Embora o ecossistema de pagamentos digitais da Índia continue a expandir-se a uma escala sem precedentes, está agora a explorar novos territórios. A Mastercard no AI Impact Summit 2026 da Índia apresentou as primeiras transações comerciais autenticadas baseadas em agentes na Índia. A gigante da tecnologia financeira insiste que está a trabalhar com empresas de IA, bem como com empresas e fornecedores de fintech para acelerar o comércio impulsionado pela IA na Índia e na região Ásia-Pacífico.
Os primeiros pagamentos foram feitos com cartões Mastercard emitidos pelo Axis Bank e RBL Bank para compras de agentes tokenizados usando pagamentos sem dinheiro, agregadores de pagamentos Juspay, PayU e Razorpay de comerciantes como Swiggy, Instamart, Vi e Tira. Isso se alinha com a estrutura Mastercard Agent Pay, tokenização e diretrizes de segurança. Os usuários poderão escolher seus próprios agentes de IA com os quais trabalhar, e a Mastercard espera que eles consigam alcançar uma interoperabilidade ampla e onipresente.
Nitendra Rajput, vice-presidente sênior e chefe da Mastercard AI Garage, disse à HT que os dados gerados pela implementação e comportamento de pagamentos são usados para “inteligência de rede” – modelos de inteligência artificial são treinados em mais de 160 bilhões de transações processadas globalmente todos os anos. Adicione o espectro de agentes de IA tentando fazer transações em nome do usuário.
Para contextualizar, dados do Reserve Bank of India (RBI) mostram que os gastos com cartão de crédito foram afetados $$2,12 lakh crore através de 552 milhões de transações em janeiro, ligeiramente abaixo $$O recorde em setembro de 2025 foi de Rs 2,17 lakh. À medida que os reguladores reforçam a localização de dados e as regulamentações de segurança, cadeias globais como a Mastercard estão a duplicar a sua quota no mercado em rápido crescimento da Índia, aproveitando cada vez mais a IA. Trechos editados.
P. O que pode dar errado quando os agentes de IA podem realizar transações financeiras?
Os maiores riscos são como esses sistemas são otimizados, dimensionados e confiáveis. Um problema é a má otimização, em que um agente pode priorizar a velocidade ou a eficiência de uma forma que inadvertidamente vai contra os melhores interesses do cliente. Outro risco são os erros em cascata, pois os fluxos de trabalho automatizados amplificam os erros em falhas maiores se a supervisão for negligente. Um terceiro risco é o excesso de confiança, onde os utilizadores podem parar de questionar ou verificar as soluções de IA. É importante construir sistemas com explicabilidade clara, monitorização contínua, auditorias independentes e supervisão humana significativa.
P. À medida que a fraude se torna um campo de batalha entre IA e IA, como a Mastercard garante que seus modelos derrotem consistentemente os ataques adaptativos?
Os invasores usam automação, identificadores sintéticos e aprendizado de máquina para dimensionar as operações. Nossos modelos de fraude executam vários mecanismos de IA em paralelo, o que chamamos de “combinação de especialistas”, o que nos permite melhorar constantemente nossos modelos e ficar à frente dos invasores. Essa abordagem nos permitiu impedir fraudes no valor de bilhões de dólares em nossa rede.
A inteligência global por si só não é suficiente. A Índia é um país único, com ampla adoção de tecnologias digitais, diversos dispositivos, comércio assistido e modelos sociais em evolução. Nossos modelos combinam aprendizagem localizada que é constantemente aprimorada por nossas equipes. Esta abordagem híbrida garante que nos manteremos estruturalmente à frente e não apenas reativos.
P. À medida que o debate sobre localização de dados se intensifica, isso está limitando ou alterando o treinamento em IA e a inteligência contra fraudes transfronteiriças?
A localização de dados está mudando fundamentalmente os sistemas de IA nos serviços financeiros. Para a Mastercard, a privacidade e a conformidade não são negociáveis e os sistemas devem respeitar as fronteiras nacionais de dados. Isto significa uma governação robusta, confidencialidade do projeto e responsabilidade clara pela formação, monitorização, implementação e desenvolvimento de modelos. Mas a fraude não conhece fronteiras. Os padrões geralmente surgem globalmente antes de aparecerem localmente, e arquiteturas com os algoritmos mais recentes que funcionam em outras regiões são aplicadas a dados localizados.
P. À medida que os pagamentos digitais se tornam mais comuns nas zonas rurais e semiurbanas da Índia, que novos vetores de risco estão a surgir?
Os vetores de risco são naturalmente diversificados por dispositivos partilhados, baixa literacia digital e fraco histórico de transações, desafiando os modelos tradicionais de IA. A inclusão e a equidade estão no centro da forma como concebemos a IA. São utilizadas técnicas como dados sintéticos e conjuntos de dados comportamentais mais amplos para diversos padrões de usuários. Nossas iniciativas de engajamento incluem o apoio a quase 600.000 pequenas empresas na Índia, à medida que a IA está preparada para expandir o acesso.
P. Sendo a Índia um campo de testes global para pagamentos inovadores baseados em IA, quais são as lições que o mundo deve ter em conta?
A Índia demonstrou que a escala e o envolvimento podem coexistir. Temos centenas de milhões de utilizadores, diferentes dispositivos, ligações e diferentes níveis de literacia digital, mas os pagamentos digitais funcionam de forma fiável em todo o país. A lição é projetar para as condições mais difíceis. A Índia também demonstrou o poder da colaboração entre os setores público e privado.
