人工智能易于庆祝。更难运行

人工智能现在无处不在。头条新闻庆祝突破。演示给人留下深刻印象。前景无限。但对于银行和支付公司来说，真正的挑战始于公告之后--当人工智能必须在整个经济所依赖的系统内运行时。

当人工智能为支付授权决策、欺诈检测、身份识别或风险提供信息时，"快速行动，稍后解决 "就没有任何余地了。模型不会无声无息地失败。决定不会被收回。而信任一旦失去，就很难挽回。在过去的一年里，我们的工作重点不是孤立地追求快速创新，而是跨地域、跨监管环境和跨威胁环境地大规模实施情报工作。

对于正在探索类似道路的组织来说，这个教训简单但要求很高。人工智能的成熟度尚未公布。它是我们每个人在危急关头做出的选择所换来的。

在生产中运行人工智能需要在速度与纪律、实验与责任、雄心与细心之间取得平衡。对于希望建立人工智能能力的公司来说，有四个方面最为重要，它们不是抽象的原则，而是运营决策。

如果希望人工智能为复杂企业的所有领域提供动力，那么它就不应该只是一个团队的责任。对我们公司来说，情报工作分布在整个组织中，靠近要解决的问题，但又得到共享标准、管理、工具和最佳实践的支持。

这种结构允许团队在保持问责制的同时进行创新。它还能确保模型即使在不同的环境中部署，也能正常运行。根据我们的经验，没有标准的分散管理会带来风险，而没有就近管理的集中管理则会减缓影响。平衡很重要。

同样重要的是，人工智能的成熟取决于对人才的投资--不仅是研究人员和数据科学家，还有工程师、开发人员、产品负责人以及了解模型在现实世界中行为方式的操作人员。当团队信任他们正在构建和使用的系统时，采用率就会随之提高。否则，再先进的技术也会停滞不前。

Mastercard最新的人工智能投资主要集中在为我们的客户创造新的能力，这些能力建立在我们数十年来在数据、人工智能和支付领域的专业知识基础之上，同时也为我们的员工创造了新的工具，可以产生最广泛的影响。

我们的客户包括数千家银行和零售商，我们的工作重点是开发代理商务技术，使消费者能够在人工智能聊天中直接购物；开发个性化工具，使消费者获得最佳体验；开发基于前所未有的更多数据的反欺诈解决方案。对员工而言，这包括为我们的顾问部署人工智能助手，使他们能够尽快获取所需的文件；为我们的软件开发人员提供编码辅助驾驶员；以及创建一个由人工智能驱动的工具，帮助我们的客户支持团队回答入职和实施方面的问题。

我们的许多投资都集中在为我们的核心能力增加更多的人工智能智能和实时决策功能。这些不是实验室实验。它们是生产级系统，必须大规模运行、不断适应并经受住网络犯罪攻击和监管审查。

对于金融机构来说，这需要转变观念。衡量创新的标准不是推出新产品的速度，而是新产品对工作的关键性，以及嵌入核心业务后的可靠性。实验很重要，但前提是要有纪律、有目的，而且要持久。

人工智能领导力既要看你承诺了什么，也要看你没有承诺什么。在复杂的生态系统中，过度承诺会给内部和外部带来风险。

我们在谈论人工智能在支付领域能做什么和不能做什么时，一直都是深思熟虑的。这种清晰度可为投资决策、部署时间表以及如何向客户和合作伙伴介绍新功能提供依据。它还能推动整个组织达成共识，确保团队解决实际问题，而不是追逐抽象的可能性。

从客户需求出发，倒推技术。人工智能不会改变这一规律。如果说有的话，那就是强化了它。

在金融服务领域，信任是不容置疑的。每个模型都必须是可解释、可管理和可持续监控的，因为系统依赖于它。

在过去的一年里，我们继续加强人工智能系统的审查、记录和衡量方式。这项工作是基础性的。治理不是在部署结束时添加的东西，而是让人工智能负责任地大规模运行的关键。很多人可能会觉得这样会拖慢工作进度，但我们的经验恰恰相反。有了既定的管理制度，人们就能专注于创新和解决客户需求。

许多影响人工智能成熟度的决策都需要从长远角度来看待技术的发展方向，以及企业部署人工智能所需的条件。它们涉及建立治理和防护栏、将新功能集成到现有系统中而不是推出并行系统，以及优先考虑可靠性而不是速度。这些选择会随着时间的推移而不断复合。

我们公司最近 被《Fast Company》 评为 应用人工智能领域的领军 企业，并成为新的 Evident 支付人工智能指数 （评估支付提供商人工智能发展的新行业标准）中的顶级机构之一。我们为这些认可感到自豪，但也必须将这些外部评估视为滞后指标。这一排名反映了多年来始终如一的执行力--对人工智能的早期投资、对欺诈和信任的长期关注以及为规模化而设计的治理。获得认可并不是目的，但它强化了我们的方法，即建立坚实的人工智能和数据基础使我们能够快速、可靠地进行创新。

这一基础使我们现在能够负责任地向前迈进--无论是通过引入新的基础人工智能模型、扩展Mastercard Agent Suite功能，还是通过虚拟 C-Suite（将人工智能以实用、可管理的方式引入决策）。从表面上看，这些时刻似乎是渐进的，但它们却是在聚光灯到来之前早就深思熟虑的选择。

更广泛的教训在于此：大规模人工智能与其说需要突破，不如说需要始终如一的高运营标准。模型将得到改进。能力将得到扩展。重要的是，我们建立的系统是否能继续赢得信任--一次次交易、一项项决策。这就是工作。而且还在继续。