2026年3月17日、米Mastercardは、決済データ処理に特化した生成AI基盤「Large Tabular Model（LTM）」を発表した。NvidiaとDatabricksの技術協力を受け、不正検知の精度向上と決済承認の高速化を狙う金融インフラ向けAIとして展開される。
決済データ特化AI「LTM」を発表
Mastercardが発表したLTMは、決済ネットワーク上で扱われる表形式データに特化した生成AIモデルである。従来の大規模言語モデルがテキストや画像といった非構造化データを主対象としてきたのに対し、同モデルは構造化データ（※）の処理に最適化された設計を採用している点が大きく異なる。
学習には数十億件に及ぶ匿名化された取引データが用いられており、消費者の購買パターンや取引関係を直接的に把握することが可能だ。さらに今後は、数千億件規模の決済データへと拡張する計画も示されており、モデルの精度と適用範囲の拡大が見込まれている。
LTMは一般消費者向けの対話型AIとして提供されるものではなく、決済インフラのバックエンドで稼働する。主な用途は不正検知の高度化と決済承認プロセスの高速化であり、加えてサイバー防御の強化、ロイヤルティ施策の最適化、顧客分析など、コマース領域全体の基盤機能にも活用される想定だ。
背景には、金融機関が長年依存してきたルールベースや従来型の機械学習では、複雑化する消費行動に対応しきれなくなっている現状がある。Mastercardは過去数年にわたり生成AIの活用を進めており、LTMはその取り組みを決済データ領域へ拡張した位置付けとなる。
※構造化データ：表形式で整理されたデータのこと。行と列で構成され、数値やカテゴリなど明確な形式を持つため、データベース処理や分析に適している。
精度向上とリスク、金融AIの進化
LTMの導入により、不正検知の精度向上と誤検知の削減が同時に進む可能性がある。従来はルールベースで見逃されていた微細な異常パターンも捉えられるようになれば、正規取引のブロックを減らしつつセキュリティ強化につながる可能性がある点は大きな利点と考えられる。
また、リアルタイムでのリスク評価が高度化することで、決済承認のスピード向上にも寄与する可能性がある。これにより、消費者体験の向上だけでなく、加盟店側の機会損失の抑制にもつながるとみられる。
一方で、大規模データに依存するモデルである以上、データの偏りや品質が判断結果に影響を及ぼすリスクが生じる可能性もある。匿名化処理が施されていても、特定の取引傾向が過度に学習されれば、意図しないバイアスが発生する懸念は残る。
今後は、こうした特化型AIが金融インフラの標準となるかが焦点となる。生成AIの活用が汎用モデルから産業別モデルへと移行する中で、LTMは決済領域における一つの実装モデルとして、他の金融機関や決済事業者の戦略にも影響を与える可能性がある。
関連記事：
金融庁、生成AI利用の指針改定 金融機関のリスク管理と説明責任提示
金融庁、日立製作所が申請したマネロン情報連携の実証実験を支援
