هوش مصنوعی شرکت پرداخت سالانه با یک تریلیون توکن چه کاری انجام می‌دهد؟

سرپرست فناوری Adyen اعلام کرد شرکت حدود ۱۴۰۰ توسعه‌دهنده دارد که سالانه تقریباً یک تریلیون توکن مصرف می‌کنند. در سه ماه گذشته این عدد چهار برابر شده و Adyen آماده‌سازی برای مصرف سالانه صد تریلیون توکن را آغاز کرده است.

هزینه توکن‌ها به کجا می‌رود؟ چه کاری انجام می‌شود؟

تریلیون توکن Adyen عمدتاً توسط تیم مهندسی مصرف می‌شود. در سایر شرکت‌های پرداخت نیز توکن‌ها برای بررسی فروشندگان، پاسخ به خدمات مشتریان، رسیدگی به اعتراضات پرداخت، خواندن ایمیل‌ها و بررسی ناهنجاری‌ها هزینه می‌شوند.

پول مانند آب جریان دارد و توکن‌ها نیز همین‌طور.

افراد بی‌حرکت می‌نشینند، ولی توکن‌ها همچنان در حال اجرا هستند.

در ۹۰ روز گذشته، هوش مصنوعی Adyen حدود یک میلیون سند را ویرایش کرده و در ۲۰۰۰۰ ادغام کد (Git commit) شرکت کرده است. میانگین درخواست‌های ادغام شرکت ۴۸٪ افزایش یافته و مهندسان تخمین زده‌اند که هوش مصنوعی حدود ۱۵٪ از زمان آن‌ها را ذخیره کرده است. Adyen معتقد است هزینه توکن‌ها احتمالاً بازدهی دو برابری داشته است.

آن‌ها مثالی ارائه کردند: سیستم پرداخت پس‌زمینه Adyen مسئول صورتحساب، تطبیق و گزارش‌دهی سازمان‌های کارت است و شامل حدود ۲۰۰۰ وظیفه تولیدی با بیش از ۴۰ سازمان کارت می‌شود. سیستم اصلی در یک تصویر بزرگ استقرار یافته بود و Adyen قصد داشت آن را تقسیم کند تا هر سازمان کارت تصویر مستقل خود را داشته باشد.

بر اساس روش‌های قبلی، این پروژه نیازمند چند تیم و ۶ تا ۱۲ ماه زمان بود. در نهایت دو مهندس با کمک هوش مصنوعی آن را در دو ماه و بدون هیچ حادثه‌ای انجام دادند.

این تقریباً نحوه مصرف توکن توسط عامل کدنویسی است. این عامل فقط چند خط کد را تکمیل نمی‌کند؛ بلکه ابتدا کد را می‌خواند، مستندات را بررسی می‌کند، وابستگی‌ها را پیدا می‌کند و تست‌ها را اجرا می‌کند. اگر تست‌ها شکست بخورند، پیام‌های خطای را می‌خواند، کد را اصلاح می‌کند و دوباره اجرا می‌کند. وقتی فرد چندین عامل را همزمان باز می‌کند، این فرآیندها به‌صورت پس‌زمینه‌ای و مداوم تکرار می‌شوند. افراد بی‌حرکت می‌نشینند، ولی توکن‌ها همچنان در حال اجرا هستند.

استرایپ نیز اعلام کرده که ۹۱٪ از مهندسانش از هوش مصنوعی در کار روزانه استفاده می‌کنند (مشخص نیست چرا ۹٪ باقی‌مانده اخراج نشده‌اند). عامل داخلی کدنویسی استرایپ هفتگی بیش از ۱۰۰۰ درخواست ادغام (PR) به محیط تولید ارسال می‌کند. تنها در مارس ۲۰۲۶، استرایپ بیش از ۵۷۰۰۰ درخواست ادغام با کمک هوش مصنوعی داشت که نسبت به سه ماه پیش ۱۴۰٪ رشد داشته است.

بلوک نیز مشابه است: حدود ۷۵۰۰ کارمند هفتگی از هوش مصنوعی استفاده می‌کنند و بیش از ۹۰٪ از ارسال‌های کد شامل مشارکت هوش مصنوعی است و میانگین تغییرات کد هفتگی ۳۰٪ افزایش یافته است.

در حال حاضر به نظر می‌رسد بخش عمده‌ای از صورتحساب توکن شرکت‌های پرداخت از بخش مهندسی ناشی می‌شود. استفاده از هوش مصنوعی در صنعت پرداخت فقط نوشتن کد جدید از صفر نیست؛ کاربرد واقع‌بینانه‌تر، کمک به انسان‌ها در بالا رفتن از کوه پیچیدگی است. سیستم‌های پرداخت گسترده‌اند، کد قدیمی زیادی دارند و باید با بانک‌ها، سازمان‌های کارت و روش‌های پرداخت مختلف سازگار باشند. قبلاً این پیچیدگی عمدتاً زمان مهندسان را مصرف می‌کرد، اما اکنون هوش مصنوعی نیز برای کمک جذب شده و توکن مصرف می‌کند.

جستجوی اسناد، نوشتن تبلیغات و خواندن قراردادها همه توکن مصرف می‌کنند.

نوشتن کد تنها بخشی از نحوه استفاده داخلی شرکت‌ها از هوش مصنوعی است. یک شرکت فین‌تک کمی بزرگ‌تر روزانه زمان زیادی صرف جستجوی اطلاعات می‌کند: سیاست بازپرداخت کجاست؟ این داده را کدام تیم مدیریت می‌کند؟ برای دریافت مجوز سیستم خاصی کجا اقدام کنم؟ برای مرخصی با چه کسی تماس بگیرم؟ هرچه شرکت بزرگ‌تر باشد، اسناد بیشتری وجود دارد؛ و هرچه اسناد بیشتر باشد، گم‌شدن آسان‌تر است.

نوبانک حدود ۹۰۰۰ کارمند دارد و تیم‌های مختلف فرآیندها و اسناد خود را در کانفلوئنس قرار می‌دهند. وقتی کارمندان با مشکلی مواجه می‌شوند، ممکن است نیم‌ساعت جستجو کنند؛ و اگر همچنان پاسخی پیدا نکنند، تیکت ثبت کرده و چند ساعت منتظر پاسخ بمانند. نوبانک بعداً ابزار داخلی «AskNu» را ایجاد کرد که کارمندان می‌توانند مستقیماً در اسلک سوال کنند. AskNu ابتدا تعیین می‌کند سوال مربوط به کدام بخش است، سپس در اسناد مربوطه کانفلوئنس جستجو می‌کند و در نهایت با استفاده از یک مدل بزرگ، پاسخ را سازمان‌دهی کرده و لینک اصلی را نیز ارائه می‌دهد.

شش ماه پس از راه‌اندازی، سرویس AskNu به ۵۰۰۰ کاربر رسید و ۲۸۰۰۰۰ پیام را پردازش کرد. نوبانک اعلام کرد که برخی تیکت‌های داخلی را ۹۶٪ کاهش داده است. مشکلاتی که قبلاً ۳۰ دقیقه زمان می‌برد تا پیدا شوند یا نیازمند انتظار ۸ ساعته برای ثبت تیکت بودند، اکنون در میانگین ۹ ثانیه پاسخ دریافت می‌کنند.

AskNu به‌صورت مستقیم در انتقال پول یا پردازش پرداخت‌ها به مشتریان کمک نمی‌کند، بلکه به‌طور مداوم سؤالات را می‌خواند، اسناد را بازیابی می‌کند و پاسخ‌ها را سازماندهی می‌نماید. هر کارمند در شرکت چند بار در روز از آن سؤال می‌پرسد و توکن‌ها به‌تدریج انباشته می‌شوند.

تیم محتوا نیز وضعیت مشابهی دارد. شرکت چایم مدل داخلی محتوای خود را به‌صورت بسیار ساده «چایم‌جی‌پی‌تی» نام‌گذاری کرد. همچنین «مغز برند»‌ای ایجاد کرد که شامل داستان‌های گذشته برند، بازخوردهای کاربران، نتایج کمپین‌ها و بحث‌های جامعه است. تیم بازاریابی از آن برای تولید نسخه‌های مختلف محتوا و فرآیندهای راه‌اندازی شخصی‌سازی‌شده استفاده می‌کند که سپس تحت بررسی‌های برند، حقوقی و انطباق قرار می‌گیرند.

چایم افشا کرد که خروجی محتوای تیم داخلی سالانه بیش از ۳۰۰٪ افزایش یافته و زمان تولید ۶۰٪ کاهش پیدا کرده است. آنچه قبلاً از ایده تا اجرای کمپین ۱۰ ساعت زمان می‌برد، اکنون در حدود ۴ ساعت انجام می‌شود و حجم تست‌ها سه‌برابر شده است. داده‌های سازمانی کلانرا نیز جالب است: ۹۰٪ از کارمندان روزانه از هوش مصنوعی تولیدی استفاده می‌کنند و نرخ استفاده در تیم‌های ارتباطات، بازاریابی و حقوق به‌ترتیب ۹۳٪، ۸۸٪ و ۸۶٪ است.

نوشتن کد، تبلیغات، ترجمه مواد، خلاصه‌سازی جلسات، خواندن قراردادها و پاسخ به سؤالات همکاران، همه مصرف‌کننده توکن هستند.

«لباس رنگ شامپاین» به معنای فروش الکل نیست.

شرکت‌های پرداخت هر روز کاری شبیه بررسی هویت انجام می‌دهند: این شخص کیست؟ دقیقاً چه چیزی می‌فروشد؟ آیا می‌توانیم اجازه ورود و دریافت پول را به او بدهیم؟

تجارت‌کنندگان قطعاً خود را طبق فرم‌های شرکت پرداخت معرفی نمی‌کنند. نشانه‌ها در وب‌سایت‌های رسمی، صفحات محصول، اسناد ثبت‌نام و مقالات خبری پراکنده‌اند و ممکن است به زبان‌های مختلف نوشته شده باشند. سیستم‌های قبلی صبر کافی برای چنین پیچیدگی‌هایی نداشتند و ساده‌ترین روش، بررسی کلمات کلیدی بود.

ایروالکس مثال طنزآمیزی ارائه داد: یک تاجر «ژاکت سبک نظامی» می‌فروشد و سیستم واژه «نظامی» را می‌بیند و ممکن است فرض کند که کالاهای نظامی ممنوعه می‌فروشد؛ تاجر دیگری «لباس رنگ شامپاین» می‌نویسد و سیستم واژه «شامپاین» را می‌بیند و ممکن است فکر کند الکل می‌فروشد.

یک انسان در نگاه اول متوجه می‌شود که ژاکت سبک نظامی سلاح نیست و لباس رنگ شامپاین حاوی شامپاین نیست. اما کلمات کلیدی رنگ یا مد را نمی‌فهمند؛ فقط می‌دانند این واژه کمی خطرناک به نظر می‌رسد.

این دقیقاً کاری است که مدل‌های بزرگ در آن برجسته‌اند: نه تنها روی یک واژه تمرکز می‌کنند، بلکه ابتدا محتوای اطراف را می‌خوانند و سپس تشخیص می‌دهند که تاجر واقعاً چه چیزی می‌فروشد. ایروالکس اعلام کرد که پس از ادغام هوش مصنوعی تولیدی در فرآیند KYC، نرخ خطای مثبت متوسط در فرآیندهای مرتبط ۵۰٪ کاهش یافت و تعداد مشتریانی که می‌توانند بدون مداخله انسانی ثبت‌نام کنند ۲۰٪ افزایش یافت.

استرایپ نیز از سال ۲۰۲۳ برای ثبت‌نام تجارت‌کنندگان از مدل‌های زبانی بزرگ (LLM) استفاده کرده است. این شرکت به مدل بزرگ اجازه نمی‌دهد تمام تجارت‌کنندگان را تأیید کند؛ بلکه ابتدا اطلاعات باز و غیرساختاریافته را پردازش کرده و درخواست‌هایی که به‌وضوح معیارها را دارند را سریعاً عبور می‌دهد. بیش از ۸۰٪ از «تجارت‌کنندگان واجد شرایط» می‌توانند بلافاصله و به‌صورت خودکار تأیید شوند. زمان بررسی سیاست در چک‌آوت.کام از ۶۰ دقیقه به ۱۰ دقیقه کاهش یافته است.

قبلاً کارمندان باید صفحات وب را باز می‌کردند، مواد را می‌خواندند، سیاست‌ها را بررسی می‌کردند و نتیجه‌گیری می‌نوشتند؛ اکنون مدل بزرگ ابتدا مطالب را می‌خواند و بخش‌هایی که نیاز به توجه انسانی دارند را برجسته می‌کند. توکن‌های مصرف‌شده در اینجا به معنای کاهش خطاهای مثبت، سرعت بیشتر در افتتاح حساب‌ها و صرفه‌جویی در زمان کارمندان برای بررسی مواد غیرمشکل‌دار است.

یک فنجان قهوه پنج‌دلاری نیز باید از بخش مالی عبور کند.

شرکت‌های پرداخت به دیگران در مدیریت پول کمک می‌کنند، اما درونی‌شان همچنان نیازمند پرداخت هزینه‌ها، حسابرسی مخارج، تعقیب صورتحساب‌ها و انجام حسابداری هستند. این ممکن است ناشی‌ترین نوع محصول هوش مصنوعی در فین‌تک باشد. وقتی کارمند از کارت شرکتی برای خرید یک فنجان قهوه استفاده می‌کند، ممکن است نیاز باشد رسید را آپلود کند، هدف را مشخص کند و دسته‌بندی هزینه را انتخاب کند؛ مدیران باید تأیید کنند که آیا این هزینه کاری بوده است، بخش مالی باید سیاست را بررسی کند، کدگذاری حسابداری انجام دهد و سپس آن را در ERP همگام‌سازی کند. مبلغ ممکن است تنها پنج دلار باشد، اما هزینه نیروی کار برای پردازش آن اغلب بیشتر است.

رَمپ عامل سیاست‌گذاری (Policy Agent) را به‌طور خاص برای بررسی این نوع هزینه‌ها ایجاد کرد. این عامل بررسی می‌کند که آیا رسید و تراکنش با هم مطابقت دارند، آیا هزینه‌های تکراری وجود دارد، هدف به‌وضوح بیان شده است یا خیر، آیا این هزینه سیاست شرکت را نقض می‌کند و آیا کارمند اخیراً هزینه‌های غیرعادی داشته است یا خیر. هزینه‌های مطابق می‌توانند به‌صورت خودکار برای تأیید پیشنهاد شوند، در حالی که موارد مشکل‌دار به انسان ارجاع داده می‌شوند. رَمپ ادعا می‌کند که مشتریان اولیه خود بررسی‌های دستی را حدود ۸۵٪ کاهش داده‌اند و دقت اجرای سیاست هزینه بیش از ۹۹٪ است، در حالی که اختیار نهایی تأیید همچنان با بررسی‌کننده باقی می‌ماند.

کمک‌رسان بِرِکس وظایف حتی جزئی‌تری را نیز انجام می‌دهد. این سیستم به‌طور خودکار رسیدها را پیدا می‌کند، یادداشت‌ها را می‌نویسد، دسته‌بندی هزینه و شرکت‌کنندگان را پر می‌کند و به‌صورت پیش‌گیرانه درباره هزینه‌های نامطابق از کارمندان سؤال می‌کند. بِرِکس مثالی ارائه داد: ممکن است در رسید کلمه «الکل» ذکر نشده باشد، بلکه فقط «وُدکا» آمده باشد. قوانین کلیدی قبلی ممکن است این مورد را شناسایی نکنند، اما مدل بزرگ می‌داند که وُدکا جزو الکل محسوب می‌شود.

این نوع کار برای تبدیل توکن به زمان بسیار مناسب است.

تحلیلگران AML بیشترین زمان خود را صرف شناسایی مجرمان نمی‌کنند.

شرکت‌های پرداخت هر روز تعداد زیادی هشدار ریسک تولید می‌کنند. اگرچه تراکنش‌های واقعاً مشکوک کم هستند، اما هر هشدار نیازمند بررسی دستی است: باز کردن آن، بررسی اطلاعات مشتری، مرور تراکنش‌های تاریخی، بررسی حساب‌های مرتبط و سپس نوشتن توضیحی درباره دلیل بستن یا ارتقای بررسی. بسیاری از تحلیلگران AML وقت خود را صرف شناسایی مجرمان نمی‌کنند؛ بلکه صرف اثبات این می‌کنند که فردی در لحظه فعلی مشکوک به نظر نمی‌رسد.

نکسو از عامل هوش مصنوعی Unit21 برای بررسی اولیه هشدارها استفاده می‌کند. این عامل اطلاعات تراکنش و حساب را سازماندهی کرده، روابط بین آدرس‌ها را تحلیل می‌کند و خلاصه‌های بررسی و نظرات اقدام را تولید می‌کند. تحلیلگران دیگر از صفحه خالی شروع نمی‌کنند، بلکه مواد و نتیجه‌گیری‌های ارائه‌شده توسط هوش مصنوعی را بررسی می‌کنند.

در مطالعه موردی منتشرشده توسط Unit21 و نکسو اشاره شده که نرخ هشدارهای کاذب نکسو نسبت به سیستم داخلی قبلی ۹۳٪ کاهش یافته و در حال حاضر ۵۷٪ از بررسی‌های هشدار به‌طور خودکار توسط هوش مصنوعی انجام می‌شود، با هدف افزایش این رقم به ۸۰٪. این اعداد را باید توجه داشت: از مطالعه‌ای مشترک تأمین‌کننده و مشتری، نه از یک حسابرسی مستقل، گرفته شده‌اند؛ Unit21 مصرف توکن‌ها در هر بررسی را افشا نکرده است.

با این حال، این مطالعه به‌وضوح نشان می‌دهد که هوش مصنوعی در AML چه کاری انجام می‌دهد: ماشین مواد را جمع‌آوری می‌کند، روابط را نقشه‌برداری می‌کند و روایتی می‌نویسد؛ سپس انسان‌ها قضاوت می‌کنند که آیا مورد واقعاً مشکوک است و آیا باید به ناظران گزارش داده شود.

یک مشتری صرفاً پرسیده است: «پول من کجاست؟»

خدمات مشتری در شرکت‌های پرداخت گاهی اوقات تنها «کمک به تغییر رمز عبور» نیست. وقتی مشتری می‌پرسد: «چرا پول هنوز وارد نشده است؟» ممکن است شامل بانک ضامن، سازمان کارت، بانک صادرکننده، تبدیل ارز، چرخه تسویه، وضعیت بازپرداخت و محدودیت‌های حساب شود. کارشناسان خدمات مشتری باید چندین سیستم را بررسی کرده و اطلاعات را به‌هم پیوند دهند تا پاسخی منسجم ارائه دهند.

عامل‌های هوش مصنوعی نیز فرآیندی مشابه را طی می‌کنند: ابتدا درک مسئله، سپس پرس‌وجوی تراکنش، بازیابی قوانین، تعیین گام بعدی و در نهایت تولید پاسخ. هر بار که سیستمی پرس‌وجو می‌شود، نتایج باید به مدل بازگردانده شود و توکن‌ها در هر دور مصرف می‌شوند.

Checkout.com اعلام کرده که حدود ۶۰٪ درخواست‌های خدمات مشتری سؤالات ساده و تکراری هستند و شرکت انتظار دارد تا سال ۲۰۲۶، عامل‌های هوش مصنوعی بتوانند بیش از نیمی از حجم خدمات مشتری را به‌طور مستقل مدیریت کنند. بلوك افشای کرده که حدود ۶۵٪ از موارد خدمات مشتری Cash App اکنون از هوش مصنوعی استفاده می‌کنند. اعداد کلانرا حتی مستقیم‌تر است: دستیار هوش مصنوعی آن در نیمه اول ۲۰۲۴ به بیش از ۴ میلیون مشتری خدمت کرده و شرکت انتظار دارد سالانه ۴۰ میلیون دلار صرفه‌جویی کند.

محاسبه توکن‌های مصرفی در خدمات مشتری ساده است. قبلاً تعداد معینی کارمند تعداد معینی تیکت را پردازش می‌کردند؛ اکنون تعداد معینی توکن تعداد معینی تیکت را پردازش می‌کند و می‌توان شمارش کرد که آیا موردی به انسان ارجاع داده شده یا مشتری دوباره آن را باز کرده است.

مقابله با اعتراضات و تسویه‌حساب‌های برگشتی نیز مشابه است. استرایپ تعداد زیادی ایمیل خودکار از شرکای مالی دریافت می‌کند که قبلاً نیازمند خواندن دستی و پردازش در سیستم توسط کارمندان بود؛ اکنون مدل‌های زبانی بزرگ (LLM) می‌توانند ابتدا ایمیل‌ها را بخوانند، درک کنند که طرف مقابل چه می‌خواهد و سپس درخواست‌ها را به فراخوانی‌های API تبدیل کنند. Checkout.com همچنین اعلام کرده که توزیع تراکنش‌های ردشده که قبلاً به‌صورت دستی انجام می‌شد، اکنون به‌طور کامل خودکار شده است.

این وظایف شاید به‌قدری بزرگ‌نمایانه نباشند که «هوش مصنوعی مالی را تغییر می‌دهد»، اما زمان‌بر هستند و برای مصرف توکن‌ها بسیار مناسب.

وقتی هوش مصنوعی شروع به صحبت کردن می‌کند در حالی که به سبد سرمایه‌گذاری شما نگاه می‌کند

هوش‌های مصنوعی ذکرشده در بالا عمدتاً برای مشتریان نامرئی هستند. آنها در پس‌زمینه کدها، حسابرسی‌ها و سیستم‌های خدمات مشتری کار می‌کنند. رابین‌هود کورטקס متفاوت است؛ زیرا مستقیماً روی تلفن سرمایه‌گذاران ظاهر می‌شود.

هنگامی که کاربر سهامی را باز می‌کند، کورטקס قیمت‌های لحظه‌ای، اخبار فوری، گزارش‌های تحلیلگران، شاخص‌های تکنیکال و داده‌های خود رابین‌هود را می‌خواند و سپس به زبان ساده توضیح می‌دهد که چرا سهام امروز افزایش یا کاهش یافته است. همچنین با سبد سرمایه‌گذاری کاربر ترکیب می‌شود تا توضیح دهد که این اخبار چرا برای حساب او مهم است.

رابین‌هود افشای کرده که تا پایان سه‌ماهه اول ۲۰۲۶، تقریباً ۱ میلیون مشتری از خلاصه‌های کورטקס استفاده کرده‌اند. گام بعدی این است که به کاربران اجازه داده شود سهام و ارزهای دیجیتال را خریداری و فروشند، بازار را تحقیق کنند و تنظیمات حساب خود را مستقیماً با زبان طبیعی انجام دهند.

در این مرحله، فقط کارمندان شرکت توکن مصرف نمی‌کنند. هر بار که کاربر سؤالی می‌پرسد، کورטקס یک خبر یا گزارش تحقیقاتی را می‌خواند و هر بار که بر اساس سبد شخصی تفسیر مجدد انجام می‌دهد، باید زمینه را دوباره پردازش کند.

مشکل واقعی این است که هنگامی که هوش مصنوعی به‌جای کاربران عمل می‌کند، هزینه اشتباهات تغییر می‌کند. اگر خبر اشتباه گزارش شود، کاربر فقط گمراه می‌شود؛ اما اگر سهام به‌اشتباه خریداری شود، پول واقعی از دست می‌رود. بنابراین رابین‌هود همچنین مرزهایی برای کور textiles تعیین کرده است: چه چیزی را می‌تواند ببیند، چه چیزی را می‌تواند بگوید و کدام اقدامات حتماً نیازمند تأیید کاربر هستند.

یک تریلیون توکن برای شرکت‌های هوش مصنوعی به چه معناست؟

اول، خود شرکت Adyen را در نظر بگیرید: حدود ۱۴۰۰ توسعه‌دهنده سالانه از ۱ تریلیون توکن استفاده می‌کنند؛ یعنی به‌طور میانگین ۷۱۰ میلیون توکن برای هر نفر. با فرض ۲۵۰ روز کاری، این یعنی حدود ۲٫۸۶ میلیون توکن در روز برای هر نفر. این دیگر صرفاً استفادهٔ گاه‌به‌گاه از هوش مصنوعی برای تکمیل چند خط کد نیست؛ بلکه معادل فعالیت یک عامل هوشمند در طول روز است.

اما وقتی این عدد را در مقایسه با صنعت هوش مصنوعی قرار می‌دهیم، واحد اندازه‌گیری به‌سرعت تغییر می‌کند.

محصول Manus چند ماه است که در دسترس است و بیش از ۱۴۷ تریلیون توکن پردازش کرده است — معادل مصرف Adyen در ۱۴۷ سال. OpenRouter اکنون ماهانه ۱۰۰ تریلیون توکن را مسیریابی می‌کند؛ یعنی معادل مصرف سالانه ۱۰۰ شرکت Adyen در هر ماه. البته این پلتفرم‌ها مشتریان بسیار زیادی را خدمت‌رسانی می‌کنند و نمی‌توان آن‌ها را مستقیماً با یک تیم مهندسی داخلی مقایسه کرد، اما اختلاف مرتبه‌ای بسیار روشن است.

در شرکتی مانند Prosus که فعالیت‌های متعدد تجارت الکترونیک و اینترنتی دارد، عوامل هوشمند هوش مصنوعی به ۴۰۰۰۰ کارمند، ۵ میلیون شریک و ۱ میلیارد کاربر خدمات ارائه می‌دهند. این شرکت ماهانه ۸۲ تریلیون توکن مصرف می‌کند؛ یعنی مقدار سالانهٔ Adyen را هر ۴ روز یک‌بار تمام می‌کند. در سال گذشته، مصرف توکن‌های آن ۵۲ برابر رشد کرده است.

OpenAI میزان مصرف توکن خود را افشا نکرده است، اما هزینهٔ محاسباتی محققان را اعلام کرده است. تا اوت ۲۰۲۶، میانهٔ هزینهٔ روزانهٔ محاسباتی یک محقق بر اساس قیمت‌گذاری API از ۶۰۰ دلار فراتر خواهد رفت. ده درصد بالایی می‌توانند روزانه بیش از ۷۰۰۰ دلار هزینه کنند. با فرض ۲۵۰ روز کاری در سال، هزینهٔ سالانهٔ یک نفر ۱۵۰۰۰۰ دلار و برای کاربران سنگین تا ۱٫۷۵ میلیون دلار خواهد رسید.

Anthropic مستقیم‌تر عمل می‌کند و نه هزینه را، بلکه ساعات کاری عوامل را اندازه می‌گیرد. تا اوت ۲۰۲۶، مجموع ساعات کاری عوامل تحت نظارت کارمندان شش برابر ساعات کاری انسان‌ها خواهد بود. بیشتر توکن‌ها صرف نوشتن نرم‌افزار می‌شوند و منجر به افزایش پنج‌برابری سرعت ارسال کد هر مهندس در شش ماه شده است.

Manus نیز وضعیت مشابهی دارد. ژانگ تائو، بنیان‌گذار این شرکت، اشاره کرده که در یک ماه، میانگین هزینهٔ هوش مصنوعی هر نفر از ۱۰۰۰۰ دلار فراتر رفت و برخی افراد در یک ماه ۷۰۰۰۰ تا ۸۰۰۰۰ دلار هزینه کردند. نه همهٔ این هزینه‌ها مربوط به توکن است، اما پیام روشن است: دیگر صرفاً سؤالات گاه‌به‌گاه از هوش مصنوعی پرسیده نمی‌شود، بلکه افراد در حال مدیریت همزمان گروهی از عوامل هستند.

بنابراین، یک تریلیون توکن هم می‌تواند بزرگ و هم کوچک به نظر برسد. در مقایسه با پلتفرم‌های هوش مصنوعی، تنها بخش کوچکی است؛ اما برای یک شرکت پرداخت، این تریلیون توکن تنها بین حدود ۱۴۰۰ توسعه‌دهنده اتفاق می‌افتد — بدون شماردن پشتیبانی مشتری، انطباق، کنترل ریسک و هوش مصنوعی تعاملی با مشتری. از این دید، آماده‌سازی Adyen برای ۱۰۰ تریلیون توکن در سال اغراقی نیست.

توکن‌ها مصرف می‌شوند، اما حساب‌ها همچنان باید تسویه شوند.

یک تریلیون توکن معادل یک صورتحساب ثابت نیست؛ قیمت مدل‌های مختلف می‌تواند صد برابر تفاوت داشته باشد. بر اساس قیمت‌های استاندارد API که OpenAI در ۲۸ اکتبر ۲۰۲۶ اعلام کرده، با فرض ۸۰٪ ورودی و ۲۰٪ خروجی از یک تریلیون توکن: اگر همه از GPT-6 Luna استفاده شوند، هزینهٔ نظری حدود ۱۸۰۰۰۰ دلار و اگر همه از GPT-6 Astra استفاده شوند، حدود ۱۸ میلیون دلار خواهد بود.

Adyen در واقع از مدل‌های مختلفی استفاده می‌کند و زیرساخت استدلال خود، مسیریابی معنایی و قیمت‌گذاری سازمانی دارد؛ بنابراین صورتحساب واقعی قطعاً به این سادگی محاسبه نمی‌شود. یک تریلیون توکن می‌تواند بسیار ارزان یا بسیار گران باشد. صرف هزینهٔ زیاد لزوماً به معنای استفادهٔ موثر نیست.

پس از اتمام توکن‌ها، شرکت‌ها باید به سؤالات اساسی زیر پاسخ دهند: چند خط کد بدون حادثه تکمیل شد؟ چند تاجر عادی اشتباهی رد شد؟ چند تیکت پشتیبانی بدون نیاز به انتقال به انسان حل شد؟ در رسیدگی به اعتراضات پرداخت (chargebacks)، آیا مواد صحیح به افراد درست ارسال شدند؟

یک سؤال مهم‌تر از هزینه وجود دارد: هوش مصنوعی تا چه حد می‌تواند پیش برود؟ کمک به پشتیبانی مشتری در بررسی اطلاعات ریسک کمی دارد؛ کمک به مهندسان در نوشتن کد هنوز امکان تست و بررسی دارد؛ اما اگر عوامل مجاز به جابجایی وجوه، قفل کردن حساب‌ها یا رد تجار شوند، هزینهٔ اشتباهات کاملاً متفاوت خواهد بود.

حداقل در حال حاضر، شرکت‌های پرداخت در مورد هر پرداختی از یک مدل بزرگ سؤال نمی‌کنند. تقسیم واقع‌بینانه‌تر کار این است: دفترکل همچنان حساب‌ها را نگه می‌دارد، قوانین و مدل‌های تخصصی همچنان تراکنش‌ها را ارزیابی می‌کنند، مدل‌های بزرگ مسئول خواندن و نوشتن کد، بررسی اطلاعات و رسیدگی به استثناها هستند و انسان‌ها در موقعیت‌هایی باقی می‌مانند که هزینهٔ اشتباهات در آن‌ها بسیار بالاتر است.

پول مانند آب جریان دارد و توکن‌ها نیز همین‌طور.

پایان مقاله

این مقاله تنها بر اساس مشاهدات و تفکرات شخصی تهیه شده و هیچ‌گونه توصیه سرمایه‌گذاری یا تجاری محسوب نمی‌شود. خوانندگان تشویق می‌شوند تا با تفکر منطقی، درک خود و منابع اطلاعاتی شخصی‌شان را در نظر بگیرند.