O que a IA da empresa de pagamentos faz com um trilhão de tokens por ano?

O CTO da Adyen afirmou que a empresa tem cerca de 1.400 desenvolvedores que consomem aproximadamente um trilhão de tokens por ano. Nos últimos três meses, esse número quadruplicou, e a Adyen começou a se preparar para um consumo anual de cem trilhões de tokens.

Para onde vai esse gasto de tokens? O que eles estão fazendo?

Os um trilhão de tokens da Adyen são consumidos principalmente pela equipe de engenharia. Em outras empresas de pagamentos, os tokens também são usados em análises de comerciantes, respostas ao atendimento ao cliente, tratamento de estornos, leitura de e-mails e investigação de anomalias.

Dinheiro flui como água — e tokens também.

As pessoas ficam imóveis, enquanto os tokens continuam rodando.

Nos últimos 90 dias, a IA da Adyen editou cerca de 1 milhão de documentos e participou em 20.000 commits no Git. A média de solicitações de merge aumentou 48%, e os engenheiros estimam que a IA economizou cerca de 15% do tempo deles. A Adyen acredita que o investimento em tokens gerou, provavelmente, retorno duas vezes maior.

Eles citaram um exemplo: o sistema de pagamento backend da Adyen, responsável por faturamento, conciliação e relatórios de organizações de cartões, contém cerca de 2.000 tarefas em produção envolvendo mais de quarenta organizações de cartões. O sistema original estava todo embutido em uma única imagem de implantação, e a Adyen queria dividi-lo, atribuindo uma imagem independente a cada organização de cartões.

Seguindo práticas anteriores, esse projeto exigiria várias equipes e levaria de 6 a 12 meses. No final, dois engenheiros, com apoio da IA, concluíram-no em dois meses, sem incidentes.

Assim é, grosso modo, como o Agente de Codificação consome tokens. Ele não apenas preenche algumas linhas de código; primeiro lê o código-fonte, a documentação, identifica dependências e executa testes. Se os testes falharem, ele lê as mensagens de erro, modifica o código e executa novamente. Quando uma pessoa abre vários agentes simultaneamente, esses processos se repetem continuamente em segundo plano. As pessoas ficam imóveis, enquanto os tokens continuam rodando.

A Stripe também informou que 91% de seus engenheiros usam IA no trabalho diário (não está claro por que os 9% restantes ainda não foram demitidos). O agente interno de codificação submete mais de 1.000 PRs ao ambiente de produção toda semana. Só em março de 2026, a Stripe teve mais de 57.000 PRs com assistência de IA — um aumento de 140% em três meses.

A Block é semelhante: cerca de 7.500 funcionários usam IA semanalmente, e mais de 90% das submissões de código envolvem IA, com aumento médio de 30% nas alterações semanais de código.

Atualmente, parece que grande parte da conta de tokens das empresas de pagamentos vem do departamento de engenharia. O uso de IA na indústria de pagamentos não se limita à escrita de novos códigos do zero; uma aplicação mais realista é ajudar humanos a lidar com a complexidade. Os sistemas de pagamento são vastos, cheios de código legado, e precisam acomodar bancos, organizações de cartões e diversos métodos de pagamento. Antes, essa complexidade consumia principalmente o tempo dos engenheiros; agora, a IA também é empregada para ajudar — consumindo tokens.

Buscar documentos, escrever anúncios, ler contratos — tudo consome tokens.

Escrever código é apenas uma parte do uso interno de IA pelas empresas. Uma fintech um pouco maior gasta muito tempo diariamente procurando informações: onde está a política de reembolso? Qual equipe gerencia esses dados? Onde solicitar permissões para certo sistema? Com quem conversar sobre licença? Quanto maior a empresa, mais documentos há; quanto mais documentos, mais fácil se perder.

A Nubank tem cerca de 9.000 funcionários, e diferentes equipes armazenam seus processos e documentos no Confluence. Quando os funcionários enfrentam problemas, podem passar meia hora buscando; se ainda não encontrarem, abrem um chamado e esperam várias horas. Depois, a Nubank criou uma ferramenta interna chamada AskNu, na qual os funcionários podem fazer perguntas diretamente no Slack. O AskNu identifica primeiro o departamento relevante, busca a resposta nos documentos correspondentes do Confluence e, por fim, organiza uma resposta usando um modelo de linguagem grande, incluindo o link original.

Seis meses após o lançamento, o AskNu tinha 5.000 usuários e processava 280.000 mensagens. A Nubank afirmou que reduziu alguns chamados internos em 96%. Problemas que antes levavam 30 minutos para serem resolvidos ou exigiam espera de 8 horas por um chamado agora recebem respostas em média em 9 segundos.

O AskNu não ajuda diretamente os clientes a transferir dinheiro ou processar pagamentos, mas lê continuamente perguntas, recupera documentos e organiza respostas. Cada pessoa da empresa faz algumas perguntas por dia, e os tokens se acumulam gradualmente.

A equipe de conteúdo é a mesma. A Chime nomeou seu modelo interno de conteúdo de forma direta: ChimeGPT. Também criou um 'cérebro da marca', incluindo histórias anteriores da marca, feedback de usuários, resultados de campanhas e discussões comunitárias. A equipe de marketing o usa para gerar versões distintas de conteúdos e processos de onboarding personalizados, submetidos depois a revisões de marca, jurídica e de conformidade.

A Chime revelou que a produção de conteúdo da equipe interna aumentou mais de 300% no ano, com redução de 60% no tempo de produção. O que antes levava dez horas, do conceito à campanha, agora é concluído em cerca de quatro horas, com volume de testes triplicado. Os dados organizacionais da Klarna também são interessantes: 90% dos funcionários usam IA generativa diariamente, com taxas de uso nas equipes de comunicação, marketing e jurídica atingindo 93%, 88% e 86%, respectivamente.

Escrever código consome tokens, assim como criar anúncios, traduzir materiais, resumir reuniões, ler contratos e responder perguntas de colegas.

Vestido na cor champanhe não significa vender álcool.

Empresas de pagamento realizam diariamente uma tarefa semelhante à verificação de identidades: quem é essa pessoa? O que exatamente está vendendo? Podemos permitir que entre e receba dinheiro?

Os comerciantes certamente não se apresentam honestamente conforme os formulários das empresas de pagamento. As pistas estão espalhadas por sites oficiais, páginas de produtos, documentos de cadastro e artigos de notícias, podendo estar em diferentes idiomas. Os sistemas anteriores não tinham paciência para essa complexidade, e o método mais simples era verificar palavras-chave.

A Airwallex forneceu um exemplo divertido. Um comerciante vende uma 'jaqueta no estilo militar', e o sistema identifica 'militar', o que pode levá-lo a suspeitar que vende bens militares proibidos; outro comerciante escreve 'vestido na cor champanhe', e o sistema identifica 'champanhe', o que pode fazê-lo pensar que vende álcool.

Uma pessoa percebe imediatamente que uma jaqueta no estilo militar não é uma arma e que não há champanhe num vestido na cor champanhe. Mas palavras-chave não entendem cores ou moda; só sabem que essa palavra parece um pouco perigosa.

É exatamente nisso que os modelos grandes se destacam: não focando apenas numa única palavra, mas lendo primeiro o contexto ao redor e então identificando o que o comerciante realmente vende. A Airwallex afirmou que, após integrar IA generativa ao KYC, a taxa média de falsos positivos nesses processos caiu 50%, e o número de clientes que conseguem concluir o onboarding sem intervenção humana aumentou 20%.

A Stripe também começou a usar LLMs para onboarding de comerciantes em 2023. Não permite que o modelo grande aprove todos os comerciantes; em vez disso, ele primeiramente processa informações abertas e não estruturadas e aprova rapidamente pedidos que claramente atendem aos requisitos. Mais de 80% dos 'comerciantes elegíveis' podem ser automaticamente aprovados instantaneamente. A revisão de políticas da Checkout.com foi reduzida de 60 para 10 minutos.

Antes, os funcionários tinham de abrir páginas web, ler materiais, consultar políticas e redigir conclusões manualmente; agora, o modelo grande faz a leitura inicial e destaca as áreas que exigem atenção humana. Os tokens consumidos aqui se traduzem em menos falsos positivos, abertura mais rápida de contas e menos tempo gasto por pessoal interno em materiais totalmente isentos de problemas.

Até uma xícara de café de cinco dólares precisa passar pela área financeira.

Empresas de pagamento ajudam outros a lidar com dinheiro, mas internamente ainda precisam reembolsar, auditar despesas, cobrar faturas e fazer contabilidade. Esse pode ser o tipo mais discreto de produto de IA para fintech. Quando um funcionário usa o cartão corporativo para comprar uma xícara de café, talvez precise enviar um comprovante, especificar a finalidade e selecionar uma categoria de despesa; gestores devem confirmar se foi para trabalho, a área financeira precisa verificar a política, fazer a codificação contábil e sincronizar com o ERP. O valor pode ser apenas cinco dólares, mas o custo trabalhista para processá-lo costuma ser maior.

A Ramp criou um Agente de Política especificamente para auditar esse tipo de despesa. Ele verifica se o comprovante e a transação coincidem, se há reembolsos duplicados, se a finalidade está claramente declarada, se viola a política da empresa e se o funcionário teve gastos incomuns recentemente. Despesas compatíveis podem ser sugeridas automaticamente para aprovação, enquanto as problemáticas são encaminhadas a um humano. A Ramp afirma que clientes iniciais reduziram revisões manuais em cerca de 85%, com taxa de acurácia superior a 99% na aplicação da política de despesas, mantendo-se a autoridade final de aprovação com o revisor.

O Brex Assistant lida com tarefas ainda mais triviais. Ele encontra automaticamente comprovantes, redige memorandos, preenche categorias de despesas e participantes, e questiona proativamente funcionários sobre despesas não conformes. A Brex deu um exemplo: um comprovante pode não mencionar 'álcool', mas apenas 'vodca'. Regras anteriores baseadas em palavras-chave poderiam não detectar isso, mas o modelo grande sabe que vodca é considerada álcool.

Esse tipo de trabalho é ideal para trocar tokens por tempo.

Analistas de AML passam a maior parte do tempo não capturando criminosos.

Empresas de pagamentos geram diariamente grande volume de alertas de risco. Pode haver poucas transações verdadeiramente suspeitas, mas cada alerta exige que alguém o abra, verifique dados do cliente, analise transações históricas, examine contas relacionadas e redija um parágrafo justificando seu encerramento ou escalonamento. Muitos analistas de AML não passam tempo capturando criminosos; em vez disso, provam que uma pessoa atualmente não parece suspeita.

A Nexo usa o Agente de IA da Unit21 para revisões preliminares de alertas. O agente organiza informações de transações e contas, analisa relações entre endereços e gera resumos de investigação e opiniões sobre tratamento. Os analistas já não começam do zero, mas verificam os materiais e conclusões fornecidos pela IA.

No estudo de caso divulgado pela Unit21 e pela Nexo, mencionou-se que a taxa de falsos positivos da Nexo caiu 93% em comparação com o sistema interno anterior; atualmente, 57% das revisões de alertas são feitas automaticamente pela IA, com meta de atingir 80%. Esses números merecem atenção: vêm de um caso publicado conjuntamente pelo fornecedor e cliente, não de auditoria independente; a Unit21 não divulgou quantos tokens são consumidos por investigação.

No entanto, esse caso ilustra claramente o que a IA pode fazer em AML: a máquina reúne os dados, mapeia relações e redige narrativas; humanos julgam se há suspeita real e se devem reportar às autoridades regulatórias.

Um cliente simplesmente perguntou: “Onde está meu dinheiro?”

O atendimento ao cliente em empresas de pagamentos nem sempre é tão simples quanto “ajude-me a alterar minha senha”. Quando um cliente pergunta “por que o dinheiro ainda não chegou?”, pode envolver banco adquirente, organização de cartões, banco emissor, conversão cambial, ciclo de liquidação, status de reembolso e restrições na conta. Os atendentes precisam consultar múltiplos sistemas e reunir as informações para dar uma resposta coerente.

Agentes de IA seguem o mesmo processo: primeiro compreendem o problema, consultam a transação, recuperam regras, definem o próximo passo e geram uma resposta. Cada consulta a um sistema exige que os resultados sejam enviados de volta ao modelo, consumindo tokens repetidamente.

A Checkout.com afirma que cerca de 60% das solicitações de atendimento são perguntas simples e repetitivas; a empresa espera que, até 2026, Agentes de IA tratem independentemente mais da metade do volume de atendimento. A Block revelou que aproximadamente 65% dos casos de atendimento no Cash App já usam IA. Os números da Klarna são ainda mais diretos: seu Assistente de IA atendeu mais de 4 milhões de clientes no primeiro semestre de 2024 e a empresa espera economizar US$ 40 milhões anualmente.

O cálculo de tokens usados no atendimento é direto: antes, certo número de pessoas tratava certo número de chamados; agora, certo número de tokens trata certo número de chamados, podendo-se contar se houve transferência para agentes humanos ou se o cliente reabriu o caso.

O mesmo ocorre com chargebacks e contestações. A Stripe recebe muitos e-mails automatizados de parceiros financeiros, que antes exigiam leitura individual por funcionários e processamento manual no sistema; agora, modelos de linguagem (LLMs) leem os e-mails, entendem a solicitação da outra parte e convertem-na em chamadas à API. A Checkout.com também afirmou que a distribuição de transações recusadas, antes feita manualmente, agora é 100% automatizada.

Essas tarefas podem não soar tão grandiosas quanto “IA transformando as finanças”, mas são demoradas e ideais para consumo de tokens.

Quando a IA começa a falar enquanto analisa suas posições

As IAs citadas anteriormente são, em sua maioria, invisíveis aos clientes. Atuam nos bastidores, em código, auditorias e sistemas de atendimento. O Robinhood Cortex é diferente: aparece diretamente nos celulares dos investidores.

Ao abrir uma ação, o Cortex lê cotações em tempo real, notícias urgentes, relatórios de analistas, indicadores técnicos e dados próprios da Robinhood, explicando em linguagem simples por que a ação está subindo ou caindo hoje. Também combina essas informações com as posições do usuário para explicar por que essa notícia é relevante para sua conta.

A Robinhood revelou que os Digests do Cortex foram usados por quase 1 milhão de clientes no primeiro trimestre de 2026. O próximo passo é permitir que os usuários comprem e vendam ações e criptomoedas, pesquisem o mercado e ajustem configurações de conta diretamente por linguagem natural.

Nesse ponto, não são apenas funcionários da empresa que consomem tokens. Cada vez que um usuário faz uma pergunta, o Cortex lê uma notícia ou relatório e, ao reinterpretá-lo com base nas posições pessoais, deve processar novamente o contexto.

O verdadeiro problema é que, ao operar em nome dos usuários, o custo dos erros muda. Se uma notícia for mal relatada, o usuário pode apenas ser enganado; se uma ação for comprada incorretamente, dinheiro real será perdido. Por isso, a Robinhood também definiu limites para o Cortex: o que ele pode ver, o que pode dizer e quais ações exigem confirmação do usuário.

Um trilhão de tokens: o que isso significa para empresas de IA?

Primeiro, observe a própria Adyen: cerca de 1.400 desenvolvedores usam 1 trilhão de tokens por ano, uma média de 710 milhões por pessoa. Assumindo 250 dias úteis, isso equivale a cerca de 2,86 milhões de tokens por pessoa por dia. Isso já não é mais apenas usar ocasionalmente a IA para preencher algumas linhas de código; é ter um agente trabalhando o dia inteiro.

Mas, ao comparar esse número com o setor de IA, a unidade de medida muda rapidamente.

O produto da Manus está no ar há alguns meses e já processou mais de 147 trilhões de tokens — equivalente ao uso anual da Adyen em 147 anos. A OpenRouter agora roteia 100 trilhões de tokens por mês, o mesmo que o consumo anual de 100 empresas como a Adyen, todo mês. É claro que essas são plataformas que atendem grande número de clientes e não podem ser comparadas diretamente a uma equipe de engenharia interna de uma única empresa, mas a diferença de escala é bastante intuitiva.

Analisando uma empresa típica, como a Prosus — com diversas operações de e-commerce e internet —, seus agentes de IA atendem 40.000 funcionários, 5 milhões de parceiros e 1 bilhão de usuários. Ela consome 82 trilhões de tokens por mês, ou seja, conclui o volume anual da Adyen a cada quatro dias. Nos últimos 12 meses, seu uso de tokens cresceu 52 vezes.

A OpenAI não divulgou quantos tokens consome por ano, mas revelou quanto pesquisadores podem gastar. Em agosto de 2026, o custo computacional diário mediano por pesquisador, com base nos preços da API, superará US$ 600. Os 10% mais intensivos gastarão mais de US$ 7.000 por dia. Assumindo 250 dias úteis ao ano, um pesquisador custaria US$ 150.000, enquanto usuários intensivos chegariam a US$ 1,75 milhão.

A Anthropic é mais direta: mede não o dinheiro, mas as horas trabalhadas. Em agosto de 2026, as horas combinadas de trabalho dos agentes sob supervisão de funcionários serão seis vezes maiores que as horas humanas. A maior parte dos tokens é gasta na escrita de software, resultando, em seis meses, em aumento médio de cinco vezes na velocidade de envio de código por engenheiro.

A Manus é semelhante. Zhang Tao, cofundador, mencionou um mês em que a despesa média com IA por pessoa ultrapassou US$ 10.000, com alguns indivíduos gastando entre US$ 70.000 e US$ 80.000 num único mês. Nem tudo corresponde ao custo de tokens, mas o significado é claro: já não se trata apenas de fazer perguntas ocasionais à IA, mas de indivíduos gerenciarem simultaneamente vários agentes.

Assim, um trilhão de tokens pode parecer tanto grande quanto pequeno. Comparado às plataformas de IA, é apenas uma fração; mas, para uma empresa de pagamentos, esse trilhão ocorre entre cerca de 1.400 desenvolvedores — sem contar atendimento ao cliente, conformidade, controle de riscos e IA voltada ao cliente. Sob essa perspectiva, a preparação da Adyen para 100 trilhões de tokens por ano não é exagerada.

Tokens podem ser consumidos, mas as contas ainda precisam ser fechadas.

Um trilhão de tokens não equivale a uma fatura fixa: os preços dos modelos variam até cem vezes. Segundo os preços-padrão da API divulgados pela OpenAI em 28 de outubro de 2026, assumindo 80% de entrada e 20% de saída: se todos fossem usados com GPT-6 Luna, o custo teórico seria de cerca de US$ 180.000; se todos fossem com GPT-6 Astra, seria de cerca de US$ 18 milhões.

A Adyen usa diversos modelos e possui sua própria infraestrutura de raciocínio, roteamento semântico e preços corporativos, portanto sua fatura real certamente não é tão simples quanto essa multiplicação. Um trilhão de tokens pode ser muito barato ou muito caro. Gastar muito não significa necessariamente usá-lo bem.

Após esgotar os tokens, as empresas devem responder a perguntas fundamentais: quantos códigos foram concluídos sem incidentes? Quantos comerciantes normais foram erroneamente classificados? Quantos chamados de suporte foram resolvidos sem precisar retornar ao atendimento humano? Ao lidar com chargebacks, os materiais corretos foram fornecidos às pessoas certas?

Há uma pergunta mais importante que o custo: até onde a IA pode ir? Auxiliar o suporte ao cliente na verificação de informações não é muito arriscado; ajudar engenheiros a escrever código ainda permite testes e revisões; mas, se agentes puderem movimentar fundos, congelar contas ou rejeitar comerciantes diretamente, o custo dos erros será totalmente diferente.

Pelo menos por ora, empresas de pagamentos não perguntarão a um modelo grande sobre cada pagamento. Uma divisão de tarefas mais realista é: o livro-razão continua registrando transações, regras e modelos especializados continuam avaliando operações, modelos grandes leem, escrevem código, verificam informações e tratam exceções, enquanto humanos permanecem nas funções em que os erros têm custo mais elevado.

O dinheiro flui como água — e os tokens também.

Fim do artigo

Este artigo baseia-se exclusivamente em observações e reflexões pessoais e não constitui qualquer recomendação de investimento ou orientação comercial. Recomenda-se aos leitores considerar racionalmente sua própria compreensão e fontes de informação.