Rozwiązania AI w fintechu napędzają kolejną fazę wzrostu UPI
Dyrektor generalny NPCI, Dilip Asbe, powiedział w zeszłym miesiącu podczas Mumbai Tech Week 2026, że sztuczna inteligencja będzie kluczowa dla kolejnej fazy rozwoju UPI – od onboardingu nowych użytkowników po wykrywanie oszustw, śledzenie kont typu „muł” i dystrybucję kredytów. Jest to istotne, ponieważ UPI przetwarza już ponad 750 milionów transakcji dziennie, a kolejny skok w stronę miliarda dziennie będzie zależał mniej od dopracowania aplikacji, a bardziej od dokładności operacyjnej. Według relacji TechCrunch, NPCI postrzega AI jako podstawową infrastrukturę, a nie jako dodatkową funkcję.
NPCI twierdzi, że AI ukształtuje kolejną fazę UPI
Główny wniosek z komentarzy Asbe jest prosty: indyjski stos płatniczy wchodzi w etap, w którym AI w finansach musi wykonywać realną pracę wewnątrz systemów produkcyjnych. Obejmuje to wzrost liczby użytkowników, kontrolę oszustw i operacje wsparcia, a nie tylko interfejsy czatowe.
Asbe ujął to jasno: „AI będzie bardzo skutecznie wykorzystywana, gdy spojrzymy na kolejną falę UPI”, w tym w obszarach oszustw, wykrywania kont „mułów”, dostępu do kredytów i wielojęzycznego onboardingu. W skali UPI brzmi to jak wytyczne operacyjne. Jeśli przetwarzasz setki milionów transakcji dziennie, każdy dodatkowy fałszywy alarm, każde przeoczone oszustwo i każdy nieudany proces onboardingu staje się kosztem na poziomie całego systemu.
Widziałem ten sam schemat w projektach automatyzacji na żywo: efektowne demo modelu przyciąga uwagę, ale najtrudniejszą częścią jest wdrożenie decyzji modelu w szyny płatnicze, zarządzanie sprawami, kolejki przeglądów analitycznych i obsługę klienta bez spowalniania głównego przepływu pracy.
Gdzie AI pasuje do operacji płatniczych
Źródło wskazuje na pięć praktycznych obszarów: onboarding, wykrywanie oszustw, wykrywanie kont „mułów”, wielojęzyczne przepływy głosowe i dystrybucję kredytów. To rozsądne punkty wyjścia, ponieważ każdy z nich ma mierzalny wynik operacyjny.
W przypadku onboardingu, AI dla bankowości może pomóc w klasyfikacji dokumentów, wykrywaniu anomalii w formularzach, kierowaniu użytkowników według języka i zmniejszaniu porzuceń w trudnych przypadkach. W zakresie ryzyka, systemy wykrywania oszustw oparte na AI mogą oceniać transakcje, urządzenia, powiązania kont i wzorce behawioralne szybciej niż ręczna weryfikacja. W przypadku wykrywania „mułów”, sygnały grafowe zazwyczaj znaczą więcej niż pojedynczy wynik transakcji: powtarzający się kontrahenci, ponowne wykorzystanie urządzeń, klastry czasowe i nagłe zachowania związane z wypłatą gotówki to obszary, w których modele wykazują swoją wartość.
Kolejnym użytecznym sygnałem jest to, że NPCI nie mówi o jednym gigantycznym modelu ogólnym. Mówi o wbudowanych funkcjach wewnątrz regulowanego przepływu pracy. Jest to znacznie bliższe temu, jak w rzeczywistości wdrażane są systemy płatności o dużej skali.
Dobrym punktem odniesienia dla operatorów jest praca Visa nad przeciwdziałaniem oszustwom, gdzie wzorce na poziomie sieci mają równie duże znaczenie, co każda interakcja z akceptantem. Ta sama logika dotyczy UPI: model jest tylko jedną warstwą; otaczające go kontrole decydują o tym, czy system jest użyteczny.
W takim środowisku zespoły zazwyczaj potrzebują nudnej, ale niezbędnej pracy integracyjnej, zanim model zacznie pomagać. Dlatego wiele firm zaczyna od automatyzacji procesów biznesowych AI, aby połączyć punktację, routing, przeglądy i ścieżki audytu w jedną pętlę operacyjną.
Dlaczego głos w Indiach wciąż wydaje się wczesnym etapem
Asbe wypowiadał się bardziej powściągliwie na temat asystentów głosowych AI niż na temat oszustw czy onboardingu. Ta powściągliwość jest prawdopodobnie słuszna. NPCI uruchomiło Hello UPI w 2023 roku, ale adopcja jeszcze nie nastąpiła, a dokładność pozostaje główną barierą.
W płatnościach błędy głosowe mają inne skutki niż błędy czatu. Błąd na czacie często można poprawić na ekranie. Błąd głosowy podczas uwierzytelniania, potwierdzenia odbiorcy lub uzyskania zgody natychmiast tworzy problem z zaufaniem. Na rynkach wielojęzycznych tryby awarii się mnożą: zmienność akcentów, przełączanie kodów, hałaśliwe otoczenie i homofony dotyczące nazw lub kwot.
Badania Banku Rozrachunków Międzynarodowych wielokrotnie przedstawiały adopcję AI w finansach jako problem zarządzania ryzykiem w takim samym stopniu, jak problem produktywności. Głos w płatnościach jest tego dobrym przykładem. Przypadek użycia może ostatecznie zadziałać, ale najpierw tylko w wąskich przepływach: sprawdzanie salda, aktualizacje statusu, proste działania mandatowe lub wsparcie prowadzone przez drzewa decyzyjne.
AI może również zmienić przepływy kredytowe i sporne
Moim zdaniem, bardziej interesującą częścią wywiadu nie jest głos. Jest to połączenie cyfrowych śladów, kredytów i deterministycznej obsługi sporów. To właśnie tutaj rozwiązania AI w fintechu mogą tworzyć wartość dodaną, ponieważ wyniki zasilają jednocześnie przychody, retencję i ryzyko.
Asbe powiedział, że AI powinna pomóc w zapewnieniu kredytów użytkownikom i sprzedawcom posiadającym cyfrowe ślady. To wpisuje się w szerszą zmianę w płatnościach AI: wykorzystanie zachowań transakcyjnych, wzorców spłat, aktywności sprzedawców i historii wsparcia w celu poprawy danych wejściowych dla oceny ryzyka kredytowego. Kompromis jest jednak oczywisty. Lepsza prognoza sama w sobie nie wystarczy. Przepływy kredytowe wymagają przejrzystych zasad, obsługi zgód i ścieżek odwoławczych.
NPCI ma już jeden konkretny przykład w produkcji. Jego model FIMI, opisany przez The Economic Times, jest wykorzystywany do sporów, takich jak anulowanie mandatu i rozwiązywanie problemów. To ważniejsze niż kolejny nagłówek o uruchomieniu modelu, ponieważ systemy sporów szybko generują pętle zwrotne. W ciągu kilku tygodni można zmierzyć czas rozwiązania, wskaźnik eskalacji, wskaźnik powtarzających się kontaktów i wskaźnik negatywnych wyników.
To również obszar, w którym niestandardowi agenci AI zaczynają mieć sens, ale tylko wtedy, gdy są ściśle ograniczeni. W finansach agent, który potrafi wyjaśnić status sporu lub zebrać brakujące szczegóły sprawy, jest użyteczny. Agent, który podejmuje luźno zarządzane działania płatnicze, to zupełnie inna klasa ryzyka.
Konkurencja w UPI może zależeć od modeli biznesowych
Sekcję dotyczącą konkurencji w tej historii łatwo nie docenić. Rynek UPI nadal wydaje się silnie skoncentrowany, a PhonePe i Google Pay razem posiadają ponad 80% udziałów, jak zauważono w źródle i w szerszych raportach dotyczących terminu limitu udziału w rynku na 31 grudnia 2026 r.
Argument Asbe był taki, że niskie koszty zmiany dostawcy i słabe zachęty komercyjne pomagają wyjaśnić, dlaczego koncentracja się utrzymuje. Myślę, że ma rację. Analityka ryzyka AI i automatyzacja obsługi klienta mogą pomóc mniejszym graczom działać oszczędniej, ale same w sobie nie naprawiają ekonomii dystrybucji.
BHIM jest użytecznym przypadkiem. NPCI wydzieliło go w 2024 roku, aby poprawić konkurencyjność, a mimo to jego udział w rynku nadal wynosi około 1% według danych cytowanych w źródle. To mówi mi, że suwerenność produktu i bezpieczeństwo mają znaczenie, ale pozyskiwanie użytkowników, zachęty dla sprzedawców i nawyki nadal dominują. AI może zmniejszyć obciążenie wsparcia lub poprawić konwersję onboardingu, ale nie może ukryć braku modelu biznesowego.
Dla kontekstu, raporty Reserve Bank of India dotyczące płatności cyfrowych od dawna pokazują, że wzrost płatności zależy od zaufania, infrastruktury akceptacji i powtarzalnego użytkowania, a nie tylko od szerokości funkcji.
Na co indyjskie firmy fintech powinny zwrócić uwagę w następnej kolejności
Następną rzeczą, na którą należy zwrócić uwagę, nie jest to, czy każda aplikacja płatnicza uruchomi asystenta AI. Jest to to, czy wąskie, regulowane przepływy pracy zaczną wykazywać lepsze wyniki operacyjne: niższe straty z tytułu oszustw, szybsze rozwiązywanie sporów, mniej ręcznych przeglądów i czystszy onboarding w różnych językach.
Jeśli NPCI będzie nadal w pierwszej kolejności wprowadzać AI do tych warstw infrastruktury, jest to bardziej trwała ścieżka. W płatnościach zwycięzcami są zazwyczaj zespoły, które czynią AI wystarczająco nudną, aby przetrwała w produkcji, a następnie wystarczająco dokładną, aby bezpiecznie się rozwijać.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation