演講稿摘要
聯邦儲備理事會華勒總裁的講述凸顯了人工智慧在支付生態系統中日益加速的整合，為既有業界參與者帶來機遇與挑戰。目前的應用重點在於利用機器學習來降低欺詐風險，尤其是在跨境交易中，大型語言模型（LLM）已被證明能有效減少制裁篩查和反洗錢（AML）合規中的誤報率，並強化現有的異常偵測系統。儘管承認日益複雜的網路攻擊所帶來的潛在網路安全風險，華勒總裁強調了人工智慧驅動的防禦能力潛力，但存在內在的不對稱性，需要對系統加強進行刻意投資。透過人工智慧代理程式的部署，跨境支付路徑的優化，納入成本、速度及外匯轉換等因素，可在短期內實現效率提升。
討論的重要部分集中在代理商務，分為代理輔助及代理委託兩種模式。後者雖然具備重塑電子商務的巨大潛力，但需要健全的信任機制來解決驗證、責任歸屬及欺詐防範等問題。企業對企業（B2B）應用，由於其交易具備週期性及預先定義規則的特點，顯然更為適用，但較高的交易價值需要嚴格的控制。預期增加的機器對機器微支付，可能會傾向於採用固定費用較低的支付軌道。
擴展代理商務的關鍵在於建立可互操作的標準，促進開放系統，以鼓勵競爭並降低小型商家和支付供應商的進入障礙。平台特定標準和可互操作標準的出現，將是決定市場結構的關鍵因素。持續開發代理註冊和授權的技術規格，以及重新校準納入代理行為的欺詐模型至關重要。華勒總裁的結論性講述強調，需要採取積極主動的方法，在平衡創新與維護支付系統安全和完整性的同時，持續審查人工智慧對支付頻率、時機和整體特徵的影響。
觀點分析
人工智能於支付基礎設施中的應用不斷演進，帶來了精微的機會組合，特別是在跨境交易效率以及新興的代理商業領域。儘管現有機器學習的部署主要集中於欺詐緩解與對帳 – 代表著運營槓桿的增量改善 – 但大型語言模型（LLM）增強異常檢測與優化複雜支付路徑的潛力，預示著降低摩擦成本的顯著途徑。 雖然強調減少制裁篩查中的誤報是積極的，但這並未從根本上改變風險狀況；相反，它將資源重新分配到更高價值的調查上，可能提高合規支出上的風險調整回報。然而，已知的網絡安全攻防能力不對稱，需要持續、有意的投資於人工智能驅動的威脅檢測，以維護系統完整性，這項成本可能會影響整個行業的息稅前利潤率。
代理商業的興起，分為輔助型與委託型兩種模式，為交易動態帶來範式轉變。消費者對企業的初始階段雖然較不複雜，但仍需大量開發信任機制，特別是在身份驗證與責任歸屬方面。委託模式，及其自主採購的潛力，增加了對意外交易的風險敞口，需要健全的安全防護措施。雖然B2B應用通過循環採購和預定義規則提供優勢，但更高的交易價值放大了與代理錯誤相關的財務風險，需要複雜的監控系統。預期API調用與數據流驅動的機器對機器微支付增加，將有利於固定成本較低的支付軌道，可能影響傳統卡網絡的競爭格局。
代理商業的可擴展性關鍵決定因素在於可互操作標準的建立。平台特定的協議碎片化可能會造成封閉花園，阻礙創新並限制網絡效應。開源與閉源系統之間的爭論反映了開環與閉環支付網絡的動態，開源系統促進競爭，並可能降低小型參與者的進入壁壘。電子商務堆疊中身份、同意與支付憑證的標準化仍然是一大障礙，需要技術公司、電子商務平台與支付服務提供商的協作努力。
歸根結底，人工智能整合到支付流程中，很可能改變交易的頻率和時機，影響營運資金強度，並可能需要調整流動資金管理策略。聯準會與行業參與者積極互動，表明其意識到系統性影響，並致力於促進創新，同時維護支付系統的安全與完整性。長期影響將取決於行業能否駕馭技術進步、監管監督以及消費者與企業不斷變化的期望之間的複雜互動。
原文連結
https://www.federalreserve.gov/newsevents/speech/waller20260928a.htm