IMF：代理AI对支付体系的变革性影响

导语：4月24日，国际货币基金组织（IMF）发布了Sonja Davidovic和HervéTourpe合著的注解文件，深入探讨代理型人工智能在支付领域的应用前景，梳理并评估了其应用场景与潜在风险，提出了若干应对策略。本篇为该文件背景部分的翻译，主要阐述本文的撰写动机与研究范围，界定代理型人工智能的概念，回顾支付领域人工智能的发展历程。

背景

研究动机与范围

代理中介型支付应用正快速涌现，引发了一系列设计与政策层面的挑战，而现有支付框架尚未完全具备处理这些问题的能力。在这一模式下，用户无需显式启动交易，而是依赖软件代理在被授权后预判支付需求、评估备选方案，并协调执行多种支付工具与渠道。在特定条件下，这些代理甚至可能被授权独立做出支付决策。

这一演变可概括为从人工显式发起的交易（“点击支付”）向代理中介的决策过程（“决定支付”）转变，其中执行速度不断提升，并在支付价值链的多个层面展开，同时受到预设目标、限制条件及治理安排的制约。

越来越多的行业参与者，包括支付网络、技术平台（如以太坊等开源软件）以及人工智能（AI）模型提供商，正竞相试验这些能力。尽管当前应用主要集中于改善用户查找和比较产品的方式，但试验范围正迅速扩展，涵盖欺诈检测、合规监控、资金管理优化以及跨境支付协调等广泛的支付相关场景，表明代理式人工智能试点正在整个生态系统中不断拓展（波士顿咨询集团，2025年）。当前的创新速度意味着过去需要数年才能实现的发展如今可在数月内完成，这预示着更快速和深层次的变革即将到来。

在此背景下，一个核心的架构挑战正在显现。现有核心支付基础设施基于确定性逻辑构建，要求在交易生命周期的每个环节都具备可预测性、可审计性和法律可执行性。相比之下，代理式人工智能系统依赖概率推理和自适应决策，这可能导致在相似条件下产生不同结果。本文分析了如何以及在何处调和这些根本不同的特性，并提出了一种三层模型来评估将代理式人工智能集成到支付工作流程中的适当范围。

代理型人工智能的定义

代理型人工智能是指能够自主感知环境、设定目标并执行多步任务的自动化系统，几乎无需人工干预。例如，在商业领域，此类系统可以监测家庭燃气罐的液位，识别最具性价比的丙烷供应商，并自动安排补给。在仓库运营中，这些技术能够检测到货情况，检索相应的账单信息，并按照预设协议启动付款指令。此外，国际清算银行（BIS，2025年）指出，人工智能代理能够在实时全额结算系统中独立管理流动性并优先处理支付，有效地模拟了现有的审慎现金管理实践。

与传统型人工智能模式不同，后者提供静态预测（见表1）或需要持续人工干预，而代理型人工智能系统集成了规划、动态适应和工具协调等高级功能，使这些系统能够在复杂的生态系统中作为自主代理运行（FinRegLab，2025年）。技术协议和标准正在快速发展，以实现人工智能代理与任何支付参与者和数据源的交互（表2）。

支付领域人工智能发展历程

20世纪80年代，支付领域的早期人工智能应用通过专家系统将人工逻辑编码为静态的“如果—那么”规则（见表1）。典型案例是美国运通的“授权助手”，它实现了部分信用授权流程的自动化。尽管在受控环境中效果显著，但此类系统难以应对恶意行为的快速演变，因为规则更新速度远不及恶意行为变化速度。

20世纪90年代，随着交易量的增长，支付服务提供商越来越多地采用统计机器学习。诸如赫克特-尼尔森神经计算公司软件的“猎鹰欺诈管理器”和维萨的实时授权工具等系统利用神经网络来大规模评估欺诈风险。这些方法将概率推理引入支付工作流程，但仍局限于检测和评分，而非采取措施解决问题。

表1.支付领域人工智能使用的演变史

时期

关键技术

创新（例子）

支付功能

20世纪80年代

专家系统

美国运通的“授权助手

基于规则的信用授权与欺诈检测，采用简单的“如果-那么”逻辑。

20世纪90年代

机器学习、早期神经网络

猎鹰欺诈管理器、卷积神经网络，用于检查处理

基于概率的欺诈评分与模式识别；交易层面的风险评估。

21世纪初

图表分析、异常检测

伊戈尔佩帕尔（PayPal Igor）和伊利亚（Ilya）

通过账户与设备之间的关系映射，实现基于网络的欺诈与风险分析。

21世纪10年代

深度学习、生物识别技术

苹果支付、Stripe Radar

生物识别认证、令牌化、高级欺诈检测、人工智能（AI）辅助“了解你的客户（KYC）”以及身份验证。

21世纪20年代

基础模型、对话式人工智能

“你好，UPI！”（基于语音的UPI支付，印度）

人工智能（AI）驱动的支付发起、客户交互和工作流自动化；执行过程仍为确定性。

随后几波浪潮，包括21世纪初基于图表的分析以及21世纪10年代的深度学习，进一步强化了欺诈检测、身份验证和风险管理能力，支撑了生物识别支付和代币化等创新。在这些阶段中，人工智能显著提升了支付决策的评估方式，但支付的发起和结算仍由人工明确主导。

新一代的人工智能系统被称为大型语言模型（LLM），其驱动的智能体本质上是非确定性的：对于给定的输入，它们并非生成单一可重复的输出，而是通过从下一个可能标记的概率分布中采样来生成响应。因此，相同的提示可能会产生不同的输出。这一特性对代理型人工智能在支付链中的应用位置和方式有根本性影响，在授权、执行和结算功能方面尤其如此。

不确定性还通过幻觉表现出来，即模型生成看似合理但错误的陈述。尽管后续的模型版本显示出幻觉率有所降低，但这一风险尚未消除，在支付、合规和结算等场景中仍是关键问题（奥马尔等，2025年）。

可信赖的代理机制

因此，人工智能代理功能强大，但受其概率性质的限制，在支付链中的某些任务中其应用受到制约。相比之下，实时全额支付系统、银行卡网络、即时支付平台和分布式账本等支付基础设施以确定性方式运行：交易遵循预设规则，结果是二元的，并且法律上的最终性得到保证。

这种差异带来了结构性挑战。代理支付的主要风险并非来自概率推理本身，而是来自让自适应系统在缺乏适当控制、检查或问责机制的情况下做出不可逆转的支付。因此，核心问题并非人工智能是否应该用于支付——因为人工智能在支付领域已经应用了四十多年（见表1）——而是如何区分不确定的、基于概率的决策与自动支付执行。下一部分将介绍一个三层模型来阐明这些角色和架构。