Một nghìn tỷ Token mỗi năm, AI của công ty thanh toán đang làm gì?

CTO của Adyen cho biết, công ty có khoảng 1,400 nhà phát triển, mỗi năm tiêu tốn khoảng một nghìn tỷ Token. Trong ba tháng qua, con số này đã tăng gấp bốn lần, Adyen đã bắt đầu chuẩn bị cho việc tiêu thụ một trăm nghìn tỷ Token trong một năm.

Token của họ đã tiêu vào đâu? Để làm gì?

Một nghìn tỷ Token của Adyen chủ yếu là do đội ngũ kỹ sư tiêu tốn, còn nhìn sang các công ty thanh toán khác, Token cũng được chi cho việc kiểm tra thương nhân, trả lời dịch vụ khách hàng, xử lý từ chối thanh toán, đọc email và điều tra bất thường.

Tiền như nước chảy, Token cũng vậy.

Người ngồi đó không động đậy, Token vẫn cứ chạy

Trong 90 ngày qua, AI đã chỉnh sửa khoảng 1 triệu tài liệu tại Adyen, tham gia hoàn thành 20,000 lần commit Git. Số lượng merge request trung bình của công ty đã tăng 48%, các kỹ sư tự ước tính, AI đã giúp họ tiết kiệm khoảng 15% thời gian. Adyen cho rằng số tiền chi cho Token đã mang lại khoảng hai lần lợi tức.

Họ đã đưa ra một ví dụ, Adyen có một nhóm phụ trách yêu cầu thanh toán, đối chiếu và báo cáo tổ chức thẻ trong hệ thống thanh toán, trong đó có khoảng 2,000 nhiệm vụ sản xuất, liên quan đến hơn bốn mươi tổ chức thẻ. Hệ thống cũ đã được gộp lại trong một hình ảnh triển khai lớn, Adyen muốn tách nó ra, để mỗi tổ chức thẻ có hình ảnh độc lập của riêng mình.

Theo cách làm trước đây, dự án này cần huy động nhiều đội ngũ, mất từ 6 đến 12 tháng. Cuối cùng, hai kỹ sư phối hợp với AI đã hoàn thành trong hai tháng, và không xảy ra sự cố nào.

Đó có lẽ là cách mà Coding Agent tiêu tốn Token. Nó không chỉ giúp bạn bổ sung hai dòng mã rồi đi, mà còn phải đọc mã, đọc tài liệu, tìm phụ thuộc, chạy thử nghiệm; sau khi thử nghiệm thất bại, lại đọc lỗi, sửa mã, chạy lại. Một người mở nhiều Agent cùng lúc, chúng sẽ liên tục lặp lại những quá trình này ở phía sau. Người ngồi đó không động đậy, Token vẫn cứ chạy.

Stripe cũng đã nói rằng 91% kỹ sư của họ đã sử dụng AI trong công việc hàng ngày (không biết 9% còn lại tại sao chưa bị sa thải), Coding Agent nội bộ minion mỗi tuần sẽ gửi hơn 1,000 PR vào môi trường sản xuất. Chỉ riêng tháng 3 năm 2026, Stripe đã có hơn 57,000 PR sử dụng AI Coding Assistance, tăng 140% trong ba tháng.

Block cũng tương tự, khoảng 7,500 nhân viên sử dụng AI mỗi tuần, hơn 90% mã được gửi có sự tham gia của AI, số lượng thay đổi mã trung bình mỗi tuần tăng 30%.

Hiện tại, một khoản hóa đơn Token lớn đến từ bộ phận kỹ thuật của các công ty thanh toán. Ngành thanh toán sử dụng AI không chỉ để viết mã mới từ con số không, mà ứng dụng thực tế hơn là giúp con người vượt qua những khó khăn. Hệ thống thanh toán quá lớn, mã lịch sử quá nhiều, còn phải tương thích với ngân hàng, tổ chức thẻ và các phương thức thanh toán ở nhiều nơi. Trước đây, những phức tạp này chủ yếu tiêu tốn thời gian của kỹ sư, giờ AI cũng được kéo vào cùng làm, tiêu tốn là Token.

Tìm tài liệu, viết quảng cáo, đọc hợp đồng, đều đang tiêu tốn Token

Việc viết mã chỉ là một phần trong việc sử dụng AI nội bộ của công ty. Một Fintech có quy mô hơi lớn, mỗi ngày còn rất nhiều thời gian tiêu tốn vào việc tìm tài liệu: Chính sách hoàn phí ở đâu? Dữ liệu này thuộc đội nào? Quyền truy cập vào một hệ thống nào đó xin ở đâu? Nghỉ phép nên tìm ai? Công ty càng lớn, tài liệu càng nhiều; tài liệu càng nhiều, càng dễ tìm không ra.

Nubank có khoảng 9,000 nhân viên, các đội khác nhau để quy trình và tài liệu của mình trên Confluence. Khi nhân viên gặp vấn đề, có thể phải tự lật tìm nửa giờ; nếu thực sự không tìm ra, thì mở một phiếu công việc, chờ vài giờ. Nubank sau đó đã tạo ra một công cụ nội bộ gọi là AskNu, nhân viên có thể hỏi trực tiếp trên Slack. AskNu sẽ xác định vấn đề thuộc về bộ phận nào, sau đó tìm câu trả lời trong tài liệu Confluence tương ứng, cuối cùng được mô hình lớn tổng hợp thành một đoạn phản hồi và kèm theo liên kết gốc.

Sau sáu tháng ra mắt, AskNu đã có 5,000 người dùng, xử lý 280,000 tin nhắn. Nubank cho biết, nó đã giảm 96% một số phiếu công việc nội bộ. Những vấn đề trước đây có thể mất 30 phút để tìm, hoặc phải chờ 8 giờ để mở phiếu công việc, giờ trung bình chỉ mất 9 giây để nhận được câu trả lời.

AskNu không trực tiếp giúp khách hàng chuyển khoản, cũng không xử lý thêm một giao dịch nào, nhưng sẽ liên tục đọc câu hỏi, tìm kiếm tài liệu, tổng hợp câu trả lời. Mỗi người trong công ty mỗi ngày hỏi vài lần, Token cứ thế tích tụ dần.

Đội ngũ nội dung cũng tương tự. Chime đã đặt cho mô hình nội dung nội bộ của mình một cái tên rất rõ ràng: ChimeGPT. Họ cũng đã tạo ra một "brand brain", đưa vào những câu chuyện thương hiệu, phản hồi của người dùng, hiệu quả hoạt động và thảo luận trong cộng đồng trước đây. Đội ngũ tiếp thị sử dụng nó để tạo ra các phiên bản nội dung khác nhau và quy trình onboarding cá nhân hóa, sau đó trải qua kiểm tra thương hiệu, pháp lý và tuân thủ.

Chime tiết lộ, sản lượng nội dung của đội ngũ nội bộ đã tăng hơn 300% so với năm trước, thời gian sản xuất giảm 60%. Trước đây từ ý tưởng đến chiến dịch mất mười giờ làm việc, giờ chỉ khoảng bốn giờ có thể hoàn thành, số lượng thử nghiệm tăng gấp ba lần. Dữ liệu tổ chức của Klarna cũng rất thú vị: 90% nhân viên sử dụng AI sinh tạo hàng ngày, tỷ lệ sử dụng của đội ngũ truyền thông, tiếp thị và pháp lý lần lượt đạt 93%, 88% và 86%.

Viết mã sẽ tiêu tốn Token, viết quảng cáo, dịch tài liệu, tóm tắt cuộc họp, đọc hợp đồng, trả lời câu hỏi của đồng nghiệp cũng sẽ.

"Đầm màu champagne", không có nghĩa là bán rượu

Các công ty thanh toán mỗi ngày đều làm một việc có phần giống như kiểm tra hộ khẩu: Người này là ai? Bán cái gì? Chúng ta có dám để họ vào thu tiền không?

Thương nhân tất nhiên sẽ không tự giác giới thiệu bản thân theo mẫu của công ty thanh toán. Dữ liệu rải rác trên trang web chính thức, trang sản phẩm, tài liệu đăng ký và tin tức, còn có thể được viết bằng các ngôn ngữ khác nhau. Hệ thống trước đây không có nhiều kiên nhẫn, cách đơn giản nhất là kiểm tra từ khóa.

Airwallex đã đưa ra một ví dụ rất hài hước. Một thương nhân bán "áo khoác kiểu quân đội", hệ thống thấy từ military, có thể nghi ngờ họ đang bán hàng quân sự cấm; một thương nhân khác viết "đầm màu champagne", hệ thống thấy champagne, lại có thể coi họ là người bán rượu.

Người ta chỉ cần nhìn một cái là biết, áo khoác kiểu quân đội không phải là vũ khí, đầm màu champagne cũng không có champagne. Nhưng từ khóa không hiểu màu sắc, cũng không hiểu thời trang, nó chỉ biết từ này có vẻ hơi nguy hiểm.

Đây chính là việc mà mô hình lớn có thể làm tốt: đừng chỉ nhìn vào một từ, trước tiên hãy đọc nội dung xung quanh, rồi xem thương nhân thực sự đang bán cái gì. Airwallex cho biết, khi đưa AI sinh tạo vào KYC, tỷ lệ báo động sai trung bình đã giảm 50%, số lượng khách hàng có thể hoàn thành onboarding mà không cần can thiệp của con người đã tăng 20%.

Stripe cũng bắt đầu sử dụng LLM trong việc onboarding thương nhân từ năm 2023. Nó không phải là để mô hình lớn phê duyệt tất cả thương nhân, mà là xử lý thông tin mở, phi cấu trúc trước, nhanh chóng chuyển những đơn đăng ký rõ ràng đáp ứng yêu cầu. Hơn 80% "thương nhân có thể hỗ trợ" của Stripe có thể tự động thông qua ngay lập tức. Chính sách xem xét của Checkout.com đã giảm từ 60 phút xuống còn 10 phút.

Trước đây, nhân viên phải tự mở trang web, đọc tài liệu, kiểm tra chính sách, viết kết luận, giờ đã chuyển sang mô hình lớn đọc một lượt trước, chọn ra những phần cần con người xem. Số Token tiêu tốn ở đây, đổi lại là ít báo động sai hơn, nhanh hơn trong việc mở tài khoản, và giúp nhân viên nội bộ ít phải xem những tài liệu không có vấn đề gì.

Một cốc cà phê năm đô la, cũng phải qua một lần tài chính

Các công ty thanh toán giúp người khác xử lý tiền, bên trong cũng phải hoàn phí, kiểm tra chi phí, theo dõi hóa đơn và làm sổ sách. Đây có thể là một loại sản phẩm AI Fintech ít được chú ý nhất. Nhân viên quẹt thẻ công ty mua một cốc cà phê, sau đó có thể phải tải lên hóa đơn, bổ sung mục đích, chọn loại chi phí; quản lý phải xác nhận có phải vì công việc không, tài chính còn phải kiểm tra chính sách, làm mã kế toán, rồi đồng bộ vào ERP. Số tiền có thể chỉ năm đô la, nhưng chi phí nhân lực để xử lý nó lại cao hơn.

Ramp đã tạo ra một Policy Agent, chuyên kiểm tra loại chi phí này. Nó sẽ kiểm tra xem hóa đơn và giao dịch có khớp nhau không, có báo cáo chi phí trùng lặp không, mục đích có viết rõ không, có vi phạm chính sách công ty không, và nhân viên gần đây có chi tiêu bất thường không. Những chi phí phù hợp với chính sách có thể tự động đề xuất thông qua, những vấn đề sẽ được chuyển cho người. Ramp cho biết, khách hàng ban đầu đã giảm khoảng 85% việc kiểm tra thủ công, tỷ lệ thực hiện chính sách chi phí vượt quá 99%, quyền phê duyệt cuối cùng vẫn thuộc về người kiểm tra.

Brex Assistant làm những việc còn tỉ mỉ hơn. Nó sẽ tự động tìm hóa đơn, viết memo, điền loại chi phí và người tham dự, khi gặp chi phí không hợp lệ, còn chủ động hỏi nhân viên. Brex đã đưa ra một ví dụ: hóa đơn có thể không ghi "rượu", chỉ ghi "vodka". Quy tắc từ khóa trước đây không nhất thiết nhận ra, nhưng mô hình lớn biết vodka cũng được coi là rượu.

Loại công việc này rất phù hợp để dùng Token đổi lấy thời gian.

Nhà phân tích AML, phần lớn thời gian không phải để bắt kẻ xấu

Các công ty thanh toán mỗi ngày sẽ phát sinh một lượng lớn cảnh báo rủi ro. Giao dịch thực sự đáng ngờ có thể không nhiều, nhưng mỗi cảnh báo đều cần có người mở ra, kiểm tra thông tin khách hàng, xem giao dịch lịch sử, kiểm tra tài khoản liên quan, rồi viết một đoạn lý do tại sao đóng hoặc tại sao nâng cấp điều tra. Thời gian của nhiều nhà phân tích AML không phải dành để bắt kẻ xấu, mà là để chứng minh rằng người này tạm thời không có vẻ là kẻ xấu.

Nexo sử dụng AI Agent của Unit21 để thực hiện việc xem xét cảnh báo ban đầu. Agent sẽ tổng hợp thông tin giao dịch và tài khoản, phân tích mối quan hệ giữa các địa chỉ, tạo ra tóm tắt điều tra và ý kiến xử lý. Các nhà phân tích không còn bắt đầu từ một trang trắng, mà là kiểm tra tài liệu và kết luận mà AI cung cấp.

Trong nghiên cứu trường hợp được công bố giữa Unit21 và Nexo, cho biết tỷ lệ báo động sai của Nexo đã giảm 93% so với hệ thống nội bộ trước đây, hiện tại 57% việc xem xét cảnh báo đã được AI tự động hoàn thành, mục tiêu là nâng cao lên 80%. Bộ số liệu này cần phải đặt trong ngoặc: nó đến từ các trường hợp được công bố chung giữa nhà cung cấp và khách hàng, không phải là kết quả kiểm toán độc lập; Unit21 cũng không công bố mỗi lần điều tra tiêu tốn bao nhiêu Token.

Tuy nhiên, trường hợp này đã nói rõ AI có thể làm gì trong AML: máy móc tìm tài liệu, vẽ ra mối quan hệ, viết tốt câu chuyện; con người sẽ đánh giá xem nó có thực sự đáng ngờ hay không, và có cần báo cáo cho cơ quan quản lý hay không.

Khách hàng chỉ hỏi một câu: "Tiền của tôi đâu?"

Dịch vụ khách hàng của công ty thanh toán, đôi khi không chỉ đơn giản là "giúp tôi thay đổi mật khẩu". Khi khách hàng hỏi "tại sao tiền vẫn chưa vào tài khoản", có thể liên quan đến ngân hàng thu tiền, tổ chức thẻ, ngân hàng phát hành, chuyển đổi tiền tệ, chu kỳ thanh toán, trạng thái hoàn tiền và hạn chế tài khoản. Nhân viên hỗ trợ phải kiểm tra nhiều hệ thống khác nhau, sau đó ghép lại những thông tin đã tìm được, mới có thể trả lời một câu rõ ràng.

AI Agent làm việc này cũng phải trải qua cùng một quy trình: trước tiên hiểu vấn đề, tra cứu giao dịch, tìm kiếm quy tắc, xác định bước tiếp theo, rồi mới tạo ra phản hồi. Mỗi lần kiểm tra hệ thống, kết quả đều phải gửi lại cho mô hình, Token cứ thế tiêu hao từng vòng một.

Checkout.com cho biết, khoảng 60% yêu cầu dịch vụ khách hàng là những câu hỏi đơn giản, lặp đi lặp lại, công ty dự đoán đến năm 2026 AI Agent có thể tự giải quyết hơn một nửa khối lượng dịch vụ khách hàng. Block tiết lộ, khoảng 65% trường hợp dịch vụ khách hàng của Cash App đã sử dụng AI. Số liệu của Klarna còn trực tiếp hơn: Trợ lý AI của họ đã phục vụ hơn 4 triệu khách hàng trong nửa đầu năm 2024, công ty dự đoán mỗi năm có thể tiết kiệm 40 triệu đô la.

Công thức tính toán Token của dịch vụ khách hàng không khó. Trước đây bao nhiêu người xử lý bấy nhiêu đơn, giờ bao nhiêu Token xử lý bấy nhiêu đơn, cuối cùng có chuyển sang nhân viên hay không, có bị khách hàng mở lại hay không, đều có thể đếm ra.

Việc từ chối thanh toán và xử lý tranh chấp cũng tương tự. Stripe sẽ nhận được rất nhiều email tự động từ các đối tác tài chính, trước đây cần nhân viên xem từng email một, rồi vào hệ thống xử lý; giờ LLM có thể đọc email trước, hiểu đối phương cần gì, rồi chuyển yêu cầu thành cuộc gọi API. Checkout.com cũng cho biết, việc phân phối giao dịch bị từ chối trước đây dựa vào con người đã đạt 100% tự động hóa.

Những công việc này nghe có vẻ không "AI thay đổi tài chính" lớn lao, nhưng chúng rất tốn thời gian và cũng rất phù hợp để tiêu hao Token.

Khi AI bắt đầu nói chuyện với bạn về danh mục đầu tư của bạn

Những AI đã nói ở trên, phần lớn khách hàng không nhìn thấy. Chúng ẩn mình sau mã nguồn, quy trình kiểm tra và hệ thống dịch vụ khách hàng. Robinhood Cortex thì khác, nó xuất hiện trực tiếp trên điện thoại của nhà đầu tư.

Người dùng mở một cổ phiếu, Cortex sẽ đọc tình hình thị trường theo thời gian thực, tin tức đột phá, báo cáo phân tích, chỉ số kỹ thuật và dữ liệu của chính Robinhood, sau đó giải thích bằng ngôn ngữ dễ hiểu: tại sao cổ phiếu này hôm nay tăng, hoặc tại sao giảm. Nó còn kết hợp với danh mục đầu tư của người dùng, cho biết tin tức này liên quan đến tài khoản của họ như thế nào.

Robinhood tiết lộ, Cortex Digests đã được gần 1 triệu khách hàng sử dụng tính đến quý đầu tiên năm 2026. Bước tiếp theo, nó còn muốn để người dùng trực tiếp sử dụng ngôn ngữ tự nhiên để mua bán cổ phiếu và tài sản tiền điện tử, nghiên cứu thị trường, điều chỉnh cài đặt tài khoản.

Đến đây, người tiêu tốn Token không chỉ là nhân viên công ty. Mỗi khi người dùng hỏi một câu, Cortex đọc một tin tức và báo cáo nghiên cứu, mỗi lần kết hợp lại với danh mục đầu tư cá nhân để giải thích lại, đều phải xử lý lại ngữ cảnh.

Vấn đề thực sự là, một khi AI bắt đầu thực hiện thao tác thay cho người dùng, giá phải trả khi mắc lỗi sẽ khác. Nếu tin tức sai, người dùng có thể chỉ bị hiểu lầm; nhưng nếu mua cổ phiếu sai, thiệt hại có thể là tiền thật. Vì vậy, Robinhood cũng đã vạch ra ranh giới cho Cortex: có thể xem gì, có thể nói gì, những thao tác nào phải do người dùng tự xác nhận.

Một nghìn tỷ Token, trong công ty AI thì mức độ như thế nào?

Trước tiên nhìn vào Adyen, khoảng 1.400 nhà phát triển, một năm tiêu tốn 1 nghìn tỷ Token, trung bình mỗi người một năm 710 triệu. Nếu tính theo 250 ngày làm việc, thì mỗi người mỗi ngày khoảng 2,86 triệu Token. Điều này không còn chỉ là thỉnh thoảng để AI bổ sung vài dòng mã, mà là cả ngày mở Agent làm việc.

Nhưng khi đưa con số này vào ngành AI, đơn vị đo lường nhanh chóng thay đổi.

Sản phẩm của Manus ra mắt vài tháng, đã xử lý hơn 147 nghìn tỷ Token, tương đương với lượng của Adyen trong 147 năm. OpenRouter bây giờ mỗi tháng định tuyến 100 nghìn tỷ Token, tương đương với việc tiêu tốn 100 lần lượng sử dụng cả năm của Adyen mỗi tháng. Tất nhiên, đây đều là những nền tảng phục vụ nhiều khách hàng, không thể so sánh trực tiếp với đội ngũ kỹ sư nội bộ của một công ty, nhưng sự chênh lệch về quy mô thì rất rõ ràng.

Xem một công ty giống như công ty bình thường hơn, Prosus sở hữu nhiều doanh nghiệp thương mại điện tử và internet, AI Agent phục vụ 40.000 nhân viên, 5 triệu đối tác và 1 tỷ người dùng. Nó tiêu tốn 82 nghìn tỷ Token mỗi tháng, gần như hoàn thành lượng sử dụng cả năm của Adyen trong khoảng bốn ngày. Trong năm qua, lượng sử dụng Token của nó đã tăng 52 lần.

OpenAI không nói rõ một năm tiêu tốn bao nhiêu Token, nhưng họ công bố các nhà nghiên cứu có thể tiêu tốn bao nhiêu. Đến tháng 8 năm 2026, sức mạnh tính toán mà một nhà nghiên cứu sử dụng mỗi ngày, theo giá API, trung vị đã vượt quá 600 đô la. 10% sử dụng nhiều nhất, mỗi ngày tiêu tốn hơn 7.000 đô la. Nếu tính theo một năm làm việc 250 ngày, một người sẽ là 150.000 đô la, người dùng nặng sẽ là 1,75 triệu đô la.

Anthropic thì trực tiếp hơn, họ không tính tiền, mà tính ai làm lâu hơn. Đến tháng 8 năm 2026, thời gian làm việc của những Agent dưới tay nhân viên đã gấp 6 lần con người. Phần lớn Token đều được dùng để viết phần mềm, kết quả là tốc độ gửi mã của mỗi kỹ sư trung bình đã tăng lên 5 lần trong nửa năm.

Manus cũng tương tự. Đồng sáng lập Trương Thao cho biết, công ty từng có một tháng, trung bình mỗi người tiêu tốn hơn 10.000 đô la cho AI, một số ít người có thể tiêu tốn từ 70.000 đến 80.000 đô la trong một tháng. Trong số này không hoàn toàn là phí Token, nhưng ý nghĩa rất rõ ràng: họ không còn chỉ thỉnh thoảng hỏi AI, mà một người cùng lúc dẫn dắt một nhóm Agent làm việc.

Vì vậy, một nghìn tỷ Token vừa lớn vừa nhỏ. So với nền tảng AI, nó chỉ là một phần nhỏ; nhưng đối với một công ty thanh toán, con số 1 nghìn tỷ này chỉ xảy ra ở khoảng 1.400 nhà phát triển, chưa tính đến dịch vụ khách hàng, tuân thủ, kiểm soát rủi ro và AI phục vụ khách hàng. Nhìn từ góc độ này, việc Adyen chuẩn bị cho một năm 100 nghìn tỷ Token không phải là điều quá đáng.

Token có thể tiêu tốn, nhưng vẫn phải tính toán

Một nghìn tỷ Token cũng không tương đương với một hóa đơn cố định, giá của các mô hình khác nhau có thể chênh lệch đến một trăm lần. Theo giá API mà OpenAI công bố vào ngày 28 tháng 10 năm 2026, giả sử trong một nghìn tỷ Token có 80% là đầu vào, 20% là đầu ra: nếu sử dụng hoàn toàn GPT-6 Luna, chi phí lý thuyết khoảng 180.000 đô la; nếu sử dụng hoàn toàn GPT-6 Astra, chi phí lý thuyết khoảng 18 triệu đô la.

Adyen thực tế đã sử dụng nhiều mô hình khác nhau, cũng có cơ sở hạ tầng suy diễn riêng, định tuyến ngữ nghĩa và giá doanh nghiệp, hóa đơn thực tế chắc chắn không đơn giản như vậy. Cùng là một nghìn tỷ Token, có thể rất rẻ, cũng có thể rất đắt. Tiêu tốn nhiều không có nghĩa là sử dụng tốt.

Sau khi Token tiêu tốn hết, công ty vẫn phải trả lời một số câu hỏi rất đơn giản: đã hoàn thành bao nhiêu mã không có sự cố? đã giảm thiểu bao nhiêu sai sót với các thương nhân bình thường? đã giải quyết bao nhiêu đơn dịch vụ khách hàng mà không cần chuyển sang nhân viên? khi xử lý từ chối thanh toán, có giao đúng tài liệu cho đúng người không?

Còn một câu hỏi quan trọng hơn cả chi phí: AI có thể làm đến bước nào? Giúp dịch vụ khách hàng tra cứu tài liệu, rủi ro không quá cao; giúp kỹ sư viết mã, còn có thể chạy thử nghiệm, làm review; nhưng nếu để Agent trực tiếp chuyển tiền, đóng băng tài khoản, từ chối thương nhân, giá phải trả khi mắc lỗi sẽ hoàn toàn khác.

Ít nhất hiện tại, các công ty thanh toán sẽ không đưa mỗi giao dịch đi hỏi một lần mô hình lớn. Phân công thực tế hơn là: sổ cái tiếp tục ghi chép, quy tắc và mô hình chuyên dụng tiếp tục xác định giao dịch, mô hình lớn chịu trách nhiệm đọc, viết mã, tra cứu tài liệu và xử lý ngoại lệ, con người giữ lại những vị trí đắt đỏ sau khi xảy ra lỗi.

Tiền như dòng nước, Token cũng vậy.

Hết bài

Nội dung bài viết chỉ là quan sát và suy nghĩ cá nhân, không cấu thành bất kỳ lời khuyên đầu tư hoặc thương mại nào. Xin độc giả kết hợp hiểu biết và nguồn thông tin của bản thân để tham khảo một cách lý trí.