己決定要不要用,什麼時候用,Mastercard 的工作是在你想用的時候準備好。這個邏輯聽起來保守,但也意味著他對時程不打算給承諾。
McLaughlin 這場訪談最值得記的一句話,其實是他回答AI 會不會取代你的工作時說的:他說他很樂意,這樣他才能去做現在沒時間做的事。這不是謙虛,是他整場訪談貫穿的邏輯——技術是用來解決人力解決不了的問題的,不是用來表演的。Mastercard 現在押注的 agentic commerce,成不成還要看消費者願不願意真的把參數設好再放手。但基礎設施已經在那裡了,等的是使用者。
說明 Mastercard 品牌承諾的核心邏輯:每一次有人用 Mastercard 搭車,買東西,下飛機,都是信任時刻,這是所有技術決策的出發點。
首次完整說明三大 AI 應用重點:員工生產力,詐騙與系統監控,以及 agentic 交易——並正式提到 Agent Pay 與 Agent Pay for Machines 的推出。
解釋 LTM(Large Tabular Model)與一般生成式 AI 的差異:同樣是 transformer 架構,但訓練資料是數十億筆交易紀錄,用來預測詐騙而非生成文字。
說明 AI 代理出錯或被駭時的責任機制:verifiable intent 要求代理行動前先告知用戶,消費上限由網路層強制執行,超出即拒絕交易。
回應如何說服消費者的問題,明確表示說服不是好策略,並以網路購物與 Apple Pay 的普及歷程類比 agentic commerce 的未來發展路徑。
提出工程師角色轉變的比喻:從作者變編輯,強調判斷力與審查能力的重要性,以及系統思維作為底層能力的持續必要性。
談量子運算研究方向:Mastercard 正在研究量子計算應用於詐騙偵測與網路最佳化,因為這些都是傳統電腦難以有效處理的多變數組合問題。
看完今天的,讓明天的自己送上門
每天精選 6 則要聞、一則產業名人訪談,五分鐘跟上。
已出刊 128 期 ・ 隨時可退訂

