原文連結： Mastercard 如何利用人工智慧改變支付方式
Marc: 嗨，我是Marc Andrusko，a16z的合夥人。在這集《In the Vault》節目中，我與Mastercard的首席AI與數據長Greg Ulrich對談。我們深入探討Greg從非營利組織工作一路走到如今在全球最大金融服務公司之一中擘劃AI策略的精彩旅程。我們的對話涵蓋Mastercard數十年來如何運用AI、生成式AI在支付與商務領域的變革角色，以及Greg對於打造可信任AI生態系統的洞見。讓我們一起開始。
Marc: Greg，非常感謝你來到《In the Vault》。很高興見到你。
Greg: 謝謝你，Marc。
Marc: 是的，我們彼此已經認識一段時間了，但也許可以請你為我們的聽眾介紹一下你的背景和職業旅程。
Mastercard的AI策略：從傳統AI到生成式AI的演進
Greg: 當然，謝謝。我是Greg Ulrich，目前擔任Mastercard的首席AI與數據長。現在無疑是投身AI領域的最佳時機。我們感受到前所未有的興奮、活力與機會。同時，AI的未來仍待書寫，我們還處於非常早期的階段。未來會是什麼樣子？更重要的是，我們將如何走向那個未來？這條路徑仍然未被定義。所以現在擁有這份工作真的令人興奮。
我在這個領域的旅程可以說始於大學時期，但真正深入是在大約20年前從事非營利組織工作時。我試圖幫助組織了解不同干預措施的效果。如果想解決特定社區的清潔用水問題，最有效的方法是什麼？如果想解決瘧疾問題，哪個組織的方法最有效？該如何判斷哪項干預措施、策略或組織對你關心的議題影響最大？我意識到該領域的數據與分析能力相當有限。之後我進入了一家名為APT（Applied Predictive Technologies）的公司，專注於如何區分因果關係與相關性，並識別任何干預措施、測試或實驗在市場上的實際影響。這種方法對非營利部門以及我們所關注的問題具有強大力量。
Greg: 在APT的經驗中，我深刻體會到兩件事。第一，如果擁有正確的數據與分析工具，便能理解哪些措施真正有效，並準確衡量其影響。第二，如果不謹慎處理，數據與分析也非常容易被誤用。簡單來說，APT大約十年前被Mastercard收購。之後我在我們的服務部門擔任過各種職位，並從2020年起負責策略、併購（M&A）與企業發展（CorpDev）約四年半的時間。諷刺的是，今年初我參加了一場由a16z舉辦的活動，結果我們的CEO來電詢問我是否願意接任AI與數據長的職位。從今年第二季開始，我便投入這個角色，並且享受每一刻的挑戰與樂趣。
Marc: 所以可以說，完全是我們促成了你獲得這份工作。
Greg: 完全正確。
Marc: 太棒了。
Greg: 這應該是最重要的收穫。
Marc: 沒錯，真是令人驚喜。我們對你擔任這個職位感到非常興奮。我想我們都認同，現在正是思考AI未來的最佳時機。我很好奇，像Mastercard這樣在金融與資金流動生態系統中舉足輕重的企業，肯定早已運用人工智慧技術。然而，自2022年ChatGPT等生成式AI問世以來，我們似乎迎來了一波全新的技術浪潮。你如何看待這兩類技術的區別，以及它們為Mastercard帶來的各種機會？
Greg: 當然，你說得沒錯，我們已經使用人工智慧技術數十年了。AI 早已深植於我們在詐欺偵測方面的所有工作。例如，我們持續監測交易，以提供商家與發卡機構有關交易是否具詐欺風險的洞察，幫助他們做出更明智的決策，確保整個生態系統的安全與效率。人工智慧也同樣應用於個人化推薦、預測分析，以及我們為客戶提供的智慧產品。因此，AI 長期以來都是 Mastercard 業務的一部分。
然而，大約兩年多前，生成式 AI（GenAI）的崛起為我們帶來了新的機會。對我們而言，選擇哪種技術並非基於趨勢，而是取決於具體的應用場景（use case）。
當處理結構化數據時，例如預測模型與詐欺管理，傳統的人工智慧與機器學習技術仍然更為高效、有效，且更具成本效益。但如果涉及知識管理、資訊合成、內容創建，或處理非結構化數據時，我們則會考慮使用較新的技術。因此，我們的做法是先確定要解決的問題，然後選擇最合適的分析方法來達成目標。
舉例來說，我們的詐欺防範解決方案長期以來一直依賴機器學習，如今則能透過 GenAI 技術引入新的功能，使既有產品更加完善。在這類應用中，GenAI 更像是一種功能（feature），而非獨立的產品（product）。但在某些應用場景，例如數位助理等，GenAI 本身就是核心技術。最重要的是，一切仍需回歸到問題本身，以及我們希望解決的挑戰。
Marc: 完全同意，這聽起來非常合理。我能想像，若在 Mastercard 內部列出所有可能應用 AI 技術的領域，這張清單恐怕會是無窮無盡的。在準備這場訪談時，我也特別關注了你們的最新公告，發現你們在生成式 AI 方面的早期應用主要集中在兩個領域。
首先，你們推出了一款數位化的客戶入門助理，協助客戶更順暢地上手。其次，你們在詐欺偵測方面也導入了 GenAI，結合傳統機器學習技術，以提升準確度與偵測能力。你能分享一下，為何選擇這兩項作為組織內部首波推出的應用？目前推展的情況如何？
AI在支付產業的四大應用領域：更安全、更智慧、更個人化、更強大
Greg: 當然，我會針對這兩項應用深入說明，但在此之前，我想先提供一個框架來說明我如何看待 AI 在 Mastercard 的機會。我將其歸納為四大類，分別是：更安全（Safer）、更智慧（Smarter）、更個人化（More Personal），以及更強大（Stronger）。讓我簡單解釋這些概念。
首先，我們的 AI 旅程始於詐欺管理，包括詐欺偵測與辨識，這仍然是我們今日許多工作的核心。這是以逐筆交易為基礎，透過智能分析判斷某筆交易是否具詐欺風險。此外，我們也關注詐騙行為，檢視整個生態系統中的痛點，找出詐欺熱點（hotspots），識別可能的惡意行為者，並迅速採取行動加以防範。這些措施都是為了讓電子商務生態系統變得更安全。
第二個面向是更智慧。我們希望透過 AI 讓交易路由更有效率，並提供發卡機構、收單機構與商家洞察，協助他們最佳化業務組合並更有效地服務客戶。舉例來說，透過分析數據與應用 AI 模型，我們可以判斷何時應該授權交易，何時應該重試交易等。
第三類是更個人化。Mastercard 是一家 B2B2C 企業，並非直接面向消費者，但我們幫助銀行與商家為消費者提供個人化服務，例如在適當時間向合適的顧客提供優惠。許多這類產品都依賴人工智慧來驅動，幫助我們的合作夥伴提升客戶體驗。
最後一類是更強大，這與內部營運效率有關。我們積極運用 AI 提升生產力與工作效率，讓員工更輕鬆地獲取知識。例如，協助軟體工程師進行程式開發，或提供銷售團隊更完善的資訊存取工具。這些應用使 Mastercard 在內部營運層面變得更加強大。
我們已經推出的數位助理與詐欺防範功能，都可歸入這些分類中，並透過 AI 技術為我們的客戶與生態系統創造價值。
Greg: 對，完全正確。在詐欺防範方面，我們推出的產品稱為 Decision Intelligence。當交易經過我們的網絡時，從顧客在商店刷卡購物的瞬間到交易資料傳送到發卡銀行之間，我們僅有數毫秒的時間來判定這筆交易的風險。我們利用 GenAI（生成式人工智慧）、遞歸神經網絡（Recurrent Neural Networks, RNN）等技術，結合顧客的交易歷史與整體商家行為數據，建立一個商家向量資料庫（Merchant Vector Database）。即使顧客從未在某個商家消費，透過觀察其他消費者的類似行為，我們仍然能夠評估這筆交易的風險，並提供更準確的詐欺評分。我們的測試結果顯示，這項技術能夠顯著提升判定的準確度。
在個人化服務方面，我們推出了 Shopping Muse，這是一款模擬實體店鋪體驗的線上聊天機器人。顧客可以使用自然語言提出需求，例如：「我要參加 a16z 的 podcast，該穿什麼？」或「我即將參加婚禮，該怎麼搭配？」系統會根據需求提供個性化推薦，讓顧客享受如同店內導購員的互動體驗。
至於你提到的數位助理，我們的目標是簡化客戶（銀行與商家）在導入 Mastercard 產品時的流程。這些產品通常涉及大量技術規格與多項整合步驟。我們透過 RAG（Retrieval-Augmented Generation）技術，串接技術資料庫與過往問答資料，並經過多次測試與微調，使數位助理能夠快速回應客戶問題並自動化繁瑣任務。我們仍然維持人類監督機制，讓聊天機器人支援人工客服，但整體流程已大幅縮短，讓客戶更快從產品中獲得價值。
Marc: 坐在我的位置上，我很榮幸與許多大型企業的負責人交流，他們正努力理解這波 GenAI 浪潮並決策該購買、開發還是合作相關解決方案。我觀察到一個現象，許多初創企業向潛在客戶推銷 AI 產品時，往往要求對方提供大量企業資料來驗證其價值。這對客戶來說存在極大的風險，因為資料安全始終是首要考量。
然而，Mastercard 長期以來一直是數百萬商家、收單機構與銀行的可信賴合作夥伴，這種地位讓你們更容易獲得資料使用的許可，並在保護資料安全的前提下，為合作夥伴與生態系統創造雙贏價值。
Greg: 沒錯。選擇合作夥伴時，我們會確保對方擁有與我們相同的價值觀、相同的處理方式，以及對資料安全的同等承諾。否則，合作將變得非常困難。我們始終將資料保護置於首要位置，因為我們深知資料濫用的風險以及維持 Mastercard 作為值得信賴品牌與生態系統的關鍵性。這正是我們支付網絡得以蓬勃發展的原因。
無論你身處陌生地點，或在從未消費過的商家購物，當你刷卡、插卡或感應支付時，商家知道他們會收到款項，你知道你會收到商品，若發生任何問題，你也知道自己可以尋求補救。這個生態系統之所以運作良好，是因為網絡本身建立了信任。我們對資料的使用、資料的處理方式，以及建立在資料之上的產品與服務，都遵循相同的信任原則。
Marc: 沒錯。我想問一下，因為許多收聽這集節目的創辦人與營運者，可能還沒有像 Mastercard 這樣數十年的品牌信譽，但他們非常渴望與像你們這樣的企業合作。當你考慮與科技公司合作或採購解決方案時，尤其是成長初期的企業，請問你們在決策時會採用哪些標準來評估這些潛在合作夥伴，並決定優先投入時間與資源的方向？
Greg: 這裡有幾個考量因素。首先，我們的投資優先事項始終圍繞著我們對 AI 的四大關注領域：更安全（Safer）、更強大（Stronger）、更個人化（More Personal）、更智慧（Smarter）。我們會進一步篩選，如果是一個新的 GenAI 解決方案，我們會特別關注它是否能解決目前手動處理的任務，或針對非結構化資料提出最佳解決方法。這回到我之前提到的關鍵——了解何時該使用 GenAI 而非傳統 AI。
接下來，我們會評估機會的可行性（Feasibility）與可行性（Viability），並在我們的優先領域中確定投資順序。
Mastercard 長期以來與初創企業保持緊密合作，並透過多種方式促進合作。我們積極擁抱金融科技社群（Fintech Community），目前生態系統中已有許多初創金融科技公司與我們合作。我們的 Start Path 計畫專門幫助初創公司融入 Mastercard 網絡，讓他們受惠於我們的價值與支援服務。
此外，在我過去負責企業發展時，我們已經投資並與許多初創企業建立合作關係。我們始終採取策略優先（Strategy-First）的方式，必須確保解決方案能夠滿足客戶需求，並符合我們的治理與安全標準。如果一家公司的方案被我們認為是解決問題的最佳方法，且符合我們的資料安全與治理要求，那麼我們很樂意透過合作推動前進，這往往也是最有效率的方式。
Marc：是的。在這個過程中，我很好奇，現在你身處一個非常有趣的位置——作為頂層的橫向領導者，你的職責是解讀 AI 浪潮，確保整個組織能夠充分利用這項技術。但同時，我也能想像，在更垂直的業務單位中，仍然有 P&L 負責人、總經理等決策者，他們在自己的領域內也需要做出類似的決策。他們可能會問：「這些 GenAI 能力如何讓我們的業務變得更智慧、更強大？」
對於希望與Mastercard 合作的創業者來說——甚至不只是 Mastercard，而是任何大型企業——當組織內部既有負責創新或 AI 的高層橫向決策者，又有負責具體業務單位的垂直領導者時，你能否解釋這些決策是如何運作的？這些過程是如何協同推進的？你之前有跟我提過相關的架構，能否為聽眾們詳細介紹一下 Mastercard 這樣的大公司是如何運作的？
企業AI治理：樞紐輻射模型與未來發展趨勢
Greg：當然。我們在今年初由 CEO 設立了一個新的 AI 與數據團隊，這並不代表我們要把公司內的所有 AI 活動完全集中管理。畢竟，在 Mastercard 這樣的公司中，AI 就像電力一樣，早已深入到各個業務領域。如果我們試圖將所有 AI 元素剝離並集中到某個團隊，那將是一件愚蠢、危險，甚至不可能的事情。
但與此同時，如果各個業務單位在不同地方各自為政、獨立解決類似問題，這將會帶來協調困難，甚至可能產生資源重複投入的問題。
所以，我們採用了「樞紐輻射模型（Hub-and-Spoke Model）」，也就是「中心-輻射架構」：
- 我的團隊（中心/Hub） 從企業整體的角度來評估技術的發展趨勢，並識別出 AI 對客戶和股東最有價值的應用領域。我們會將這些機會帶到不同的業務部門，包括人資、財務、詐欺防治、安全、開放銀行、核心支付業務等，和他們討論這些技術如何為業務創造價值。
- 各業務單位（輻射/Spokes） 則一直在尋找創新機會、開發新的解決方案，然後將這些想法帶回給我們的團隊。
這樣，我們的決策過程就形成了雙向溝通（Two-way Collaboration）：
- 知識共享與資源整合——當某個業務部門在嘗試新的 AI 應用時，我們可以提供過去經驗中的最佳實踐（Best Practices），告訴他們哪些方法有效、哪些方法行不通。此外，許多 AI 應用需要正確的數據存取權限與工具，而我們的團隊可以幫助他們利用現有的數據基礎設施來提升開發效率。
- 避免重複開發，提高效率——如果某個業務部門正在開發一個解決方案，而我們已經有類似的技術、供應商或 AI 模型可以利用，那麼我們可以協助他們直接在這個基礎上優化與擴展，而不是重新從零開始。這樣不僅能加快產品上市時間（Faster Time to Market），還能確保這些解決方案符合我們的治理與隱私規範。
- 尊重業務單位的自主創新——我們並不希望掌控業務單位的創意、產品開發或業務發展，這些仍然是他們的職責。我們的角色是提供支持、指導、確保協作與協同效應，而非主導所有 AI 創新。
這種模式的好處是，它既允許我們在企業內部統籌 AI 策略與資源，又能確保各個業務單位仍有足夠的靈活性來創新與決策。最終，我們的目標是讓AI 成為推動整個生態系統增長的催化劑，而不是一個額外的負擔。
Marc：了解。那麼，在實際導入供應商或模型，或者已經開始應用某個解決方案一年之後，假設你要評估它是否實現了預期的 投資報酬率 (ROI)，或者是我們整體上是否達成了當初設定的目標——你會將這個評估過程視為一個獨立流程，與 Mastercard 既有的供應商管理機制完全分開？
還是說，當這些方案進入正式運行階段，評估方式就會被納入現有的供應商管理流程，透過既定的機制來識別哪些供應商表現良好、哪些供應商功能重複？
還是說，這些 GenAI 解決方案仍然被視為全新的探索性技術，需要用一套特別的方式來衡量 ROI？
Greg：是的，這部分其實由我的團隊直接負責。我們已經建立了一套新的框架，每項新計畫都會設定一組關鍵績效指標 (KPIs)，包含具體的目標數值與衡量計畫，並透過長期觀察來追蹤成果。
特別是在這波 GenAI 新應用仍處於早期階段時，這種方法顯得尤為重要。我們需要了解這些技術是否真的為客戶、員工和整體生態系統創造價值。
舉例來說，在為軟體工程師和開發者推出程式碼輔助工具時，我不僅關注這項技術是否能提升效率，還會透過多個干預點來分析是否可以進一步優化開發流程。
但同樣重要（甚至更重要）的，是用戶的反饋。我們想知道這些工具是否讓工程師能夠從繁瑣的工作中解放出來，專注於解決更困難的問題，進一步提升整體產出。
如果這些工具不僅提高了生產效率，還增加了員工滿意度，那才是我們真正想要的成果。
因此，每項計畫的衡量標準會根據其特性有所不同，但目前我們正為所有導入的 GenAI 解決方案設定明確的衡量指標，並將這些學習經驗納入決策流程中，讓我們能夠更有效地分配資本與資源，爭取最大的投資報酬率。
儘管所有專案都會進行 ROI 衡量，但對於 GenAI 解決方案，我會投入更多關注與資源，並且加強追蹤這些方案的實際成果。
Marc: 是的。我有另一個問題，你的角色非常有趣，因為我認為 Mastercard 擁有大約 33,000 名員工，這是一家非常大的公司，而要弄清楚 AI 在這家公司能夠產生最大的影響潛力，你必須對組織的運作有非常深入的了解。對於這麼大的公司來說，你可能會花費所有時間來繪製地圖並弄清楚這些情況。同時，為了確保你選擇的東西是業界最好的，而且考慮到這些軟體開發的速度驚人，你還必須對公司四面牆外發生的事情保持耳聰目明，並且跟上所有快速進展的步伐。像是，是否有任何來源、流程或儀式讓你能夠保持最新狀態？
Greg: 是的。我想這是一種幾種方法的組合。首先，我猜有一些好消息是，在我之前的工作中，擔任策略角色讓我接受了相當好的訓練，讓我能夠保持對廣泛生態系統的關注，並了解其中發生的事情。但我花費大量時間聽播客、閱讀外部新聞，還有進行網絡交流，與他人談論他們是如何部署 AI 的，他們如何組織他們的公司。例如，「這種 hub and spoke 模型，有很多不同的做法。你會分散哪些，會集中哪些？如何最有效地協調？如何平衡創新與速度，以及正確的治理？」像這些問題，你能從其他人那裡學到很多。所以我花了很多時間…像今天，如果我回想一下，我聽了幾個播客，讀了好幾篇文章，做了兩次網絡通話，我們現在正在錄這個播客。更多的時間其實是花在外部。我們昨晚還舉辦了一個活動，邀請了許多外部人士來參加晚宴，這基本上就是在分享生態系統並討論我們正在做的事情，並嘗試從他人那裡學習。
Marc: 是的。也許最後總結一下，對你來說，這個位置在某些方面就像是“世界是你的牡蠣”。如果我非要讓你選擇一兩個你特別激動的事情，像是接下來一兩年你最關注的是什麼？什麼讓你最興奮？
Greg: 所以，我接下來一年的重點是，一個是我們如何與模型和 AI 互動的方式正在改變，我認為有幾個方面我們越來越多地看到，首先是關於多模態的發展，不僅僅是文本，還包括文本與圖像、語音和視頻的整合，對於我們考慮的許多場景來說都是如此。像是保險公司現在能夠做的事，他們可以將事故的照片與保單數據、內部手冊的資訊等結合起來，從而提供一個更快、更準確的估算結果。當我們考慮到金融服務領域的應用，比如發票對賬、帳單支付，你會收到不同格式的文件，有的是 PDF，有的是圖片，有的是文本，各種各樣的方式。我們開始以全面的多模態方式來看待這些問題，並且能夠整合出單一的真實來源，這點讓人非常興奮。
然後，我認為推理模型及其發展也非常令人興奮。這開創了新的應用場景。對我來說，最激動人心的是，我在這些模型上看到的一些實驗，這些模型不僅提高了準確度，還大大提高了那些模型在某些情況下會說“我不知道答案”的次數。你知道，回到風險的問題，我們回到模型是如何進步的，以及我們需要看到什麼，了解自己的知識邊界是非常重要的。拿我之前的工作來說，我每隔幾個月就要向董事會報告，當時我得到的最好建議就是，“當你不知道答案時，最好的說法就是我不知道答案。最糟糕的做法是試圖假裝知道。”這在生活中是對的，尤其是在 AI 領域。當 AI 不知道答案時，它的錯誤聽起來仍然非常清晰且博學。所以它不僅是錯的，還是錯得非常自信。我回想我們開始這次對話時提到的 APT，以及如何錯誤地使用分析和數據，這樣的挑戰和風險是真實存在的。所以，當這些推理模型能更好地理解它們的邊界，並且能夠更有效地說“嘿，我不知道這個問題的答案”，這比一些基礎模型要好得多，我認為這是這個領域中的一個激動人心的進展。所以，第一個重點是我們如何處理 AI 的方式正在改變。
第二點是，我確實認為這種走向信任、走向責任的趨勢，如何將這些元素納入其中，如何引入透明度，還有很大的發展空間。我們在這個方面正在全力推進，我認為這將是未來幾年，不僅是 2025 年的重大趨勢。我仍然認為，以信任的方式來執行這些事情是至關重要的。第三點是，我們正在看到……誰知道擴展法則會走向何方，隨著我們增加更多數據、更多計算能力、更多時間來訓練模型，這些模型會變得更好，但我確實認為，數據的使用將成為一個更關鍵的區別因素，推理也將成為一個更關鍵的區別因素。我想這是我們正在關注的另一個方面。這對我們來說尤其重要，因為我們擁有的數據以及我們在組織內部可以使用並利用來為員工提供更好的洞察並幫助為我們的客戶提供更好的解決方案。
Marc: 是的。我得說，和你交談讓我想起，我們都非常幸運，能夠坐在這一切 unfolding 的前排。我結束這次對話時，對 Mastercard 在生成型 AI 以及一般領域中的許多機會感到非常振奮。因此，我真的非常感謝你今天抽出時間和我們交流，謝謝你來參加這個訪談。
Greg: 非常感謝你，Marc。我真的很感激這段時間。