Mastercard e l’AI “da decenni”: frodi, scoring in tempo reale e GenAI usata come feature

L’AI non arriva oggi nei pagamenti per Mastercard. È già lì “da decenni”, incastrata nel punto più delicato della catena: decidere in frazioni di secondo se una transazione è legittima o se sta per diventare frode. È la tesi che Greg Ulrich, chief AI and data officer di Mastercard, porta nella sessione a16z Live del 18 febbraio 2026, descrivendo un approccio che rifiuta l’idea dell’AI come prodotto a sé e la tratta invece come motore invisibile dentro prodotti esistenti. La frase chiave è concettuale: la GenAI non è una soluzione standalone, è una feature, cioè un componente che aumenta efficacia, velocità e fruibilità di sistemi già in produzione. Questo posizionamento è meno “spettacolare” di molti annunci del momento, ma è esattamente ciò che ha senso in un settore dove l’errore costa. Nel mondo dei pagamenti, il trade-off non è tra innovazione e conservazione: è tra sicurezza e frizione. Bloccare troppe transazioni legittime brucia fiducia, ricavi e reputazione. Lasciarne passare troppe fraudolente brucia denaro e credibilità. In mezzo c’è la necessità di prendere decisioni real-time su volumi enormi, su ecosistemi globali e su pattern che cambiano in modo continuo.

L’AI come infrastruttura della fiducia: perché la frode è un problema “sistemico”

Ulrich descrive la frode come un fenomeno che non si combatte con una regola fissa, ma con un modello che apprende. Mastercard lavora su storie di transazioni, comportamenti dei merchant, segnali contestuali e pattern ricorrenti per generare uno score in tempo reale capace di stimare la probabilità che un pagamento sia “buono” o “cattivo”. È un linguaggio da risk engine, non da demo: l’obiettivo non è mostrare un chatbot, ma proteggere l’ecommerce e i pagamenti digitali con decisioni immediate. Qui l’AI non è un accessorio. È ciò che consente di trasformare un mare di segnali in una decisione singola: autorizzare o rifiutare. E la difficoltà vera non è soltanto “individuare la frode”, ma farlo limitando i falsi positivi, perché in un circuito globale una transazione bloccata senza motivo si traduce in abbandono del carrello, customer care, chargeback e, spesso, perdita definitiva del cliente.

Reti neurali ricorrenti, scoring e analisi comportamentale: il pezzo tecnico che regge tutto

Nel racconto emerge un punto tecnico esplicito: l’uso di reti neurali ricorrenti e di altri strumenti di machine learning per migliorare la detection. La scelta è coerente con la natura dei dati: la frode non è un’istantanea, è spesso una sequenza. Le RNN, nella tradizione del ML, nascono proprio per cogliere dinamiche temporali e dipendenze tra eventi. In un contesto di pagamenti, questo significa riconoscere che un’operazione “strana” può diventare molto più sospetta se inserita in una serie di micro-segnali che, presi singolarmente, sembrerebbero normali. Il cuore operativo resta lo scoring real-time: un output numerico che alimenta sistemi decisionali e policy di rischio. Ulrich lo descrive come un approccio pratico, orientato al problema, non all’hype. E questo spiega anche perché Mastercard parli di AI “da decenni”: perché la fraud detection è stata uno dei primi territori in cui il machine learning ha avuto valore immediato, misurabile e industrializzabile.

GenAI come “feature”: assistenza digitale, onboarding e automazione dei flussi

Il pezzo nuovo, nella narrazione di Mastercard, è l’inserimento della GenAI come strato che potenzia processi e prodotti. Ulrich insiste sul fatto che la GenAI non sostituisce ciò che già funziona: viene integrata per migliorare aree dove l’attrito è alto e il costo operativo è evidente. Un esempio è l’onboarding di banche e merchant, dove la documentazione, l’integrazione tecnica e la gestione dei requisiti possono richiedere tempo e generare errori. In questa linea, la GenAI diventa un acceleratore di assistenza digitale e di automazione, soprattutto quando viene abbinata a modelli di retrieval come la retrieval-augmented generation, che permette di rispondere e operare usando basi di conoscenza tecniche interne. In un’azienda come Mastercard, questo significa ridurre lavoro manuale, standardizzare procedure, aumentare la velocità di integrazione e, soprattutto, evitare che la complessità interna ricada sul cliente.

Ecosistemi ecommerce più “chiusi” e più sicuri: merchant behavior e risk intelligence

Ulrich parla di ecosistemi sicuri per l’ecommerce, e il dettaglio non è secondario: non basta valutare il singolo pagatore, serve capire anche il merchant. Analizzare il comportamento complessivo del merchant, la sua storia, le anomalie e il contesto consente di costruire una risk intelligence più stabile. È il tipo di approccio che punta a ridurre frodi sistemiche, non soltanto incidenti individuali. In questa architettura, la personalizzazione diventa un altro asse naturale. Se un sistema capisce pattern e comportamenti, può adattare anche l’esperienza: non solo protezione, ma anche riduzione della frizione, decisioni più fluide, meno richieste di verifica superflue. È qui che l’AI passa da “security engine” a “experience engine”, senza cambiare la natura del compito: riconoscere segnali e reagire con precisione.

Dati al vertice: perché Mastercard insiste sulla salvaguardia

Ulrich mette la protezione dei dati “al vertice” delle operazioni. Non è una frase di rito, perché in un contesto di AI applicata ai pagamenti i dati sono l’asset e, allo stesso tempo, il rischio. Se la fiducia viene compromessa, la tecnologia non compensa: crolla la reputazione del circuito e la percezione di sicurezza dell’intero ecosistema. Per questo l’adozione di AI e GenAI viene descritta come un equilibrio continuo tra valore e rischio. Non è solo “cosa si può fare”, ma “cosa si può fare senza rompere la fiducia”. Nel settore dei pagamenti, la fiducia è infrastruttura. E l’infrastruttura va difesa con discipline di governance, controllo e compliance, non soltanto con modelli più accurati.

Hub and spoke: innovazione coordinata senza perdere velocità

Mastercard descrive un modello organizzativo hub and spoke: un hub centrale che garantisce oversight, principi, standard e visione d’insieme, e spoke decentralizzati che eseguono sui prodotti e sui mercati. È un modo per scalare l’innovazione senza moltiplicare silos e senza lasciare che ogni unità costruisca una “AI diversa” incompatibile con il resto. In una multinazionale dei pagamenti, questa struttura serve anche a un obiettivo pratico: individuare in modo rapido dove l’AI genera più valore e allocare risorse sulle aree che hanno impatto reale. Ulrich la racconta come una disciplina di priorità, non come una moda organizzativa.

Fintech early-stage e partnership: accelerazione, ma con selezione

L’altro acceleratore citato è il rapporto con fintech early-stage. Mastercard descrive le partnership come un canale per portare innovazione mirata dentro prodotti concreti, mantenendo un criterio di selezione legato a fattibilità, sicurezza e allineamento strategico. Non è “open innovation” generica: è integrazione di capacità esterne dove serve, con l’obiettivo di aumentare valore per clienti e, di riflesso, per azionisti. Anche qui torna lo stesso filo: use case specifici, problemi specifici, valore misurabile. È un modo per normalizzare la GenAI e ridurre il rischio di costruire soluzioni spettacolari ma inutili.

Cosa cambia davvero nel 2026: meno hype, più integrazione invisibile

La sessione a16z Live del 18 febbraio 2026 mette in chiaro la linea Mastercard: l’AI non è una trasformazione improvvisa, è una continuità. La novità è che la GenAI entra come strato di potenziamento, soprattutto nei flussi di assistenza e onboarding, mentre il motore centrale resta lo stesso: risk scoring real-time, modellistica avanzata, analisi comportamentale su scala globale, e una governance che mette dati e fiducia al centro. In un settore in cui ogni millisecondo pesa, la differenza non la fa la demo. La fa la capacità di integrare AI “ovunque” senza renderla un rischio aggiuntivo. È questa la promessa implicita: non far vedere l’AI, farla lavorare.