Что делает AI платежной компании с триллионом токенов в год?

CTO компании Adyen сказал, что в компании работает около 1,400 разработчиков, которые за год расходуют около триллиона токенов. За последние три месяца эта цифра увеличилась в четыре раза, и Adyen уже начала готовиться к расходу ста триллионов токенов в год.

На что тратятся их токены? Для чего?

Триллион токенов Adyen в основном сжигается инженерными командами. Если посмотреть на другие платежные компании, токены также тратятся на проверку торговцев, ответы на запросы клиентов, обработку отказов, чтение электронной почты и расследование аномалий.

Деньги текут рекой, токены тоже.

Человек сидит на месте, токены продолжают расходоваться.

За последние 90 дней AI в Adyen отредактировал около 1 миллиона документов и участвовал в 20,000 Git commit. Среднее количество merge request на человека в компании увеличилось на 48%, инженеры сами оценивают, что AI сэкономил им около 15% времени. Adyen считает, что деньги, потраченные на токены, принесли примерно двукратную отдачу.

Они привели пример: у Adyen есть группа, отвечающая за выставление счетов, сверку и отчеты по картам, в которой около 2,000 производственных задач, связанных с более чем сорока картами. Ранее вся система была сосредоточена в одном большом образе развертывания, и Adyen хотела разделить ее, чтобы каждая карта имела свой собственный независимый образ.

По старым методам этот проект требовал бы привлечения нескольких команд и занимал бы от 6 до 12 месяцев. В итоге двое инженеров с помощью AI завершили его за два месяца, и при этом не произошло никаких инцидентов.

Вот так Coding Agent расходует токены. Он не просто помогает вам добавить пару строк кода и уходит, а сначала читает код, читает документы, находит зависимости, запускает тесты; если тесты не проходят, он снова читает ошибки, исправляет код и запускает заново. Если человек запускает несколько агентов одновременно, они в фоновом режиме постоянно повторяют эти процессы. Человек сидит на месте, токены продолжают расходоваться.

Stripe также сообщила, что 91% их инженеров уже используют AI в повседневной работе (неизвестно, почему 9% еще не были уволены), внутренний Coding Agent minion каждую неделю отправляет в производственную среду более 1,000 PR. Только в марте 2026 года Stripe использовала более 57,000 PR с AI Coding Assistance, что на 140% больше за три месяца.

Block тоже примерно так же, около 7,500 сотрудников каждую неделю используют AI, более 90% кодов, отправленных на проверку, имеют участие AI, количество изменений кода на человека в неделю увеличилось на 30%.

На данный момент видно, что значительная часть счета за токены у платежных компаний поступает от инженерных отделов. Использование AI в платежной индустрии не ограничивается написанием нового кода с нуля, более реальное применение — это помощь людям в преодолении сложностей. Платежные системы слишком велики, исторического кода слишком много, и нужно учитывать банки, карты и различные способы оплаты. Ранее эта сложность в основном отнимала время у инженеров, теперь AI также привлекается к работе, расходуя токены.

Поиск документов, написание рекламы, чтение контрактов — все это сжигает токены.

Написание кода — лишь часть использования AI внутри компании. В компании Fintech чуть большего размера каждый день тратится много времени на поиск информации: где находится политика возмещения? Какой команде подчиняются эти данные? Где можно запросить доступ к определенной системе? К кому обращаться по поводу отпуска? Чем больше компания, тем больше документов; чем больше документов, тем труднее их найти.

У Nubank около 9,000 сотрудников, разные команды размещают свои процессы и документы в Confluence. Когда сотрудники сталкиваются с проблемами, им может потребоваться полчаса, чтобы найти ответ; если не удается найти, они открывают тикет и ждут несколько часов. Позже Nubank разработал внутренний инструмент под названием AskNu, который позволяет сотрудникам задавать вопросы прямо в Slack. AskNu сначала определяет, к какому отделу относится вопрос, затем ищет ответ в соответствующих документах Confluence, и в конце большой модель формирует ответ и прикрепляет оригинальную ссылку.

Через шесть месяцев после запуска AskNu имел 5,000 пользователей и обработал 280,000 сообщений. Nubank утверждает, что это снизило количество внутренних тикетов на 96%. Ранее на поиск ответа могло уходить 30 минут или 8 часов ожидания тикета, теперь в среднем ответ приходит за 9 секунд.

AskNu не может напрямую помочь клиентам с переводами, и не обрабатывает платежи, но постоянно читает вопросы, ищет документы и формирует ответы. Каждый сотрудник в компании задает вопросы несколько раз в день, и токены таким образом постепенно накапливаются.

С контентной командой ситуация аналогична. Chime назвала свою внутреннюю модель контента очень простым именем: ChimeGPT. Они также создали "брендовый мозг", в который собрали прошлые истории бренда, отзывы пользователей, результаты мероприятий и обсуждения в сообществе. Маркетинговая команда использует его для генерации различных версий контента и персонализированных процессов onboarding, которые затем проходят проверку бренда, юридической и комплаенс-команды.

Chime сообщила, что объем контента, производимого внутренними командами, увеличился более чем на 300% по сравнению с прошлым годом, а время производства сократилось на 60%. Ранее на создание кампании уходило десять часов, теперь это можно сделать примерно за четыре часа, а объем тестирования увеличился в три раза. Данные организации Klarna также интересны: 90% сотрудников ежедневно используют генеративный AI, а уровень использования в командах по распространению, маркетингу и юридическим вопросам составляет 93%, 88% и 86% соответственно.

Написание кода расходует токены, написание рекламы, перевод материалов, подведение итогов встреч, чтение контрактов, ответы на вопросы коллег — тоже.

"Шампанское платье" не означает продажу алкоголя.

Платежные компании каждый день занимаются чем-то, что немного похоже на проверку клиентов: кто этот человек? Что именно он продает? Можем ли мы позволить ему принимать деньги?

Торговцы, конечно, не будут честно заполнять формы платежных компаний о себе. Информация разбросана по веб-сайтам, страницам товаров, регистрационным документам и новостям, и может быть написана на разных языках. Ранее системы не имели столько терпения, и самым простым способом было проверять ключевые слова.

Airwallex привела очень забавный пример. Один торговец продавал "куртку в военном стиле", и система, увидев слово military, могла заподозрить, что он продает запрещенное военное снаряжение; другой торговец написал "платье шампанского цвета", и система, увидев champagne, могла подумать, что он продает алкоголь.

Человек сразу понимает, что куртка в военном стиле не является оружием, а в платье шампанского нет шампанского. Но ключевые слова не понимают цвета и не разбираются в моде, они просто знают, что это слово выглядит немного опасно.

Это именно то, что большие модели умеют делать лучше всего: не сосредотачиваться только на одном слове, а сначала прочитать контекст, а затем посмотреть, что именно продает торговец. Airwallex заявила, что после внедрения генеративного AI в KYC количество ложных срабатываний в соответствующих процессах снизилось в среднем на 50%, а количество клиентов, которые могут пройти onboarding без вмешательства человека, увеличилось на 20%.

Stripe также начала использовать LLM для onboarding торговцев с 2023 года. Это не значит, что большая модель одобряет всех торговцев, а сначала обрабатывает открытые, неструктурированные данные, быстро отправляя явно соответствующие заявки. Более 80% "поддерживаемых торговцев" Stripe могут быть автоматически одобрены мгновенно. Политика проверки Checkout.com сократилась с 60 минут до 10 минут.

Ранее сотрудники должны были самостоятельно открывать веб-страницы, читать материалы, проверять политику, писать выводы, теперь это делает большая модель, которая сначала читает все, а затем выделяет места, которые нужно проверить человеком. Токены, потраченные здесь, возвращаются в виде меньшего количества ложных срабатываний, более быстрого открытия счетов и меньшего количества материалов, которые внутренние сотрудники должны просматривать, поскольку они не содержат никаких проблем.

Чашка кофе за пять долларов также должна пройти финансовую проверку.

Платежные компании помогают другим обрабатывать деньги, но внутри им также нужно возмещать расходы, проверять счета, отслеживать счета и вести бухгалтерию. Это может быть самая незаметная категория продуктов AI в Fintech. Сотрудник расплачивается корпоративной картой за чашку кофе, затем ему, возможно, нужно загрузить чек, указать цель, выбрать категорию расходов; менеджер должен подтвердить, что это связано с работой, бухгалтерия должна проверить политику, сделать бухгалтерский код и синхронизировать это с ERP. Сумма может составлять всего пять долларов, но затраты на обработку могут быть выше.

Ramp разработала Policy Agent, который специально проверяет такие расходы. Он будет проверять, совпадают ли чек и транзакция, нет ли повторных возмещений, правильно ли указана цель, нарушает ли это политику компании, и нет ли у сотрудника недавних аномальных расходов. Соответствующие политике расходы могут быть автоматически предложены к одобрению, а проблемные — переданы человеку. Ramp утверждает, что у ранних клиентов количество ручных проверок сократилось примерно на 85%, а точность выполнения политики расходов превышает 99%, при этом окончательное право одобрения остается за проверяющим.

Brex Assistant выполняет более рутинные задачи. Он автоматически ищет чеки, пишет меморандумы, заполняет категории расходов и участников, а в случае несоответствующих расходов активно запрашивает сотрудников. Brex привела пример: на чеке может не быть написано "алкоголь", а только "водка". Ранее правила ключевых слов не всегда могли это определить, но большая модель знает, что водка тоже считается алкоголем.

Такая работа отлично подходит для обмена токенов на время.

AML-аналитики большую часть времени не занимаются поимкой преступников.

Платежные компании ежедневно генерируют множество предупреждений о рисках. Действительно подозрительных транзакций может быть немного, но каждое предупреждение должно быть открыто, проверено, изучены данные клиента, просмотрены исторические транзакции, проверены связанные счета, а затем написано объяснение, почему это следует закрыть или почему следует повысить уровень расследования. Многие AML-аналитики тратят свое время не на поимку преступников, а на доказательство того, что этот человек временно не выглядит как преступник.

Nexo использует AI Agent от Unit21 для предварительного обзора предупреждений. Агент собирает информацию о транзакциях и счетах, анализирует связи между адресами, генерирует сводки расследований и рекомендации по обработке. Аналитики больше не начинают с пустой страницы, а проверяют материалы и выводы, предоставленные AI.

В кейс-стадии, опубликованной Unit21 и Nexo, упоминается, что количество ложных срабатываний в Nexo снизилось на 93% по сравнению с предыдущей внутренней системой, в настоящее время 57% обзоров предупреждений уже выполняются автоматически AI, цель — повысить этот показатель до 80%. Эти цифры следует взять в скобки: они исходят из совместно опубликованного случая поставщика и клиента, а не являются результатом независимого аудита; Unit21 также не опубликовала, сколько токенов расходуется на каждое расследование.

Тем не менее, этот случай четко показывает, что AI может делать в AML: машина собирает материалы, рисует связи, формирует нарратив; человек оценивает, действительно ли это подозрительно и нужно ли сообщать об этом регулирующим органам.

Клиент задал всего один вопрос: "Где мои деньги?"

Служба поддержки платежной компании иногда не так проста, как "помоги мне изменить пароль". Когда клиент спрашивает "почему деньги еще не поступили", это может затрагивать процессинг, карточные организации, эмитентов, конвертацию валют, расчетные циклы, статус возврата и ограничения на счетах. Служба поддержки должна проверить несколько систем, а затем собрать информацию, чтобы ответить на вопрос.

AI Agent выполняет ту же задачу, проходя через тот же процесс: сначала понимает проблему, проверяет транзакции, ищет правила, определяет следующий шаг и генерирует ответ. Каждый раз, проверяя систему, результаты возвращаются в модель, и токены расходуются по кругу.

Checkout.com сообщает, что около 60% запросов в службу поддержки — это простые, повторяющиеся вопросы, и компания ожидает, что к 2026 году AI Agent сможет самостоятельно решать более половины объема запросов. Block раскрывает, что около 65% случаев в Cash App уже обрабатываются с помощью AI. Цифры Klarna более конкретны: их AI Assistant обслужил более 4 миллионов клиентов в первой половине 2024 года, и компания ожидает, что сможет сэкономить 40 миллионов долларов в год.

Подсчет токенов, используемых службой поддержки, несложен. Раньше сколько людей обрабатывали сколько заявок, теперь сколько токенов обрабатывают сколько заявок, и в конечном итоге, были ли они переведены на человека или повторно открыты клиентом, все это можно подсчитать.

Отказ от платежей и разрешение споров также аналогичны. Stripe получает множество автоматических писем от финансовых партнеров, которые раньше требовали, чтобы сотрудники просматривали их одно за другим, а затем обрабатывали в системе; теперь LLM может сначала прочитать письма, понять, что нужно, а затем преобразовать запрос в API-вызов. Checkout.com сообщает, что ранее ручная обработка отклоненных транзакций теперь полностью автоматизирована.

Эти задачи могут показаться не такими грандиозными, как "AI меняет финансы", но они требуют много времени и идеально подходят для расходования токенов.

Когда AI начинает говорить, глядя на ваши активы

Большинство упомянутых AI клиенты в основном не видят. Они скрываются за кодом, проверками и системами поддержки. Robinhood Cortex отличается тем, что он напрямую появляется на телефонах инвесторов.

Когда пользователь открывает акцию, Cortex читает текущие котировки, срочные новости, отчеты аналитиков, технические индикаторы и данные Robinhood, а затем объясняет простым языком: почему эта акция сегодня растет или падает. Он также учитывает активы пользователя и объясняет, почему эта новость имеет отношение к его счету.

Robinhood сообщает, что Cortex Digests к первому кварталу 2026 года использовался почти 1 миллионом клиентов. В следующем шаге он хочет позволить пользователям напрямую использовать естественный язык для покупки и продажи акций и криптоактивов, исследования рынка и настройки учетных записей.

На этом этапе токены расходуются не только сотрудниками компании. Каждый раз, когда пользователь задает вопрос, Cortex читает новости и исследования, и каждый раз, когда он пересматривает объяснение с учетом личных активов, контекст обрабатывается заново.

Действительная проблема заключается в том, что как только AI начинает выполнять операции от имени пользователя, цена ошибки становится совершенно иной. Если новость была неправильно интерпретирована, пользователь может просто быть введен в заблуждение; если акция куплена неправильно, это может стоить реальных денег. Поэтому Robinhood также установил для Cortex красные линии: что можно видеть, что можно говорить, какие действия должны быть подтверждены пользователем.

Триллион токенов в год — это какой уровень для AI-компании?

Сначала взглянем на Adyen: около 1400 разработчиков, которые за год используют триллион токенов, в среднем по 710 миллионов на человека. Если считать по 250 рабочих дней, это примерно 2.86 миллиона токенов на человека в день. Это уже не случайное использование AI для добавления нескольких строк кода, а постоянная работа с агентом.

Но если поместить эту цифру в индустрию AI, единицы измерения быстро меняются.

Продукт Manus запущен всего несколько месяцев, но уже обработал более 147 триллионов токенов, что эквивалентно 147 годам работы Adyen. OpenRouter сейчас маршрутизирует 100 триллионов токенов в месяц, что равно годовому объему работы 100 Adyen. Конечно, это платформы, ориентированные на большое количество клиентов, и их нельзя напрямую сравнивать с внутренними инженерными командами одной компании, но разница в масштабах очевидна.

Посмотрим на компанию, более похожую на обычную, Prosus, которая управляет множеством бизнесов в области электронной коммерции и интернета, AI Agent обслуживает 40 тысяч сотрудников, 5 миллионов партнеров и 1 миллиард пользователей. Она использует 82 триллиона токенов в месяц, что примерно соответствует годовому объему Adyen каждые четыре дня. За последний год ее использование токенов увеличилось в 52 раза.

OpenAI не раскрывает, сколько токенов она тратит за год, но она показала, насколько много могут тратить исследователи. К августу 2026 года средняя стоимость вычислений, используемых одним исследователем в день, по ценам API, уже превышает 600 долларов. У самых продуктивных 10% эта сумма превышает 7000 долларов в день. Если считать по 250 рабочих дней в году, один человек тратит 150 тысяч долларов, а активные пользователи — 1.75 миллиона долларов.

Anthropic более прямолинеен: они считают не деньги, а то, кто работает дольше. К августу 2026 года агенты под управлением сотрудников уже работают в 6 раз дольше, чем люди. Большинство токенов уходит на написание программного обеспечения, в результате чего средняя скорость подачи кода каждым инженером увеличилась в 5 раз за полгода.

Manus тоже близок к этому. Соучредитель Чжан Тао говорит, что в компании был месяц, когда средние расходы на AI превышали 10 тысяч долларов на человека, а некоторые могли тратить 70-80 тысяч долларов в месяц. Здесь не все расходы связаны с токенами, но смысл ясен: они уже не просто иногда спрашивают AI, а работают с группой агентов одновременно.

Таким образом, триллион токенов — это и много, и мало. По сравнению с AI-платформами это всего лишь капля в море; но для платежной компании это 1 триллион, который распределяется между примерно 1400 разработчиками, не считая службы поддержки, комплаенса, управления рисками и AI для клиентов. С этой точки зрения, подготовка Adyen к 100 триллионам токенов в год не кажется преувеличением.

Токены можно тратить, но счета все равно нужно считать.

Триллион токенов не равен фиксированному счету, так как цены на разные модели могут различаться в сто раз. Согласно стандартным ценам API, опубликованным OpenAI 28 октября 2026 года, предположим, что 80% из триллиона токенов — это входные данные, а 20% — выходные: если использовать только GPT-6 Luna, теоретические расходы составят около 180 тысяч долларов; если использовать только GPT-6 Astra, теоретические расходы составят около 18 миллионов долларов.

Adyen на самом деле использует множество различных моделей, а также имеет свою инфраструктуру вывода, семантическую маршрутизацию и корпоративные цены, поэтому реальный счет определенно не так прост. Одна и та же триллион токенов может быть очень дешевой или очень дорогой. Большие расходы не означают, что использование было эффективным.

После исчерпания токенов компании все равно придется ответить на несколько простых вопросов: сколько кода было написано без ошибок? Сколько нормальных торговцев было ошибочно оценено? Сколько запросов в службу поддержки было решено без повторного обращения к человеку? При обработке отказов от платежей, были ли правильные материалы переданы правильным людям?

Есть еще один вопрос, который важнее стоимости: на каком этапе AI может помочь? Помогать службе поддержки искать информацию — это не слишком рискованно; помогать инженерам писать код, проводить тесты и делать ревью — это тоже приемлемо; но если позволить агенту напрямую перемещать средства, замораживать счета или отклонять торговцев, цена ошибки становится совершенно иной.

По крайней мере, на данный момент платежные компании не будут задавать каждый платеж большому модели. Более реалистичное распределение задач: бухгалтерия продолжает вести учет, правила и специализированные модели продолжают оценивать транзакции, большая модель отвечает за чтение, написание кода, поиск информации и обработку исключений, а люди остаются на тех позициях, где ошибки стоят дороже.

Деньги текут, токены тоже.

Конец текста

Содержимое этой статьи является лишь личными наблюдениями и размышлениями и не является инвестиционным или коммерческим советом. Пожалуйста, читатели, учитывайте свои собственные понимания и источники информации.