Чем занимается ИИ платежной компании, потребляя триллион токенов в год?

CTO Adyen сообщил, что в компании около 1400 разработчиков, потребляющих примерно триллион токенов ежегодно. За последние три месяца этот показатель вырос вчетверо, и Adyen начала готовиться к ежегодному потреблению ста триллионов токенов.

Куда уходят их расходы на токены? Чем они занимаются?

Триллион токенов Adyen в основном тратится инженерной командой. У других платежных компаний токены также используются для проверки мерчантов, ответов в службу поддержки, обработки споров, чтения писем и анализа аномалий.

Деньги текут, как вода, и токены — тоже.

Люди сидят неподвижно, а токены продолжают расходоваться.

За последние 90 дней ИИ Adyen отредактировал около миллиона документов и принял участие в 20 000 коммитах в Git. Среднее количество запросов на слияние выросло на 48%, а инженеры оценивают экономию времени за счёт ИИ в 15%. Adyen считает, что затраты на токены, скорее всего, принесли двукратную отдачу.

Они привели пример: у Adyen есть бэкенд-система обработки платежей для выставления счетов, сверки и отчётов по организациям карт, включающая около 2000 боевых задач и более 40 организаций карт. Первоначально вся система была собрана в один крупный образ развертывания, и Adyen решила разделить её так, чтобы каждая организация карт имела собственный независимый образ.

Ранее такой проект требовал участия нескольких команд и занимал бы от 6 до 12 месяцев. В итоге два инженера совместно с ИИ завершили его за два месяца без инцидентов.

Примерно так агент кодирования потребляет токены. Он не просто дописывает пару строк кода: сначала читает код, документацию, находит зависимости и запускает тесты. При их провале анализирует сообщения об ошибках, корректирует код и снова запускает тесты. При одновременном открытии нескольких агентов эти процессы непрерывно повторяются в фоне. Люди сидят неподвижно, а токены продолжают расходоваться.

Stripe также отметила, что 91% её инженеров используют ИИ в повседневной работе (неясно, почему остальные 9% ещё не уволены). Внутренний агент кодирования еженедельно отправляет в продакшн более 1000 PR. Только в марте 2026 года Stripe создала более 57 000 PR с помощью ИИ-ассистента — рост на 140% за три месяца.

У Block аналогичная ситуация: около 7500 сотрудников еженедельно используют ИИ, более 90% коммитов включают участие ИИ, а средний объём еженедельных изменений кода вырос на 30%.

Сейчас основная часть расходов на токены у платежных компаний приходится на инженерный департамент. Применение ИИ в платежной индустрии — это не только написание нового кода «с нуля»; более реалистичное применение — помощь людям в преодолении сложности. Платежные системы масштабны, содержат много унаследованного кода и должны поддерживать банки, организации карт и различные способы оплаты. Раньше эта сложность в основном поглощала время инженеров, а теперь ИИ также вовлекается в эту работу — за счёт токенов.

Поиск документов, написание рекламы, чтение контрактов — всё это расходует токены.

Написание кода — лишь одна из задач ИИ внутри компаний. В крупной финтех-компании ежедневно тратится много времени на поиск информации: где политика возмещения расходов? Какая команда отвечает за эти данные? Где подать заявку на доступ к системе? Кому обращаться за отпуском? Чем крупнее компания, тем больше документов; чем их больше, тем легче потеряться.

В Nubank работает около 9000 сотрудников, и разные команды хранят процессы и документы в Confluence. При возникновении проблем сотрудникам может потребоваться полчаса на поиск; если ответ не найден, создаётся тикет, и ждать приходится несколько часов. Позже Nubank создала внутренний инструмент AskNu: сотрудники задают вопросы прямо в Slack. AskNu определяет, в какой отдел относится вопрос, ищет ответ в соответствующих документах Confluence, затем формирует ответ с помощью большой языковой модели, включая исходную ссылку.

Через шесть месяцев после запуска у AskNu было 5000 пользователей и обработано 280 000 сообщений. Nubank сообщил, что сократил часть внутренних заявок на 96 %. Проблемы, которые ранее требовали 30 минут на поиск или 8-часового ожидания заявки, теперь решаются в среднем за 9 секунд.

AskNu напрямую не помогает клиентам переводить деньги или обрабатывать платежи, но постоянно анализирует вопросы, извлекает документы и структурирует ответы. Каждый сотрудник компании задаёт несколько вопросов в день, и токены накапливаются постепенно.

Команда контента действует аналогично. Chime назвала свою внутреннюю модель контента предельно просто — ChimeGPT. Также была создана «бренд-мозг», включающая прошлые бренд-истории, отзывы пользователей, результаты кампаний и обсуждения в сообществе. Маркетинговая команда использует её для генерации разных версий контента и персонализированных процессов онбординга, после чего материалы проходят проверку бренд-менеджерами, юристами и специалистами по соответствию.

Chime сообщил, что годовой объём контент-выхода внутренней команды вырос более чем на 300 %, а время производства сократилось на 60 %. То, что раньше занимало десять часов — от концепции до кампании, — теперь выполняется примерно за четыре часа, а объём тестирования увеличился втрое. Интересны и данные Klarna: 90 % сотрудников ежедневно используют генеративный ИИ; в отделах коммуникаций, маркетинга и юридического сопровождения показатели использования составляют 93 %, 88 % и 86 % соответственно.

Написание кода расходует токены, как и создание рекламы, перевод материалов, суммирование встреч, анализ договоров и ответы на вопросы коллег.

«Платье шампанского цвета» не означает продажу алкоголя.

Платёжные компании ежедневно выполняют задачу, схожую с проверкой личности: кто этот человек? Что именно он продаёт? Можно ли разрешить ему принимать платежи?

Мерчанты, конечно, не честно представляются в формах платёжной компании. Улики разбросаны по официальным сайтам, страницам продуктов, регистрационным документам и новостным статьям, часто на разных языках. Ранние системы не справлялись с такой сложностью, и самый простой способ — проверка ключевых слов.

Airwallex привёл забавный пример. Один мерчант продаёт «куртку военного стиля», и система видит «военный», что может вызвать подозрение в продаже запрещённых военных товаров; другой пишет «платье шампанского цвета», и система видит «шампанское», что может навести на мысль о продаже алкоголя.

Человек сразу поймёт, что куртка военного стиля — не оружие, а в платье шампанского цвета нет шампанского. Но ключевые слова не понимают ни цвета, ни моды — они лишь видят, что слово выглядит немного подозрительно.

В этом как раз и проявляются сильные стороны больших моделей: они не сосредотачиваются лишь на одном слове, а сначала читают окружающий контекст и только потом определяют, что именно продаёт мерчант. Airwallex сообщил, что после внедрения генеративного ИИ в KYC доля ложных срабатываний в связанных процессах снизилась на 50 %, а число клиентов, прошедших онбординг без участия человека, выросло на 20 %.

Stripe также начал использовать ЯОМ для онбординга мерчантов в 2023 году. Большая модель не одобряет всех мерчантов автоматически, а сначала обрабатывает открытые неструктурированные данные и быстро пропускает заявки, явно соответствующие требованиям. Более 80 % «подходящих мерчантов» могут быть одобрены мгновенно. Время проверки политики у Checkout.com сократилось с 60 до 10 минут.

Раньше сотрудникам приходилось открывать веб-страницы, читать материалы, сверяться с политиками и самостоятельно формулировать выводы; теперь большая модель сначала проводит анализ и выделяет области, требующие внимания человека. Токены, потраченные здесь, позволяют сократить ложные срабатывания, ускорить открытие счётов и снизить трудозатраты персонала на обработку заведомо корректных документов.

Даже кофе за пять долларов проходит через финансы.

Платёжные компании помогают другим распоряжаться деньгами, но внутри всё равно нужно возмещать расходы, проводить аудит, контролировать счёта-фактуры и вести бухучёт. Это, возможно, самый незаметный тип финтех-решений на основе ИИ. Когда сотрудник оплачивает чашку кофе корпоративной картой, ему может потребоваться загрузить чек, указать цель покупки и выбрать категорию расходов; менеджер должен подтвердить, связано ли это с работой, финансы — проверить соответствие политике, выполнить бухгалтерскую классификацию и синхронизировать данные в ERP. Сумма может составлять всего пять долларов, но затраты на её обработку зачастую выше.

Ramp создал Policy Agent специально для аудита таких расходов. Он проверяет соответствие чека и транзакции, наличие дублирующихся возмещений, чёткость цели покупки, нарушение корпоративной политики и аномальные траты сотрудника. Соответствующие политике расходы могут автоматически предлагаться к утверждению, а проблемные направляются на рассмотрение человека. Ramp сообщает, что первые клиенты сократили ручную проверку примерно на 85 %, обеспечив точность соблюдения политики расходов свыше 99 %, при этом окончательное право утверждения остаётся за человеком.

Brex Assistant берёт на себя ещё более мелкие задачи: автоматически находит чеки, составляет записки, заполняет категории расходов и список участников, а также заранее уточняет у сотрудников несоответствующие расходы. Brex привёл пример: в чеке может не быть слова «алкоголь», а лишь «водка». Ранние правила по ключевым словам могли это пропустить, тогда как большая модель знает, что водка относится к алкоголю.

Такая работа идеально подходит для обмена токенов на время.

Аналитики по борьбе с отмыванием денег тратят большую часть времени не на выявление мошенников.

Платёжные компании ежедневно генерируют большое количество сигналов риска. По-настоящему подозрительных операций может быть немного, но каждый сигнал требует, чтобы сотрудник открыл его, проверил данные клиента, проанализировал историю транзакций, изучил связанные счета и составил пояснение — почему расследование следует закрыть или передать на углублённую проверку. Многие аналитики по БОРД тратят время не на выявление мошенников, а на доказательство того, что клиент в данный момент не выглядит подозрительно.

Nexo использует ИИ-агента Unit21 для предварительного анализа сигналов. Агент структурирует данные о транзакциях и счетах, анализирует связи между адресами и формирует краткие отчёты по расследованиям с рекомендациями. Теперь аналитики не начинают с чистого листа, а проверяют материалы и выводы, подготовленные ИИ.

В кейсе, опубликованном совместно Unit21 и Nexo, указано: доля ложных срабатываний у Nexo снизилась на 93% по сравнению с предыдущей внутренней системой; сейчас ИИ автоматически завершает 57% проверок сигналов, цель — довести этот показатель до 80%. Обратите внимание: эти цифры приведены в совместном кейсе поставщика и клиента, а не в независимом аудите; Unit21 не раскрывает, сколько токенов расходуется на одно расследование.

Однако этот пример наглядно демонстрирует возможности ИИ в сфере БОРД: машина собирает данные, выстраивает связи и составляет объяснительный текст; человек же принимает решение — действительно ли ситуация подозрительна и нужно ли сообщать об этом регуляторам.

Клиент просто спросил: «Где мои деньги?»

Служба поддержки платёжных компаний — это не всегда простые запросы вроде «помогите сменить пароль». Когда клиент спрашивает: «Почему деньги ещё не пришли?», это может затрагивать эквайринговый банк, платёжную систему, эмитирующий банк, конвертацию валюты, цикл расчётов, статус возврата средств и ограничения по счёту. Сотрудники поддержки должны проверить несколько систем и собрать информацию воедино, чтобы дать внятный ответ.

ИИ-агенты проходят тот же процесс: сначала понимают проблему, затем запрашивают данные о транзакции, извлекают правила, определяют следующий шаг и формируют ответ. Каждый раз при обращении к системе результаты передаются модели, и токены расходуются циклически.

Checkout.com сообщает, что около 60% запросов поддержки — это простые, повторяющиеся вопросы; компания прогнозирует, что к 2026 году ИИ-агенты будут самостоятельно обрабатывать более половины обращений. Block сообщил, что примерно 65% кейсов поддержки Cash App уже используют ИИ. Цифры Klarna ещё нагляднее: её ИИ-ассистент обслужил свыше 4 млн клиентов в первом полугодии 2024 года, а годовая экономия составит $40 млн.

Расчёт токенов в поддержке прост: раньше определённое число сотрудников обрабатывало определённое число обращений, теперь то же число обращений обрабатывают определённые токены — можно точно подсчитать, потребовалось ли перенаправление на человека или повторное открытие обращения клиентом.

То же относится к чарджбэкам и урегулированию споров. Stripe получает множество автоматизированных писем от финансовых партнёров, которые ранее требовали ручного прочтения и последующей обработки в системе; теперь LLM сначала читают письма, понимают запрос контрагента и преобразуют его в вызовы API. Checkout.com также отметил, что распределение отказов в проведении операций, ранее выполнявшееся вручную, теперь полностью автоматизировано.

Эти задачи могут звучать не так грандиозно, как «ИИ меняет финансы», но они трудоёмки и идеально подходят для расходования токенов.

Когда ИИ начинает говорить, анализируя ваши активы

Упомянутые ранее ИИ-системы в основном невидимы для клиентов: они работают «за кулисами» — в коде, аудитах и системах поддержки. Cortex от Robinhood отличается: он напрямую отображается на смартфонах инвесторов.

Когда пользователь открывает акцию, Cortex считывает текущие котировки, последние новости, аналитические отчёты, технические индикаторы и внутренние данные Robinhood, а затем простым языком объясняет, почему акция сегодня растёт или падает. Он также сопоставляет новость с портфелем пользователя, чтобы показать, почему она важна именно для него.

Robinhood сообщил, что к первому кварталу 2026 года «ежедневные дайджесты» Cortex использовали почти 1 млн клиентов. Следующий шаг — позволить пользователям покупать и продавать акции и криптовалюту, анализировать рынок и настраивать аккаунт с помощью естественного языка.

Теперь токены расходуют не только сотрудники компании: каждый вопрос пользователя заставляет Cortex считывать новость или отчёт, а каждая интерпретация с учётом личного портфеля требует повторной обработки контекста.

Настоящая сложность возникает, когда ИИ начинает действовать от имени пользователя: цена ошибки меняется. Если новость истолкована неверно — пользователь лишь получит ложное представление; если же будет совершена ошибка при покупке акции, будут потеряны реальные деньги. Поэтому Robinhood установил для Cortex чёткие границы: какие данные он может видеть, о чём может говорить и какие действия требуют подтверждения от пользователя.

Триллион токенов — что это значит для компаний ИИ?

Во-первых, рассмотрим Adyen: около 1400 разработчиков используют 1 триллион токенов в год — в среднем по 710 млн на человека. При 250 рабочих днях это около 2,86 млн токенов на человека в день. Это уже не просто редкое использование ИИ для написания нескольких строк кода, а работа агента в течение всего рабочего дня.

Но при сопоставлении с индустрией ИИ единица измерения быстро меняется.

Продукт Manus работает несколько месяцев и обработал более 147 трлн токенов — столько Adyen использует за 147 лет. OpenRouter сейчас маршрутизирует 100 трлн токенов в месяц — это эквивалент годового объёма Adyen, умноженного на 100, каждый месяц. Конечно, это платформы для большого числа клиентов и их нельзя напрямую сравнивать с внутренней командой одной компании, но разница в масштабах очевидна.

Рассмотрим типичную бизнес-компанию — Prosus: множество e-commerce- и интернет-проектов, ИИ-агенты обслуживают 40 000 сотрудников, 5 млн партнёров и 1 млрд пользователей. Ежемесячное потребление — 82 трлн токенов, то есть годовой объём Adyen исчерпывается каждые четыре дня. За последний год потребление выросло в 52 раза.

OpenAI не раскрывает годовое потребление токенов, но указывает, сколько могут тратить исследователи. К августу 2026 г. медианная ежедневная вычислительная стоимость для исследователя (по ценам API) превысит $600; у 10% самых активных — свыше $7000. При 250 рабочих днях годовые затраты одного человека составят $150 000, а у «тяжёлых» пользователей — $1,75 млн.

Anthropic идёт дальше: она измеряет не деньги, а рабочее время. К августу 2026 г. суммарное рабочее время агентов под руководством сотрудников будет в шесть раз больше, чем у людей. Большинство токенов тратится на написание ПО, что за шесть месяцев увеличило среднюю скорость отправки кода каждым инженером в пять раз.

Manus похожа: соучредитель Чжан Тао отметил, что в один месяц средние расходы на ИИ на человека превысили $10 000, а у отдельных лиц достигали $70–80 тыс. в месяц. Не всё это — стоимость токенов, но смысл ясен: речь уже не о случайных вопросах ИИ, а об управлении группой агентов одновременно.

Таким образом, один триллион токенов можно считать и большим, и малым. По сравнению с ИИ-платформами — это лишь доля; но для платежной компании этот триллион приходится всего на ~1400 разработчиков, без учёта служб поддержки, комплаенса, управления рисками и клиентских ИИ. В этом свете подготовка Adyen к 100 трлн токенов в год выглядит вполне обоснованно.

Токены можно потратить, но счёт всё равно придётся оплатить.

Один триллион токенов не равен фиксированной сумме: цены моделей различаются в сотни раз. По стандартным ценам API OpenAI от 28 октября 2026 г., при условии 80 % входных и 20 % выходных токенов: при использовании только GPT-6 Luna теоретическая стоимость — ~$180 тыс.; при использовании только GPT-6 Astra — ~$18 млн.

Adyen фактически использует множество разных моделей и имеет собственную инфраструктуру рассуждений, семантическую маршрутизацию и корпоративные тарифы, поэтому реальный счёт значительно сложнее простого умножения. Один триллион токенов может стоить как очень дёшево, так и очень дорого. Большие расходы не всегда означают эффективное использование.

После исчерпания токенов компании должны ответить на базовые вопросы: сколько кода было завершено без сбоев? Сколько обычных мерчантов ошибочно заблокировали? Сколько обращений в поддержку решено без перевода на человека? При работе с чарджбэками правильные документы были предоставлены нужным людям?

Есть вопрос важнее стоимости: насколько далеко может зайти ИИ? Проверка информации в поддержке — низкий риск; помощь инженерам в написании кода — тесты и ревью всё ещё возможны; но если агенты получат право напрямую переводить средства, блокировать счета или отклонять мерчантов, цена ошибки станет принципиально иной.

Пока что платежные компании не будут спрашивать у большой модели про каждый платёж. Более реалистичное распределение ролей: бухгалтерская система продолжает вести учёт, специализированные правила и модели проверяют транзакции, большие модели отвечают за чтение/написание кода, проверку информации и обработку исключений, а люди остаются там, где ошибка особенно дорога.

Деньги текут, как вода, и токены — тоже.

Конец статьи

Статья основана исключительно на личных наблюдениях и размышлениях и не является инвестиционной или деловой рекомендацией. Читателям рекомендуется взвешенно оценивать информацию с учётом собственного понимания и источников.