زیرساخت پرداخت‌های فرامرزی — چرا شرکت‌های بومی هوش مصنوعی به یک ساختار متفاوت نیاز دارند

هر شرکت بومی هوش مصنوعی سریع‌تر از آنچه بنیانگذارانش انتظار دارند، به یک شرکت فرامرزی تبدیل می‌شود. ماهیت نرم‌افزار — قابل استقرار در هر مکان، در دسترس در هرجا، و قابل بازاریابی جهانی از یک لپ‌تاپ — به این معنی است که تا زمانی که اکثر استارتاپ‌های هوش مصنوعی به درآمد معنی‌داری برسند، از مشتریان خود در حداقل سه قاره پرداخت دریافت می‌کنند. و تقریباً همه آن‌ها این کار را بر روی زیرساخت پرداختی که برای تجارت الکترونیک داخلی طراحی شده است، انجام می‌دهند.

ناسازگاری بین درآمد جهانی و معماری پرداخت داخلی، مشکلات ترکیبی ایجاد می‌کند. نرخ‌های تأیید کاهش می‌یابند زمانی که کارت‌های بین‌المللی به پردازنده‌های داخلی می‌رسند. هزینه‌های تبدیل ارز، حاشیه سودهایی را که از قبل کم هستند، کاهش می‌دهد. تأخیرهای تسویه در مناطق زمانی مختلف، شکاف‌های جریان نقدی ایجاد می‌کند. و تعهدات تطبیق با هر حوزه قضایی جدید، چند برابر می‌شود. این یک مشکل آینده نیست. این یک مانع عملیاتی در زمان حال است که اکثر شرکت‌های هوش مصنوعی بدون اندازه‌گیری آن را جذب می‌کنند.

زیرساخت پرداخت فرامرزی فقط مربوط به پذیرش کارت‌های بین‌المللی نیست. این یک رشته معماری متمایز است که شامل پذیرش محلی، مسیریابی هوشمند تراکنش‌ها، مدیریت خزانه‌داری چند ارزی و رعایت قوانین خاص هر حوزه قضایی می‌شود. شرکت‌هایی که آن را به عنوان یک مسئله پیکربندی در تنظیمات پرداخت موجود خود در نظر می‌گیرند، در حال از دست دادن درآمد و حاشیه سود قابل اندازه‌گیری هستند.

مشکل نرخ تأیید که هیچ‌کس درباره آن حرف نمی‌زند

پر هزینه‌ترین مشکل در پرداخت‌های فرامرزی، هزینه پردازش نیست. این مشکل، تراکنش‌های رد شده است. زمانی که یک مشتری در جاکارتا سعی می‌کند به یک پلتفرم هوش مصنوعی با استفاده از پردازنده‌ای که به صورت داخلی در ایالات متحده پذیرش می‌کند، پرداخت کند، تراکنش از چندین شبکه بانکی عبور کرده و در هر گام، سیگنال‌های ریسک را فعال می‌کند. بانک صادرکننده، یک تراکنش فرامرزی را به یک دسته بندی تجاری ناآشنا می‌بیند. شبکه کارت، غربالگری اضافی را اعمال می‌کند. و مدل‌های کلاهبرداری بانک پذیرنده، که عمدتاً بر اساس الگوهای تراکنش داخلی آموزش دیده‌اند، ممکن است تراکنش را مشکوک تشخیص دهند.

نتیجه این است که نرخ‌های تأیید برای تراکنش‌های فرامرزی می‌توانند پانزده تا بیست و پنج درصد پایین‌تر از تراکنش‌های داخلی باشند. برای یک پلتفرم هوش مصنوعی که روزانه هزار تراکنش بین‌المللی را با نرخ تأیید 65 درصدی فرامرزی در مقابل نرخ 90 درصدی داخلی پردازش می‌کند، این شکاف نشان دهنده از دست رفتن 250 تراکنش در روز است. با میانگین ارزش تراکنش 50 دلار، این مبلغ 12500 دلار در روز درآمد از دست رفته است — بیش از 4.5 میلیون دلار سالانه — نه به دلیل قیمت‌گذاری، کیفیت محصول، یا تقاضای بازار، بلکه به این دلیل که زیرساخت پرداخت نمی‌تواند تراکنش‌های بین‌المللی را به طور قابل اعتمادی تأیید کند.

پذیرش محلی این مشکل را با پردازش تراکنش از طریق یک پذیرنده در کشور یا منطقه مشتری حل می‌کند. زمانی که کارت همان مشتری جاکارتا از طریق یک پذیرنده اندونزیایی پردازش می‌شود، بانک صادرکننده آن را یک تراکنش داخلی می‌بیند. سیگنال‌های ریسک کاهش می‌یابند. نرخ‌های تأیید افزایش می‌یابند. تراکنشی که در مسیرهای فرامرزی رد می‌شد، در مسیرهای محلی انجام می‌شود.

Adyen به طور خاص برای رسیدگی به این مشکل ساخته شد. معماری تک پلتفرمی آن شامل قابلیت‌های پذیرش مستقیم در ده‌ها بازار است که پردازش محلی را بدون نیاز به ایجاد روابط پذیرش جداگانه توسط تاجر در هر کشور امکان‌پذیر می‌سازد. Checkout.com نیز استراتژی مشابهی را دنبال کرده و قابلیت‌های پذیرش محلی را در سراسر اروپا، خاورمیانه و آسیا ایجاد کرده است. Stripe نیز ردپای پذیرش محلی خود را گسترش داده است، اگرچه پوشش آن در برخی بازارهای نوظهور به اندازه Adyen گسترده نیست.

برای شرکت‌های بومی هوش مصنوعی، تأثیر نرخ تأیید پذیرش محلی، یکی از با بالاترین بازده سرمایه‌گذاری (ROI) در زیرساخت‌های موجود است. بهبود 5 تا 15 درصدی در نرخ‌های تأیید فرامرزی مستقیماً به درآمدی تبدیل می‌شود که قبلاً به دلیل رد شدن‌های غیرضروری از دست رفته بود.

درک معماری چند ارزی

زیرساخت پرداخت چند ارزی در سه سطح متمایز عمل می‌کند و اکثر شرکت‌های هوش مصنوعی آن‌ها را با هم اشتباه می‌گیرند.

ارز نمایش چیزی است که مشتری در زمان پرداخت می‌بیند. نمایش قیمت‌ها با ارز محلی مشتری، نرخ تبدیل را بهبود می‌بخشد زیرا محاسبات ذهنی تبدیل ارز و اضطراب ناشی از هزینه‌های مخفی نرخ ارز را از بین می‌برد. اکثر پردازنده‌های پرداخت مدرن، نمایش دینامیک ارز را پشتیبانی می‌کنند، یا از طریق قابلیت‌های نرخ ارز خود یا از طریق ادغام با ارائه‌دهندگان داده ارز.

ارز پردازش ارزی است که تراکنش در واقع توسط شبکه کارت و بانک پذیرنده پردازش می‌شود. هنگامی که ارز نمایش و پردازش مطابقت دارند — که با پذیرش محلی اتفاق می‌افتد — تراکنش توسط بانک صادرکننده به عنوان داخلی تلقی می‌شود و نرخ‌های تأیید همانطور که در بالا بحث شد، بهبود می‌یابد. هنگامی که آن‌ها متفاوت هستند، شبکه کارت نرخ مبادله فرامرزی اعمال می‌کند که معمولاً بالاتر از نرخ داخلی است، و بانک صادرکننده ممکن است برای خود هزینه‌ی تبدیل ارز را اضافه کند.

ارز تسویه ارزی است که تاجر وجوه را دریافت می‌کند. اینجاست که مدیریت خزانه‌داری با زیرساخت پرداخت تلاقی پیدا می‌کند. یک پلتفرم هوش مصنوعی ممکن است ترجیح دهد برای سادگی، تمام تسویه‌ها را به دلار آمریکا دریافت کند، اما این به این معنی است که هر تراکنش غیر دلاری، یک تبدیل ارز بین ارز پردازش و ارز تسویه را شامل می‌شود. علامت‌گذاری conversion — معمولاً 1 تا 2 درصد بیشتر از نرخ میانی بازار — یک هزینه مستقیم برای تاجر است.

معماری بهینه چند ارزی، تبدیلات را به حداقل می‌رساند و وجوه را تا زمانی که ممکن است به ارز اصلی خود نگه می‌دارد. این به معنای تسویه با ارزهای متعدد، نگهداری موجودی‌های چند ارزی و تبدیل تنها در صورت نیاز برای پرداخت‌های خاص است. Stripe از تسویه چند ارزی از طریق داشبورد خود پشتیبانی می‌کند، و پلتفرم Adyen بومیتاً از تسویه با ده‌ها ارز پشتیبانی می‌کند. اما پیچیدگی عملیاتی مدیریت خزانه‌داری چند ارزی — تطبیق در سراسر ارزها، مدیریت ریسک نرخ ارز و حسابداری چند ارزی — نیازمند یا ظرفیت تیم مالی اختصاصی یا ابزارهای مدیریت خزانه‌داری خودکار است.

TFSF Ventures این نوع معماری زیرساخت پرداخت را به عنوان بخشی از استقرار تولیدی خود می‌سازد و ریل‌های پرداخت غیرسنتی را در کنار تسویه چند ارزی سنتی ادغام می‌کند. ارزیابی عملیاتی 19 سؤالی آن‌ها، پیچیدگی پرداخت‌های فرامرزی را به عنوان یک بعد اصلی ارزیابی می‌کند و اطمینان حاصل می‌کند که زیرساخت پرداخت برای توزیع جغرافیایی واقعی مشتری طراحی شده است و نه اینکه پس از ایجاد مشکلات عملیاتی توسط درآمد بین‌المللی، نصب و راه‌اندازی شود.

پوشش روش‌های پرداخت منطقه‌ای

پرداخت با کارت در آمریکای شمالی و انگلستان غالب است، اما در سطح جهانی، بخش کوچکی از حجم پرداخت دیجیتال را تشکیل می‌دهد. در چین، Alipay و WeChat Pay اکثریت قریب به اتفاق تراکنش‌های دیجیتال را پردازش می‌کنند. در هلند، iDEAL بیش از 60 درصد از پرداخت‌های آنلاین را انجام می‌دهد. در برزیل، Pix — سیستم پرداخت فوری این کشور — بیش از 40 میلیارد تراکنش را در سه سال اول خود پردازش کرد. در هند، UPI ماهانه میلیاردها تراکنش را انجام می‌دهد.

برای پلتفرم‌های هوش مصنوعی که در سطح جهانی مشتری جذب می‌کنند، حمایت از این روش‌های پرداخت محلی اختیاری نیست. این یک الزام برای تبدیل است. یک صفحه پرداخت که تنها پرداخت با کارت را در برزیل ارائه می‌دهد، نیمی یا بیشتر از تبدیل‌های بالقوه خود را از دست خواهد داد زیرا مصرف‌کنندگان برزیلی Pix را به عنوان یک گزینه پرداخت پیش‌فرض انتظار دارند.

چالش این است که هر روش پرداخت الزامات ادغام (integration requirements)، ویژگی‌های تسویه حساب (settlement characteristics) و تعهدات انطباق (compliance obligations) خاص خود را دارد. پرداخت‌های Pix فوراً تسویه می‌شوند و غیرقابل برگشت هستند. پرداخت‌های مستقیم اعتباری SEPA در اروپا دارای مهلت 8 هفته‌ای برای برگشت وجه هستند. حواله‌های بانکی در بازارهای مختلف ممکن است برای اندازه‌های تراکنش خاص، نیاز به تأیید KYC اضافی داشته باشند. زیرساخت پرداخت باید این تفاوت‌ها را در سطح ادغام، سطح تسویه و سطح انطباق مدیریت کند.

هیچ پردازشگر واحدی تمام روش‌های پرداخت را در هر بازار پوشش نمی‌دهد. استرایپ در حال حاضر بیش از صد روش پرداخت را در 46 کشور پشتیبانی می‌کند که آن را به گسترده‌ترین ارائه دهنده واحد تبدیل کرده است. پوشش Adyen برای تجار سازمانی قابل مقایسه است. اما برای بازارهای خاص، متخصصان محلی اغلب ادغام عمیق‌تر و نرخ تبدیل بهتری ارائه می‌دهند. به عنوان مثال، dLocal در بازارهای نوظهور در آمریکای لاتین، آفریقا و آسیا تخصص دارد و پوشش روش پرداخت محلی را ارائه می‌دهد که از آنچه پردازنده‌های جهانی در آن مناطق ارائه می‌دهند، فراتر می‌رود.

تصمیم معماری این است که آیا با یک پردازشگر جهانی واحد ادغام شود و شکاف‌های پوشش را بپذیرد، یا از یک لایه ارکستراسیون پرداخت (payment orchestration layer) استفاده کند که تراکنش‌ها را بر اساس بازار و روش پرداخت به پردازشگر بهینه هدایت می‌کند. برای شرکت‌های هوش مصنوعی در مقیاس، رویکرد ارکستراسیون معمولاً نرخ تبدیل بهتر و هزینه‌های کمتری را ارائه می‌دهد، به قیمت پیچیدگی ادغام بیشتر.

تطابق در حوزه‌های قضایی مختلف

پرداخت‌های فرامرزی به طور همزمان تعهدات تطابقی را در چندین حوزه قضایی ایجاد می‌کنند. ممکن است حوزه قضایی مبدأ تاجر، حوزه قضایی مشتری و احتمالاً حوزه‌های قضایی میانی که پرداخت از طریق آن‌ها انجام می‌شود، الزامات قانونی را اعمال کنند.

PSD2 در اروپا برای اکثر پرداخت‌های آنلاین احراز هویت قوی مشتری (Strong Customer Authentication) را الزامی می‌کند و یک مرحله 3D Secure اضافه می‌کند که اگر به درستی پیاده‌سازی نشود، بر نرخ تبدیل تأثیر می‌گذارد. الزامات بومی‌سازی داده‌های هند مقرر می‌دارد که داده‌های پرداخت مربوط به تراکنش‌های هندی باید بر روی سرورهای داخل هند ذخیره شوند. بانک مرکزی برزیل تراکنش‌های ارزی را تنظیم می‌کند و بر نحوه دریافت پرداخت‌های به رئال برزیل توسط تجار غیربرزیلی تأثیر می‌گذارد.

برای پلتفرم‌های هوش مصنوعی، این الزامات ثابت نیستند. آنها به طور مداوم در حال تکامل هستند زیرا ناظران به فناوری‌های پرداخت جدید، الگوهای کلاهبرداری، و نگرانی‌های حفاظت از مصرف‌کننده واکنش نشان می‌دهند. ساخت زیرساخت پرداخت سفت و سخت و خاص هر حوزه قضایی، بار نگهداری مداوم ایجاد می‌کند. ساخت زیرساخت ماژولار و آگاه به حوزه قضایی — که در آن قوانین تطبیق می‌توانند بدون بازسازی معماری جریان پرداخت به‌روزرسانی شوند — پایدارتر است.

معماری مدیریت استثنائات TFSF Ventures این پیچیدگی را با قرار دادن منطق تطبیق در زیرساخت عامل (agent infrastructure) که جریان‌های پرداخت را مدیریت می‌کند، حل می‌کند. به جای کدگذاری سخت‌افزار قوانین خاص حوزه قضایی در ادغام پرداخت، رویکرد آن‌ها از عوامل هوشمند استفاده می‌کند که الزامات تطبیق را به صورت پویا بر اساس ویژگی‌های تراکنش، از جمله مکان مشتری، روش پرداخت و مبلغ تراکنش ارزیابی می‌کنند. این زیرساخت تولیدی — نه مشاوره، نه راهنمایی — که در چارچوب متدولوژی 30 روزه آن‌ها مستقر شده است، بُعد تطبیق پرداخت‌های فرامرزی را به عنوان بخشی از معماری عملیاتی گسترده‌تر و نه به عنوان یک پروژه ادغام مستقل، مدیریت می‌کند.

بهینه‌سازی تسویه و مدیریت خزانه‌داری

بعد تسویه پرداخت‌های فرامرزی جایی است که پیچیدگی عملیاتی به‌شدت افزایش می‌یابد. یک پلتفرم هوش مصنوعی که پرداخت‌ها را در ده بازار پردازش می‌کند، ممکن است تسویه‌ها را در پنج ارز مختلف، با برنامه‌های زمانی متفاوت، از پردازشگرهای مختلف، و با ساختارهای کارمزد متفاوت دریافت کند. تطبیق این جریان‌های تسویه با سوابق تراکنش داخلی، حسابرسی اختلاف‌های زمانی مربوط به FX و مدیریت موقعیت نقدی در ارزهای مختلف، نیازمند یا پهنای باند قابل توجه تیم مالی یا ابزارهای هدفمند ساخته شده است.

بهینه‌سازی تسویه با درک هزینه واقعی هر جریان تسویه آغاز می‌شود. نرخ پردازش برجسته (headline processing rate) که یک پردازشگر اعلام می‌کند، شامل سود تبدیل ارز (FX conversion markup)، هزینه‌های زمان‌بندی تسویه (هزینه فرصت ناشی از وجوه در حال انتقال) یا هزینه عملیاتی تطبیق نمی‌شود. زمانی که این هزینه‌ها لحاظ می‌شوند، هزینه مؤثر پردازش پرداخت‌های فرامرزی معمولاً 50 تا 100 درصد بیشتر از نرخ پردازش اعلام شده است.

استراتژی‌های کاهش هزینه‌های تسویه شامل مذاکره برای تسویه محلی در بازارهای پر حجم، استفاده از ریل‌های استیبل کوین برای کریدورهایی که تسویه سنتی پرهزینه است، دسته‌بندی تسویه‌ها برای کاهش هزینه‌های هر تراکنش و زمان‌بندی تبدیل ارز برای به حداقل رساندن ریسک اسپرد می‌شود. این بهینه‌سازی‌ها به صورت تکی کوچک هستند اما در مقیاس بالا به صرفه‌جویی‌های معنی‌داری منجر می‌شوند.

برای شرکت‌های بومی هوش مصنوعی که سالانه بیش از 1 میلیون دلار حجم فرامرزی را پردازش می‌کنند، تصمیم‌گیری در مورد زیرساخت پرداخت باید با آگاهی کامل از این اقتصادهای تسویه انجام شود. پردازنده‌ای که پایین‌ترین نرخ سرتیتر را ارائه می‌دهد، ممکن است کمترین هزینه کلی را پس از احتساب هزینه‌های تسویه، ارز و تطبیق، ارائه نکند.

از ابتدا معماری صحیح را بسازید

پر هزینه‌ترین تصمیمی که یک شرکت هوش مصنوعی می‌تواند در مورد زیرساخت پرداخت بگیرد، انتخاب معماری فقط داخلی و برنامه‌ریزی برای بین‌المللی‌سازی در آینده است. مهاجرت زیرساخت پرداخت مخرب، گران و پرخطر است. انبارهای اعتبار باید مهاجرت کنند. روابط صورت‌حساب اشتراک باید مجدداً برقرار شوند. ممکن است نیاز به گرفتن تأییدیه‌های نظارتی باشد. و در طول مهاجرت، همیشه یک دوره نرخ‌های رد شدن بالا و اصطکاک مشتری وجود دارد.

رویکرد صحیح این است که زیرساخت پرداختی را انتخاب کنید که از ابتدا پیچیدگی فرامرزی را پشتیبانی کند، حتی اگر پیاده‌سازی اولیه تنها از قابلیت‌های داخلی استفاده کند. این به معنای انتخاب یک پردازشگر با قابلیت‌های پذیرش بین‌المللی، پیاده‌سازی یک لایه انتزاعی پرداخت که برنامه شما را از API پردازشگر جدا می‌کند، و طراحی مدل داده‌ای شما برای پشتیبانی داخلی از تراکنش‌های چند ارزی است.

هزینه ساخت برای فرامرزی از روز اول به صورت تدریجی است. هزینه مهاجرت به فرامرزی در آینده قابل توجه است. هر شرکت هوش مصنوعی که قصد دارد یک بازار جهانی را خدمت کند — یعنی تقریباً هر شرکت هوش مصنوعی — باید این محاسبه را به صراحت انجام دهد، به جای اینکه به سادگی به پیاده‌سازی داخلی و امید به سادگی بین‌المللی‌سازی در زمان مناسب رضایت دهد. این چنین نخواهد بود.

درباره TFSF Ventures

TFSF Ventures FZ-LLC (مجوز RAKEZ شماره 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت هوش مصنوعی هوشمند را در سراسر کسب‌وکارها از طریق سه ستون یکپارچه به کار می‌گیرد: زیرساخت هوش مصنوعی، ریل‌های پرداخت غیرسنتی، و یک موتور کامل سرمایه‌گذاری. با 27 سال سابقه در پرداخت و نرم‌افزار، TFSF به صورت جهانی فعالیت می‌کند و 21 صنعت را با متدولوژی استقرار 30 روزه خود خدمت‌رسانی می‌کند. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.

ارزیابی هوش عملیاتی رایگان را انجام دهید — 19 سؤال، حدود 8 دقیقه، بدون تعهد. یک طرح استقرار سفارشی در عرض 48 ساعت شامل توصیه‌های عامل، معماری و پیش‌بینی ROI دریافت کنید. شروع از https://tfsfventures.com/assessment

در ابتدا در https://tfsfventures.com/blog/cross-border-payment-infrastructure-ai-native-companies منتشر شد

مزیت مسیریابی هوشمند

مسیریابی هوشمند تراکنش‌ها، لایه معماری است که زیرساخت‌های پرداخت فرامرزی پیچیده را از پذیرش پایه پرداخت‌های بین‌المللی جدا می‌کند. در هسته خود، مسیریابی هوشمند از ویژگی‌های تراکنش — کشور BIN کارت، نوع روش پرداخت، مبلغ تراکنش، دسته‌بندی تاجر، و داده‌های تأیید تاریخی — برای هدایت هر تراکنش به پردازشگری که بیشترین احتمال را برای تأیید آن با کمترین هزینه دارد، استفاده می‌کند.

ساده‌ترین شکل مسیریابی هوشمند، جغرافیایی است. تراکنش‌های اروپایی به یک پذیرنده اروپایی هدایت می‌شوند، تراکنش‌های آسیا-اقیانوسیه به یک پذیرنده APAC هدایت می‌شوند، تراکنش‌های آمریکای شمالی در پردازشگر داخلی باقی می‌مانند. این به تنهایی می‌تواند نرخ‌های تأیید را از 5 تا 10 درصد برای تراکنش‌های بین‌المللی بهبود بخشد. موتورهای مسیریابی پیچیده‌تر، داده‌های رد شدن تاریخی، الگوهای تأیید خاص صادرکننده، و بررسی‌های صحت لحظه‌ای پردازشگر را برای تصمیم‌گیری پویا در مورد مسیریابی دربرمی‌گیرند.

محصول Flow از Checkout.com این نوع مسیریابی هوشمند را به عنوان یک قابلیت پلتفرمی ارائه می‌دهد. Spreedly و Primer لایه‌های ارکستراسیون مستقل از پردازشگر را ارائه می‌دهند که مسیریابی هوشمند را در چندین پردازشگر امکان‌پذیر می‌سازد. برای شرکت‌های هوش مصنوعی که حجم بین‌المللی قابل توجهی را پردازش می‌کنند، بهبود نرخ تأیید از مسیریابی هوشمند معمولاً به اندازه کافی درآمد اضافی ایجاد می‌کند تا هزینه لایه ارکستراسیون را چندین برابر پوشش دهد.

حلقه بازخورد داده‌ای چیزی است که باعث بهبود مسیریابی هوشمند در طول زمان می‌شود. هر تراکنش — چه تأیید شده، رد شده یا با زمان پایان یافته — داده‌هایی را تولید می‌کند که مدل مسیریابی را اصلاح می‌کنند. در طول هزاران تراکنش، سیستم می‌آموزد که کدام صادرکنندگان در کدام کشورها بهترین واکنش را به کدام پذیرنده‌ها نشان می‌دهند، کدام ویژگی‌های تراکنش سیگنال‌های ریسک را در صادرکنندگان خاص فعال می‌کنند، و کدام استراتژی‌های تلاش مجدد بالاترین درصد از رد شدن‌های نرم را بازیابی می‌کنند. این دقیقاً همان نوع بهینه‌سازی است که شرکت‌های بومی هوش مصنوعی باید از آن تقدیر کنند. این یادگیری ماشینی است که در زیرساخت به کار رفته و ارزش آن با حجم افزایش می‌یابد.

افزونگی و تاب‌آوری پردازشگر

وابستگی به یک پردازشگر واحد در زیرساخت پرداخت‌های فرامرزی یک ریسک غیرقابل قبول است که اکثر شرکت‌های هوش مصنوعی بدون شناسایی آن، آن را به دوش می‌کشند. زمانی که Stripe در اواخر سال 2023 با قطعی قابل توجهی مواجه شد، تجارانی که منحصراً از طریق Stripe پردازش می‌کردند، توانایی پذیرش پرداخت را کاملاً از دست دادند. برای یک پلتفرم هوش مصنوعی که پردازش پرداخت با دسترسی مبتنی بر استفاده مرتبط است — کاربران به ازای هر فراخوانی API، هر سند، هر تعامل عامل پرداخت می‌کنند — یک قطعی پرداخت، یک قطعی محصول است.

معماری چندپردازنده‌ای از طریق افزونگی (redundancy)، انعطاف‌پذیری را فراهم می‌کند. اگر پردازشگر اصلی با قطعی مواجه شود، تراکنش‌ها به طور خودکار به پردازشگر ثانویه منتقل می‌شوند. این جابجایی می‌تواند لحظه‌ای باشد اگر لایه ارکستراسیون Vaulting اعتبار را در میان پردازشگرها حفظ کند، به این معنی که روش‌های پرداخت ذخیره شده می‌توانند از طریق هر پردازشگری شارژ شوند بدون اینکه مشتری نیاز به وارد کردن مجدد جزئیات پرداخت خود داشته باشد.

پیچیدگی عملیاتی معماری چندپردازنده‌ای واقعی اما قابل مدیریت است. تطبیق باید تراکنش‌های پردازش شده از طریق ارائه‌دهندگان مختلف را محاسبه کند. وجه تسویه از منابع متعدد می‌رسد. گزارش‌دهی و تجزیه و تحلیل باید در سراسر پردازشگرها تجمیع شوند. این چالش‌ها با ابزار مناسب قابل حل هستند و در برابر خطر درآمدی ناشی از وابستگی به یک پردازشگر واحد، معامله‌ای ارزشمند محسوب می‌شوند.

برای شرکت‌های بومی هوش مصنوعی که قابلیت اطمینان پرداخت مستقیماً بر دسترسی کاربر و اقتصاد پلتفرم تأثیر می‌گذارد، معماری چندپردازنده‌ای باید یک الزام باشد تا یک بهینه‌سازی. هزینه پیاده‌سازی افزونگی پردازشگر، کسری از درآمد در معرض خطر ناشی از قطعی یک پردازشگر واحد است.

آنچه دوازده ماه آینده تغییر خواهد کرد

چشم‌انداز پرداخت‌های فرامرزی به سرعت در حال تحول است و چندین تحول، گزینه‌های زیرساختی را برای شرکت‌های بومی هوش مصنوعی در کوتاه‌مدت تغییر خواهد داد.

شبکه‌های پرداخت بلادرنگ فرامرزی در حال ظهور هستند. ابتکار Nexus، که توسط بانک تسویه‌حساب‌های بین‌المللی تسهیل شده است، قصد دارد سیستم‌های پرداخت بلادرنگ داخلی را در سراسر کشورها به هم متصل کند و امکان انتقال فوری فرامرزی را بدون زنجیره واسطه‌گری بانک‌های کارگزار فراهم آورد. در حالی که Nexus هنوز در حال توسعه است، آزمایش‌های اولیه بین کشورهای آسه آن قابلیت این رویکرد را نشان می‌دهد.

تسویه استیبل کوین در حال نهادینه شدن است، همانطور که در تحلیل ما از چگونگی جایگزینی ریل‌های استیبل کوین با تسویه سنتی به تفصیل بحث شد. یکپارچه‌سازی تسویه استیبل کوین در زیرساخت پرداخت‌های اصلی — از طریق ویزا، استرایپ و سایر پلتفرم‌های اصلی — یک ریل اضافی برای تسویه فرامرزی به شرکت‌های هوش مصنوعی ارائه خواهد داد که بسیاری از معایب هزینه و سرعت بانکداری کارگزاری سنتی را از بین می‌برد.

هماهنگ‌سازی مقررات، گرچه کند، در حال پیشرفت است. مقررات MiCA اتحادیه اروپا، چارچوب نظارتی در حال تحول کریپتو در انگلستان، و شفافیت نظارتی در حال ظهور در امارات و سنگاپور، محیطی قابل پیش‌بینی‌تر را برای شرکت‌هایی که زیرساخت پرداخت چند ریلی را در سراسر مرزها اداره می‌کنند، ایجاد می‌کند.

برای شرکت‌های بومی هوش مصنوعی که امروز در مورد زیرساخت پرداخت تصمیم می‌گیرند، این تحولات نشان دهنده انعطاف‌پذیری معماری است. ایجاد زیرساختی که بتواند روش‌های پرداخت جدید، ریل‌های تسویه جدید، و الزامات نظارتی جدید را بدون بازسازی معماری بپذیرد، در طول سال‌های آینده ارزشمندتر از بهینه‌سازی برای کمترین هزینه پردازش در ریل‌های امروز خواهد بود.

اندازه‌گیری هزینه واقعی زیرساخت پرداخت فرامرزی

آخرین رشته در زیرساخت پرداخت فرامرزی، اندازه‌گیری صادقانه هزینه‌هاست. اکثر شرکت‌های هوش مصنوعی، نرخ پردازش پرداخت خود — درصد کارمزد و کارمزد هر تراکنش که توسط پردازشگرشان دریافت می‌شود — را پیگیری می‌کنند. تعداد کمی از آن‌ها کل هزینه پرداخت‌های فرامرزی را پیگیری می‌کنند، که شامل چندین مؤلفه اضافی است که اغلب بزرگ‌تر از خود کارمزد پردازش است.

اضافه قیمت تبدیل ارز اولین هزینه پنهان است. زمانی که یک پردازشگر یک تراکنش غیر دلاری را به تسویه دلاری تبدیل می‌کند، نرخ تبدیلی که اعمال می‌شود شامل یک اسپرد اضافی نسبت به نرخ میانی بازار است. این اسپرد بسته به پردازشگر، جفت ارز و شرایط توافقی تاجر، از 0.5 درصد تا 2 درصد متغیر است. در یک پلتفرم که سالانه دو میلیون دلار تراکنش غیر دلاری را پردازش می‌کند، یک درصد اضافه قیمت FX، معادل بیست هزار دلار هزینه است که هرگز در صورت‌حساب کارمزد پردازش ظاهر نمی‌شود.

هزینه‌های تراکنش‌های ناموفق دومین جزء پنهان است. هر تراکنش فرامرزی رد شده هزینه‌ای فراتر از درآمد از دست رفته دارد: هزینه جذب مشتری که برای آوردن آن مشتری به مرحله پرداخت سرمایه‌گذاری شده است، زمان پشتیبانی مشتری صرف شده برای رسیدگی به مشکلات پرداخت، و خطر از دست دادن مشتریانی که پرداخت‌هایشان با مشکل مواجه می‌شود و دیگر باز نمی‌گردند. مدل‌سازی هزینه پایین‌دستی رد شدن‌های فرامرزی — نه فقط درآمد تراکنش از دست رفته بلکه ارزش طول عمر مشتری از دست رفته — معمولاً نشان می‌دهد که بهینه‌سازی نرخ تأیید، بالاترین بازده سرمایه‌گذاری (ROI) در زیرساخت پرداخت موجود را دارد.

نیروی کار تسویه مؤلفه سوم است. تطبیق تسویه حساب با پردازشگرهای بین‌المللی با سوابق تراکنش داخلی، حل مغایرت‌های مربوط به ارز، و مدیریت حسابداری چند ارزی، زمان تیم مالی را مصرف می‌کند. برای شرکت‌های هوش مصنوعی در حال رشد که پهنای باند تیم مالی کمیاب است، این هزینه عملیاتی قابل توجه است حتی اگر به عنوان یک آیتم در هیچ فاکتور فروشنده ظاهر نشود.

زمانی که تمام این هزینه‌ها با هم تجمیع می‌شوند، کل هزینه پرداخت‌های فرامرزی برای یک شرکت معمولی هوش مصنوعی دو تا سه برابر نرخ پردازش اعلام شده است. درک این هزینه کاملاً محاسبه شده برای اتخاذ تصمیمات زیرساختی آگاهانه ضروری است، و این نقطه آغاز برای هر گونه بهینه‌سازی جدی اقتصاد پرداخت‌های فرامرزی است.

درباره TFSF Ventures FZ-LLC — با مجوز RAKEZ، TFSF Ventures یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را در سراسر کسب‌وکارها از طریق سه ستون یکپارچه به کار می‌گیرد: زیرساخت عامل، ریل‌های پرداخت غیرسنتی و یک موتور کامل سرمایه‌گذاری. با 27 سال سابقه در پرداخت و نرم‌افزار، TFSF به صورت جهانی فعالیت می‌کند و 21 صنعت را با متدولوژی استقرار 30 روزه خود خدمت‌رسانی می‌کند. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.

ارزیابی رایگان هوش عملیاتی را انجام دهید — 19 سؤال، حدود 8 دقیقه، بدون تعهد. در عرض 48 ساعت یک طرح استقرار سفارشی شامل توصیه‌های عامل، معماری و پیش‌بینی ROI دریافت کنید. شروع از https://tfsfventures.com/assessment

در ابتدا در https://tfsfventures.com/blog/cross-border-payment-infrastructure-ai-native-companies منتشر شد

Written by TFSF Ventures Research