Razorpay ha lanciato Vulcan, un foundation model basato su architettura transformer e sviluppato per rendere i pagamenti digitali più rapidi, affidabili e sicuri. Il sistema assegna in tempo reale un punteggio ai possibili percorsi di una transazione e può segnalare schemi fraudolenti che diventano riconoscibili osservando operazioni effettuate presso merchant diversi. L’obiettivo è intervenire mentre il denaro si muove, scegliendo la rotta più efficace e intercettando anomalie che strumenti circoscritti a una singola attività potrebbero non vedere.
La scala dichiarata dall’azienda dà la misura del progetto: Vulcan è stato addestrato su circa 3.000 miliardi di data point provenienti da 4 miliardi di pagamenti. Per ogni transazione prende in esame approssimativamente 3.000 segnali, così da ricostruire la complessità del percorso finanziario e riconoscere relazioni tra eventi differenti. Razorpay afferma inoltre di avere già impiegato componenti del modello su transazioni reali, registrando i primi risultati operativi, senza però fornire nel materiale disponibile indicatori quantitativi dettagliati.
Vulcan è un modello proprietario, costruito da zero con architettura e dati di addestramento controllati da Razorpay. L’azienda lo distingue esplicitamente da un large language model: non è progettato per comprendere e generare testo, ma per imparare come si sposta il denaro attraverso l’ecosistema dei pagamenti. Il suo campo di osservazione comprende l’intero processo transazionale, dai segnali iniziali fino all’esito dell’operazione, con una specializzazione verticale difficile da ottenere attraverso modelli generalisti.
Il progetto combina i dati sui pagamenti accumulati dalla fintech con il calcolo accelerato di NVIDIA e l’infrastruttura cloud di AWS. Questa impostazione permette al modello di elaborare grandi quantità di informazioni e aggiornare progressivamente la propria capacità di interpretazione. Anziché affrontare un singolo problema isolato, Vulcan apprende dall’insieme dei punti dati disponibili e continua a migliorare con ogni transazione processata, trasformando il flusso operativo in una fonte continua di apprendimento.
Secondo il cofondatore e amministratore delegato Harshil Mathur, ogni pagamento insegna al sistema qualcosa che può rendere migliore quello successivo. Il manager presenta quindi Vulcan non soltanto come il lancio di un prodotto, ma come l’avvio di un meccanismo attraverso il quale i pagamenti in India potrebbero perfezionarsi nel tempo. Per merchant e piattaforme, la prospettiva è quella di un’infrastruttura capace di adattare instradamento e controlli antifrode sulla base di una conoscenza condivisa dell’ecosistema.
Razorpay sostiene di essere il primo operatore indiano a introdurre un’offerta di questo tipo. Sul piano internazionale, Stripe aveva già presentato un foundation model dedicato ai pagamenti, addestrato su decine di miliardi di transazioni per analizzare i pattern operativi, migliorare le prestazioni e aiutare i clienti ad accrescere i ricavi. Il confronto mostra come i modelli verticali stiano entrando nel cuore delle infrastrutture finanziarie, dove precisione, velocità e capacità di apprendere da grandi volumi di operazioni hanno effetti diretti sul servizio.
Vulcan si inserisce nella più ampia strategia AI di Razorpay, che comprende storefront nativi per ChatGPT destinati ai merchant e la piattaforma Agent Studio. Quest’ultima, secondo quanto dichiarato dalla società, è già utilizzata da circa 200 imprese. La direzione seguita integra quindi l’intelligenza artificiale sia negli strumenti offerti alle aziende sia nell’infrastruttura sottostante, spostandola dall’interfaccia con il cliente ai sistemi che decidono come elaborare e proteggere una transazione.
Il lancio arriva mentre la fintech, fondata nel 2014 da Mathur e Shashank Kumar, prepara la quotazione sui mercati indiani dopo avere depositato in via confidenziale la documentazione preliminare a giugno. Razorpay offre servizi per accettazione dei pagamenti, erogazioni, credito e business banking. Con Vulcan, questa piattaforma full stack diventa anche la base dati per un modello specializzato che apprende dal comportamento collettivo delle transazioni: una tecnologia pensata per far evolvere affidabilità e sicurezza insieme alla crescita del traffico digitale.