> **来源：[研报客](https://pc.yanbaoke.cn)** # IMF Notes: 如何让具有代理能力的AI重塑支付方式 ## 核心内容 本IMF笔记探讨了代理型人工智能（Agentic AI）在支付系统中的潜在影响。代理型AI能够解释目标、规划多步骤行动，并在有限的人为干预下与数字服务交互，可能重塑支付方式，推动支付流程的自动化与智能化。 ## 主要观点 - **代理型AI的定义**：代理型AI不同于传统的静态AI，它具备推理、规划、动态适应和工具编排等能力，能够在复杂生态系统中自主运作。 - **支付系统的演变**：支付系统从基于明确指令的模式逐步转向基于代理AI的决策支付，其中执行越来越依赖机器速度和自动化。 - **三层模型**：为分析代理AI在支付系统中的角色，报告提出了一个三层模型： - **L1：意图与编排层**：负责将用户指令转化为代理系统可执行的意图，涉及智能合约、身份验证和跨平台协调。 - **L2：控制与授权层**：通过确定性规则和协议确保代理行为符合用户授权，涉及身份验证、授权令牌和合规性检查。 - **L3：结算层**：执行具有法律终局性的支付指令，依赖确定性基础设施如RTGS系统和DLT结算机制。 - **应用场景**：代理AI可用于电子商务、跨境支付、流动性管理、合规监控等领域，提高效率和自动化水平。 - **风险与挑战**： - **非确定性与责任模糊**：AI的非确定性可能引发操作风险、法律责任不清和系统性风险。 - **合规与透明度**：代理AI的决策过程可能缺乏透明度，影响监管和审计。 - **数据安全与隐私**：代理AI依赖敏感数据，增加了数据泄露和隐私风险。 - **市场集中度与竞争**：生成式AI依赖少数技术公司，可能影响市场公平性和金融稳定。 - **缓解策略**： - **系统性措施**：需要建立透明、可追溯的治理结构，确保AI系统的安全性和合规性。 - **私营部门措施**：开发可信赖的身份框架、互操作性标准和安全的API治理。 - **公共部门措施**：监管机构应考虑“了解你的代理”（KYA）框架，并建立测试环境和监管沙盒。 ## 关键信息 ### 支付领域的AI应用历史 | 时期 | 关键技术 | 创新（示例） | 支付功能 | |------|----------|----------------|-----------| | 1980年代 | 专家系统 | 美国运通授权助手 | 基于规则的信用授权和欺诈检测 | | 1990年代 | 机器学习、早期神经网络 | Falcon欺诈管理器 | 概率欺诈评分和模式识别 | | 2000年代 | 图分析、异常检测 | PayPal伊戈尔和伊利亚 | 网络基础欺诈和风险评估 | | 2010年代 | 深度学习、生物识别 | 苹果支付、Stripe雷达 | 生物识别认证、令牌化、高级欺诈检测 | | 2020年代 | 基础模型、对话式AI | 语音驱动的UPI支付 | AI介导的支付发起、客户互动与工作流程自动化 | ### 风险分类矩阵 | 风险 | 主要来源 | 责任承担者 | 是否需要政策干预 | |------|----------|--------------|------------------| | 指导差距 | 代理AI的不确定性 | 用户、PSPs、监管机构 | 是 | | 交易性授权 | 代理执行 | 支付系统、PSPs | 是 | | 代理透明度 | AI开发者、平台 | 用户、PSPs、监管机构 | 是 | | 高速支付执行 | AI代理与平台 | 支付系统、最终用户 | 是 | | 授权追溯失败 | PSPs及平台 | PSPs、用户、法院 | 是 | | 责任分配不明 | 代理行为 | 责任框架不清晰 | 是 | | 产品责任 | AI模型提供商、集成商 | 用户、PSPs、监管机构 | 是 | | 相关代理行为 | 同质模型、共享压力 | 支付系统、中央银行 | 是 | | 日内流动性压力 | 代理优化支付时间 | 支付系统、中央银行 | 是 | | 网络安保与攻击面 | 多个工具/API | 用户、支付系统 | 是 | | 法律终局 | 无法定仲裁 | 支付系统、法律体系 | 是 | | 监管盲区 | 监管机构落后 | 监管机构 | 是 | ## 结论 代理型AI在支付领域的应用具有变革性潜力，但其非确定性、不透明性和自主行为可能带来新的风险。因此，需要在技术设计、治理结构和监管框架方面进行协调，以确保支付系统的稳定性、可追溯性和责任清晰性。未来的支付系统将依赖于代理AI的合理整合，以实现更高的效率和金融包容性。