決済会社のAIは、年間1兆トークンを何に使っているのか？
Tapbit WireAdyenのCTOによると、同社には約1,400人の開発者がおり、年間約1兆トークンを消費。過去3カ月でこの数は4倍に増加し、Adyenは年間100兆トークンの消費を見込んで準備を始めた。
トークン支出はどこに向かっているのか？何をしているのか？
Adyenの1兆トークンは主にエンジニアリングチームが消費。他の決済会社では、加盟店審査、カスタマーサポート応答、チャージバック対応、メール読解、異常検知などにも使われている。
お金は水のように流れ、トークンも同様に流れる。
人は座ったまま動かず、トークンだけが動き続ける。
過去90日間で、AdyenのAIは約100万件のドキュメントを編集し、2万件のGitコミットに参加。平均マージリクエスト数は48％増加。エンジニアはAIにより作業時間の約15％を節約したと推定。Adyenは、トークン投資によるROIが約2倍になったと考えている。
具体例として、Adyenには請求・調整・カード組織レポートを担当するバックエンド決済システムがあり、40以上のカード組織を含む約2,000の本番タスクを抱える。元々は巨大なデプロイイメージに全て詰め込まれていたが、Adyenは各カード組織ごとに独立したイメージへ分割することを決めた。
従来方式なら複数チームが関与し6～12カ月かかるプロジェクトだったが、今回は2人のエンジニアがAIを活用して2カ月で無事完了。
コーディングエージェントのトークン消費はこうだ。単に数行のコードを補完するだけでなく、まずコードとドキュメントを読み、依存関係を特定し、テストを実行。失敗すればエラーメッセージを読み、コードを修正して再実行。人が複数エージェントを同時に起動すると、これらの処理がバックグラウンドで継続的に繰り返される。人は座ったまま動かず、トークンだけが動き続ける。
Stripeも、自社エンジニアの91％が日常業務でAIを活用していると明言（残り9％が解雇されない理由は不明）。社内コーディングエージェントは毎週1,000件以上のPRを本番環境へ送信。2026年3月のみでAI支援付きPRが57,000件以上に達し、3カ月で140％増加した。
Blockも同様で、週に約7,500人の従業員がAIを活用。コード提出の90％以上にAIが関与しており、週平均コード変更量は30％増加した。
現状、決済会社のトークン費用の大半はエンジニア部門から発生している。決済業界におけるAI活用は、単に新規コード作成ではない。より現実的な用途は、人間が複雑性の山を登る際の支援だ。決済システムは規模が大きくレガシーコードも多く、銀行・カード組織・多様な支払い手段への対応も求められる。これまでこの複雑性はエンジニアの時間を圧迫していたが、今やAIも参入し、トークンを消費している。
ドキュメント検索、広告作成、契約書読解などもトークンを消費する。
コード作成は企業内のAI活用の一端にすぎない。やや規模の大きいフィンテック企業では、日々大量の情報検索に時間が費やされる：「精算ポリシーはどこか？」「このデータを管理するのはどのチームか？」「あるシステムへのアクセス権限申請はどこですればいいか？」「休暇申請の連絡先は誰か？」。企業が大きくなるほどドキュメントが増え、その中で迷いやすくなる。
Nubankは約9,000人の従業員を抱え、各チームがConfluence上にプロセスやドキュメントを配置。問題発生時は30分近く検索しても見つからないこともあり、その場合はチケットを立てて数時間待つ必要があった。その後NubankはSlack上で直接質問できる社内ツール「AskNu」を開発。AskNuはまず質問内容から所管部署を特定し、該当Confluenceを検索、大規模言語モデルで回答を生成・整理し、元のリンクも含めて返信する。
ローンチから6か月後、AskNuは5,000人のユーザーを獲得し、28万件のメッセージを処理。ヌーバンク社は、内部チケットの一部を96％削減したと発表。以前は30分かかっていた問題の特定や8時間待機が必要だったチケット対応が、平均9秒で回答可能に。
AskNuは顧客の送金や支払い処理を直接支援しないが、継続的に質問を読み取り、関連文書を検索・整理して回答を構築。社内全員が1日数回利用し、トークンは少しずつ蓄積される。
コンテンツチームも同様。チャイム社は自社向けコンテンツ生成モデルを率直に「ChimeGPT」と命名。さらに、過去のブランドストーリー、ユーザーからのフィードバック、キャンペーン成果、コミュニティ議論を含む「ブランド・ブレイン」も構築。マーケティングチームはこれを活用し、多様なコンテンツバリエーションやパーソナライズされたオンボーディングプロセスを生成し、その後ブランド・法務・コンプライアンス審査を経る。
チャイム社は、社内チームのコンテンツ生産量が前年比300％以上増加、制作時間が60％短縮されたと公表。かつてコンセプトからキャンペーン完了まで10時間かかっていたものが、現在は約4時間で実現可能となり、テスト実施量も3倍に。クラナ社の組織データも興味深い：従業員の90％が生成AIを毎日利用しており、コミュニケーション、マーケティング、法務部門の利用率はそれぞれ93％、88％、86％に達する。
コード作成、広告文案作成、資料翻訳、会議要約、契約書閲覧、同僚への質問回答など、すべてトークンを消費する。
「シャンパンカラーのドレス」はアルコール販売を意味しない。
決済企業は日々、ある種の身元確認作業を行っている：この人物は誰か？一体何を販売しているのか？入店および資金回収を許可できるか？
加盟店は決済企業のフォーム通りに正直に自己紹介しない。手がかりは公式ウェブサイト、製品ページ、登録書類、ニュース記事などに散在し、異なる言語で記載されている場合もある。従来システムはこうした複雑さに耐えられず、最も単純な方法としてキーワード検索を採用していた。
エアウォーレックス社はユーモアを交えた例を提示：ある加盟店が「ミリタリースタイルのジャケット」を販売すると、システムは「military（軍事）」という単語を見て、禁止軍需品販売を疑う可能性がある；別の加盟店が「シャンパンカラーのドレス」と記載すると、「champagne（シャンパン）」という単語からアルコール販売と誤認される可能性がある。
人間なら一目で、ミリタリースタイルのジャケットは武器ではなく、シャンパンカラーのドレスにはシャンパンが含まれていないと理解できる。しかしキーワードは色やファッションを理解せず、「この単語はやや危険そうだ」と判断するだけだ。
これは大規模言語モデル（LLM）の強みそのもの：単一単語に注目するだけでなく、まず周辺文脈を読み、加盟店が実際に何を販売しているかを把握する。エアウォーレックス社によると、KYCプロセスへの生成AI導入後、関連プロセスの誤検出率（フェイスポジティブ率）が平均50％低下し、人的介入なしでオンボーディングを完了できる顧客数が20％増加した。
ストライプ社も2023年から加盟店オンボーディングにLLMを活用開始。すべての加盟店承認をLLMに委ねるのではなく、まずオープンで非構造化された情報を処理し、明確に要件を満たす申請を迅速に通過させる。対象となる「適格加盟店」の80％以上が即時自動承認可能に。チェックアウト・ドットコム社のポリシー審査時間は60分から10分へ短縮。
従来は担当者がウェブページを開き、資料を読み、ポリシーを確認し、結論を自ら記述する必要があったが、現在はLLMがまず全文を読み、人的判断が必要な箇所をハイライト表示する。ここで消費されるトークンは、誤検出の減少、口座開設の高速化、問題のない資料に対する社内人員の労力削減につながる。
5ドルのコーヒー一杯でも財務処理が必要だ。
決済企業は他社の資金取扱いを支援するが、社内では依然として精算、経費審査、請求書管理、会計処理が必要。これはフィンテックAI製品の中でも最も目立たないタイプかもしれない。従業員が社用カードでコーヒーを購入した場合、領収書アップロード、用途明記、経費項目選択などが必要；管理者は業務関連性を確認し、財務部門はポリシー適合性と会計科目設定を行い、ERPへ同期する。金額はわずか5ドルでも、処理にかかる人的コストはしばしばこれより高くなる。
ランプ社はこうした経費審査のため専用「ポリシーエージェント」を開発。領収書と取引内容の一致、重複精算の有無、用途の明確性、社内ポリシー違反の有無、従業員の異常支出履歴などをチェック。ポリシー準拠の経費は自動承認提案され、問題のあるものは人間による審査へ回される。ランプ社は、初期導入企業において手動審査が約85％削減され、経費ポリシー遵守精度は99％超、最終承認権限は審査者に残ると主張。
ブレックス・アシスタントはさらに細かなタスクを自動化：領収書の自動検出、メモ作成、経費項目・出席者入力、非準拠経費に関する従業員への積極的な確認など。ブレックス社の例：領収書に「アルコール」と明記されていなくても「ウォッカ」と記載されていれば、従来のキーワードルールでは検出できなかったが、LLMはウォッカがアルコールに該当することを理解する。
このような作業は、トークンを時間と交換するのに最適である。
AMLアナリストは、悪意ある人物を摘発する作業に費やす時間よりも、それ以外の業務に多くの時間を割いている。
決済会社は毎日多数のリスクアラートを生成する。真正に不審な取引はごくわずかでも、各アラートに対し担当者が開封・顧客情報確認・過去取引履歴の精査・関連口座の調査を行い、アラートを閉じるか捜査を進めるかを判断して理由を文書化する必要がある。多くのAMLアナリストは悪意ある人物の摘発ではなく、当該人物が現時点で悪意ある人物と見なされないことを証明する作業に時間を費やしている。
Nexo社は、Unit21のAIエージェントをアラートの初期レビューに活用している。このエージェントは取引・口座情報を整理し、アドレス間の関係性を分析して捜査要約および対応意見を生成する。アナリストは白紙から始めるのではなく、AIが提供した資料と結論を検証するだけでよい。
Unit21とNexoが共同で公開した事例では、Nexoの誤検知率が従来の社内システム比で93％低下し、現在57％のアラートレビューがAIにより自動完了している（目標は80％）。ただし注意すべき点：この数値はベンダーとクライアントの共同発表によるものであり、独立監査結果ではない。またUnit21は、1件の捜査あたりのトークン消費量を公表していない。
しかし本事例は、AML分野におけるAIの役割を明確に示している：機械が資料を収集・関係性をマッピング・叙述文を作成し、人間がそれが真正に不審かどうか、および規制当局への通報が必要かを最終判断する。
顧客が単に「私のお金はどこですか？」と尋ねた。
決済会社のカスタマーサポートは、「パスワード変更を手伝ってください」程度の単純作業ではない場合がある。「なぜまだ入金されないのですか？」という問いには、提携銀行・カード組織・発行銀行・為替換算・決済サイクル・返金状況・口座制限など、多様な要素が関与する。サポート担当者は複数システムを照合し、断片的情報を統合して一貫した回答を提供しなければならない。
AIエージェントも同様のプロセスを経る：まず問題を理解し、取引を照会し、ルールを取得し、次ステップを判断し、最終的に応答を生成する。各システム照会の結果はモデルへ戻され、トークンが逐次消費される。
Checkout.comによると、カスタマーサポート依頼の約60％は単純・反復的な質問であり、同社は2026年までにAIエージェントが半数以上の問い合わせを独自処理できるようになると期待している。Block社はCash Appにおけるカスタマーサポート案件の約65％が既にAIを活用中と明らかにした。Klarna社の数値はさらに明確で、同社AIアシスタントは2024年前半に400万人以上のお客様にサービスを提供し、年間4,000万ドルのコスト削減を見込んでいる。
カスタマーサポートにおけるトークン使用量の計算は単純である。従来は一定人数が一定件数のチケットを処理していたが、現在は一定トークン数が一定件数を処理しており、ヒューマンエージェントへの転送や再オープン有無を計測可能である。
チャージバック・紛争処理も同様である。Stripe社は金融パートナーから大量の自動メールを受信しており、従来は担当者が1通ずつ読み、システム上で手動処理していたが、現在はLLMがメールを読み取り相手の要求を理解したうえでAPI呼び出しに変換する。Checkout.comも、かつて手動で行っていた拒否取引の配信が、すでに100％自動化されたと述べている。
こうしたタスクは「AIが金融を変革する」という壮大なキャッチコピーほど華々しくはないが、時間のかかる作業であり、トークン消費に最適化されている。
AIがユーザーの保有資産を見ながら話すとき
前述のAIは主に顧客には見えない形で、コード・監査・カスタマーサポートシステムの裏側で稼働している。Robinhood Cortexは異なり、投資家のスマートフォン上に直接表示される。
ユーザーが銘柄を開くと、Cortexはリアルタイム株価・速報ニュース・アナリストレポート・テクニカル指標・Robinhood独自データを読み取り、その銘柄が当日上下する理由を平易な言葉で説明する。さらにユーザーの保有資産と照らし合わせ、そのニュースがユーザーの口座にとってどのような意味を持つのかを解説する。
Robinhoodは、2026年第1四半期までにCortex Digestsが約100万人の顧客に利用されたと公表。次のステップとして、自然言語で株式・暗号資産の売買、市場調査、アカウント設定変更を可能にする予定である。
この段階では、企業の従業員だけがトークンを消費するわけではない。ユーザーが質問するたびにCortexはニュースやレポートを読み、保有資産に基づいて再解釈するたびにコンテキストを再度処理する必要がある。
真の課題は、AIがユーザーに代わって行動し始めた際にミスのコストが変化することにある。ニュースの誤報であれば単なる誤解ですむが、誤った株式購入では実際の金銭的損失が生じる。そのためRobinhoodはCortexに対して、何を閲覧可能か・何を発言可能か・どの操作をユーザー確認必須とするかといった明確な境界線を設定している。
1兆トークンとは、AI企業にとって何を意味するのか？
まず、アデイン社自身を見ると、約1,400人の開発者が年間1兆トークンを使い、1人あたり平均7.1億トークン。250営業日と仮定すると、1人1日あたり約286万トークン。これはもはや、たまにAIに数行コードを補完させるレベルではなく、まるで1人が終日AIエージェントを活用している状態だ。
しかし、この数字をAI業界全体で見ると、単位が一気に変わる。
マヌス社の製品は数か月前にリリースされ、すでに147兆トークン以上を処理。これはアデイン社の147年分に相当。オープンルーターは今月だけで100兆トークンをルーティング——つまり、毎月100社分のアデイン社が1年間使う量に等しい。もちろんこれらは多数の顧客を対象とするプラットフォームであり、単一企業の内部エンジニアチームと直接比較はできないが、その規模差は直感的に理解できる。
典型的な事業会社に近いプロサス社は、多数のEC・インターネット事業を展開し、AIエージェントが4万人の従業員、500万人のパートナー、10億人のユーザーにサービスを提供。月間82兆トークンを消費し、アデイン社の年間使用量をわずか4日で使い切る。過去1年間でトークン使用量は52倍に増加した。
OpenAIは年間トークン消費量を公表していないが、研究者の支出上限は明らかにしている。2026年8月までに、API価格に基づく研究者の1日あたり平均計算コストは600ドルを超える。上位10％は1日7,000ドル以上。年間250営業日とすると、1人あたり15万ドル、ヘビーユーザーは175万ドルに達する。
アンソロピック社はより直接的で、金額ではなく「誰がより長く働いているか」に注目。2026年8月までに、従業員が管理するAIエージェントの総稼働時間は人間の6倍になる。ほとんどのトークンはソフトウェア作成に使われ、エンジニア1人あたりのコード提出速度は6か月で平均5倍に向上する。
マヌス社も同様だ。共同創業者の張涛氏によると、ある月には1人あたり平均AI支出が1万ドルを超え、数名は7万～8万ドルに達した。これは全額がトークン費用ではないが、意味は明確：AIにたまに質問するのではなく、個人が複数のAIエージェントを同時に管理しているのだ。
こうして見ると、1兆トークンは「大きい」とも「小さい」とも言える。AIプラットフォームと比べればごく一部だが、支払い企業にとっては約1,400人の開発者だけの話——カスタマーサポートやコンプライアンス、リスク管理、顧客向けAIは含まない。この視点で見れば、アデイン社が年間100兆トークンへの備えを進めるのは決して大げさではない。
トークンは消費されるが、帳簿はきちんとつけなければならない。
1兆トークンは固定金額の請求書にはならない。モデルによって価格は最大100倍異なる。2026年10月28日付OpenAI公式API価格を基に、1兆トークンの80％が入力・20％が出力と仮定すると：GPT-6 Lunaのみ使用なら理論コスト約18万ドル、GPT-6 Astraのみなら約1,800万ドル。
アデイン社は実際には多数のモデルを併用し、独自の推論基盤・セマンティックルーティング・企業契約価格を採用しているため、実際の請求額は単純な掛け算では決まらない。1兆トークンは極めて安価にも、極めて高額にもなる。「多く使う＝有効活用」とは限らない。
トークンが使い尽くされた後、企業は次の基本的な問いに答える必要がある：事故なく完了したコードはどれだけか？正常な加盟店が誤って却下された件数は？人手へ振り替えずに解決されたカスタマーサポートチケット数は？チャージバック対応時に、正しい資料を適切な担当者へ届けられたか？
コスト以上に重要な問いがある：AIの限界はどこまでか？カスタマーサポートの情報確認はリスクが低いが、エンジニアのコード作成はテスト・レビューで担保可能。しかし、AIエージェントが資金移動・口座凍結・加盟店却下を直接判断させれば、ミスのコストは全く別次元になる。
少なくとも現時点では、支払い企業はすべての支払いを大規模言語モデルに問うことはない。より現実的な役割分担は：台帳は従来通り会計処理、ルールと専用モデルが取引審査を担当、大規模言語モデルは情報読み取り・コード作成・例外対応を担い、ミスのコストが高い領域には人間が残る。
お金は水のように流れ、トークンもまたそうである。
記事の終わり
本稿は筆者の個人的観察と思考に基づくものであり、いかなる投資・事業上の助言を意図したものではありません。読者は各自の理解と情報源を冷静に検討することをおすすめします。
