Искусственный интеллект приведет цифровые платежи Индии к миллиарду транзакций

Масштаб как инженерная задача

UPI — крупнейшая розничная платёжная шина мира. 750 миллионов транзакций в сутки превышают совокупный объём операций платёжных систем ряда стран G20. По данным NPCI, озвученным на Mumbai Tech Week 2026, переход к миллиарду операций требует перераспределения логики: с центральных серверов на периферийные узлы обработки. Это не горизонтальное масштабирование существующей архитектуры — это изменение самой схемы. Каждый узел должен принимать решение локально, без обращения к облаку на каждом платеже.

SLM вместо тяжёлых LLM

NPCI указал на использование компактных языковых моделей (small language models) вместо облачных LLM. Аргументация инженерная: транзакционный контекст узок, требования к задержкам жёсткие, вызов тяжёлой модели через API на миллиарде операций в сутки не оправдан ни по latency, ни по стоимости инференса. SLM обучаются под конкретные платёжные сценарии — классификация операции, детекция аномалий, антифрод-скоринг — и исполняются локально. Это снижает зависимость от внешних провайдеров и убирает облачный API как единую точку отказа в масштабе страны.

Партнёрство и нерешённые узлы

Внедрение заявлено совместно с Razorpay. Это индикатор сложности задачи: один эквайер не закрывает весь стек, требуется координация между NPCI, банками-участниками и платёжными провайдерами. За кадром остаётся ряд вопросов. Кто верифицирует работу ИИ-агента при сбое транзакции — человек или автоматический fallback? Как модели обучаются на платёжных данных при регуляторных ограничениях RBI? Каковы минимальные требования к железу на узле обработки — нужны ли специализированные ускорители или достаточно CPU? На эти вопросы NPCI пока ответа не дал. Стоит отслеживать первые результаты пилотных развёртываний, метрики ошибок на транзакциях и реакцию регулятора на работу ИИ-агентов в критической финансовой инфраструктуре.