支付公司的人工智慧每年消耗一兆個 token 在做什麼？

Adyen 首席技術官表示，公司約有 1,400 名開發人員，每年消耗近一兆個 token。過去三個月內此數字已增至四倍，Adyen 已開始為年耗百兆 token 做準備。

他們的 token 開銷流向何處？具體在做些什麼？

Adyen 的一兆 token 主要由工程團隊消耗。觀察其他支付公司，token 亦用於商家審核、客服回覆、處理退刷、閱讀郵件及異常調查等。

資金如水流淌，token 亦然。

人們靜坐不動，token 卻持續運轉。

過去 90 天，Adyen 的人工智慧編輯約百萬份文件、參與兩萬次 Git 提交；平均合併請求增加 48%，工程師估計 AI 節省約 15% 工時；Adyen 認為 token 投資已帶來約兩倍回報。

他們舉例說明：Adyen 有一套後端支付系統，負責開票、對帳與四十多家卡組織的報表，涵蓋約 2,000 個生產任務。原系統全塞入單一部署映像檔，Adyen 欲拆分為各卡組織獨立映像檔。

依過往做法，此專案需多團隊協作、耗時 6 至 12 個月；如今僅兩名工程師搭配 AI，兩月內完成且零事故。

這大致是 Coding Agent 的 token 消耗模式：它不僅補幾行程式碼，更會先讀原始碼、查文件、找相依性、執行測試；若失敗，則讀取錯誤訊息、修改程式碼、重跑測試。當使用者同時開啟多個 agent，這些流程便於背景持續反覆執行——人們靜坐不動，token 卻持續運轉。

Stripe 亦指出，其 91% 工程師日常使用 AI（餘下 9% 未採用原因不明）；內部 Coding Agent 每週向生產環境提交逾千份 PR；僅 2026 年 3 月，AI 輔助編碼 PR 就達 57,000 份，三月內增幅達 140%。

Block 情況類似：約 7,500 名員工每週使用 AI，逾 90% 程式碼提交含 AI 參與，平均每週程式碼變動量提升 30%。

目前看來，支付公司大額 token 費用主要來自工程部門。AI 在支付業的應用不僅限於從零寫新程式碼；更實際的是協助人類攀越複雜性高峰——支付系統龐大、遺留程式碼眾多，須兼容銀行、卡組織與多元支付方式；以往此複雜性主要消耗工程師時間，如今也引入 AI 分擔，進而消耗 token。

搜尋文件、撰寫廣告、閱讀合約，皆消耗 token。

寫程式碼只是企業內部運用 AI 的一環。稍大型的金融科技公司每日花大量時間查找資訊：報銷政策在哪？哪個團隊管理該資料？如何申請某系統權限？請假該聯絡誰？公司規模越大，文件越多；文件越多，越易迷失。

Nubank 約有 9,000 名員工，各團隊將流程與文件存放於 Confluence。員工遇問題常需搜尋半小時；若仍找不到，就得提申報單並等待數小時。Nubank 後來打造內部工具 AskNu，讓員工直接於 Slack 提問：AskNu 先判斷問題所屬部門，再於對應 Confluence 文件中搜尋答案，最後透過大模型整合回應並附上原始連結。

上線六個月後，AskNu 擁有 5,000 名使用者，處理了 28 萬則訊息。Nubank 表示，部分內部工單減少了 96%。過去需花 30 分鐘查找或等待 8 小時工單的問題，如今平均僅需 9 秒即可獲得解答。

AskNu 不直接協助客戶轉帳或處理付款，而是持續閱讀問題、檢索文件並整理答案。公司每位員工每天提問數次，代幣便逐步累積。

內容團隊亦然。Chime 將其內部內容模型直白命名為「ChimeGPT」，並建立名為「品牌大腦」的知識庫，涵蓋過往品牌故事、用戶回饋、行銷活動成效及社群討論。行銷團隊藉此生成多種版本內容與個人化啟用流程，再經品牌、法務與合規審查。

Chime 透露，內部團隊內容產出年增逾 300%，製作時間縮短 60%；以往從構思到活動上線需 10 小時，如今約 4 小時即可完成，測試量更達三倍。Klarna 的組織數據亦頗具啟發性：90% 員工每日使用生成式 AI，其中傳播、行銷與法務團隊使用率分別達 93%、88% 與 86%。

撰寫程式碼消耗代幣，撰寫廣告、翻譯資料、會議摘要、契約審閱及回答同事問題同樣耗費代幣。

『香檳色洋裝』不等於販售酒精。

支付公司每日執行某種類似身分核驗的任務：此人是誰？究竟銷售何物？能否允許其進駐收款？

商家當然不會老實依支付公司的表單自我介紹。線索散見於官方網站、商品頁面、註冊文件與新聞報導，且可能使用不同語言。舊有系統缺乏處理此複雜性的耐心，最簡單做法便是關鍵字比對。

Airwallex 提供了一個幽默範例：一商家銷售『軍風夾克』，系統看到『軍』字，可能誤判其販售禁售軍用品；另一商家寫著『香檳色洋裝』，系統見到『香檳』二字，或誤以為其販售酒精。

人類一眼便知軍風夾克非武器，香檳色洋裝裡也無香檳。但關鍵字不懂色彩與時尚，只知該詞看似帶有風險。

這正是大型模型的強項：不只聚焦單一字詞，而是先通讀上下文，再判斷商家實際銷售何物。Airwallex 表示，將生成式 AI 導入 KYC 後，相關流程誤報率平均下降 50%，無須人工介入即可完成啟用的客戶數增加 20%。

Stripe 於 2023 年起亦採用 LLM 進行商家啟用。它不允許大型模型全權核准所有商家，而是先處理開放式非結構化資訊，快速通過明確符合要求的申請。逾 80%『合格商家』可即時自動核准。Checkout.com 的政策審查時長則由 60 分鐘縮短至 10 分鐘。

過去員工須自行開啟網頁、閱讀資料、核對政策並撰寫結論；如今大型模型先行通讀，再標出需人工關注之處。此處消耗的代幣，換來的是更少誤報、更快開戶，以及內部人員無需耗時處理無疑義文件。

一杯五美元的咖啡也要經過財務流程。

支付公司雖協助他人處理金流，內部仍須執行費用核銷、稽核、催收發票與會計作業。這或許是最不顯眼的一類金融科技 AI 產品。當員工刷公司卡買一杯咖啡，可能需上傳收據、說明用途並選擇費用類別；主管須確認是否因公；財務須檢視政策、進行會計編碼，再同步至 ERP 系統。金額雖僅五美元，但處理成本往往更高。

Ramp 特別開發「政策代理人」（Policy Agent）審核此類費用：比對收據與交易是否一致、有無重複核銷、用途是否明確、是否違背公司政策，以及員工近期支出是否異常。合規費用可自動建議核准，異常者則交由人工處理。Ramp 表示，早期客戶手動審查量減少約 85%，費用政策執行情準確率逾 99%，最終核准權仍保留在審核人手中。

Brex Assistant 更能處理瑣碎事務：自動尋找收據、撰寫備忘錄、填寫費用類別與參與人員，並主動向員工釐清不合規支出。Brex 舉例說明：收據未必寫明『酒精』，僅註記『伏特加』；舊關鍵字規則可能漏判，但大型模型知道伏特加屬於酒精。

這類工作正適合以代幣換取時間。

反洗錢分析師大部分時間並非用於揪出不法分子。

支付公司每日產生大量風險警報；其中真正可疑的交易可能不多，但每則警報均需人工開啟、查閱客戶資料、審視歷史交易、檢視關聯帳戶，再撰寫一段說明以決定結案或升級調查。許多反洗錢分析師的時間並非花在揪出不法分子，而是證明某人當下「看似」並非不法分子。

Nexo 採用 Unit21 的 AI 代理執行初步警報審查：該代理整合交易與帳戶資訊、分析地址間關聯性，並產出調查摘要與處置建議；分析師不再從零開始，而是審核 AI 提供的材料與結論。

Unit21 與 Nexo 共同發布的案例指出，相較舊有內部系統，Nexo 的誤報率降低 93%，目前 57% 的警報審查已由 AI 自動完成，目標提升至 80%。須注意：此數據出自廠商與客戶聯合發布之案例，非獨立稽核結果；Unit21 未公開每宗調查耗用多少 Token。

然而此案例明確展現 AI 在反洗錢領域的應用：機器負責蒐集資料、釐清關聯、撰寫敘述；人類則判斷是否真屬可疑，以及是否須通報監管單位。

有客戶僅簡單問道：「我的錢在哪裡？」

支付公司的客服工作，有時不僅是「幫我更改密碼」這類簡單請求。當客戶問「款項為何尚未入帳？」，問題可能牽涉收單銀行、卡組織、發卡銀行、貨幣兌換、清算週期、退款狀態及帳戶限制等；客服人員須跨多系統查詢，拼湊資訊後方能提供連貫解答。

AI 代理亦經歷相同流程：先理解問題、查詢交易、檢索規則、判定下一步，再生成回應；每次查詢系統，結果皆須回傳模型，Token 消耗亦隨之逐輪累加。

Checkout.com 表示約 60% 的客服請求屬簡單重複型問題，預期至 2026 年，AI 代理將可獨立處理逾半數客服量；Block 透露 Cash App 約 65% 的客服案件已導入 AI；Klarna 數據更直接：其 AI 助理於 2024 年上半年服務逾 400 萬客戶，預計年省 4,000 萬美元。

客服所耗 Token 數計算方式很直觀：過去由特定人力處理特定票數；如今改由特定 Token 數處理同等票數，並可統計轉接人工比例或客戶重啟案件率。

爭議款與拒付處理亦同理：Stripe 每日接收金融夥伴大量自動化郵件，過去須員工逐一閱讀並於系統中手動處理；現今 LLM 可先讀取郵件、理解對方需求，再轉為 API 呼叫執行；Checkout.com 亦表示，過去仰賴人工完成的交易拒付分類，目前已達 100% 自動化。

這些任務聽來或許不如「AI 改變金融業」般宏偉，卻極耗時且極適合消耗 Token。

當 AI 開始一邊查看你的持倉，一邊開口說話

前述 AI 多數對客戶隱形，運作於程式碼、稽核與客服系統幕後；Robinhood Cortex 則不同——它直接呈現在投資人手機上。

用戶點選個股時，Cortex 即即時讀取報價、突發新聞、分析師報告、技術指標及 Robinhood 自有資料，並以通俗語言解釋該股今日漲跌原因；同時結合用戶實際持倉，說明此則新聞對其帳戶的關聯性。

Robinhood 透露，截至 2026 年第一季，Cortex Digests 已被近 100 萬用戶使用；下一步將支援用戶以自然語言直接買賣股票與加密貨幣、進行市場研究及調整帳戶設定。

此時，消耗 Token 的已不僅是公司員工：每當用戶提問，Cortex 即讀取一篇新聞或研究報告；每次依據個人持倉重新詮釋，亦須再次處理上下文。

真正的難題在於：一旦 AI 代表用戶操作，錯誤成本便隨之改變——若新聞解讀錯誤，用戶僅受誤導；若股票買賣失誤，則造成真實金錢損失。因此 Robinhood 亦為 Cortex 設定明確界線：可存取哪些資料、可陳述哪些內容、哪些動作必須經用戶確認。

一兆顆 Token，對 AI 公司意味著什麼？

首先看 Adyen 公司本身：約 1,400 名開發人員一年使用 1 兆個 Token，平均每人 7.1 億個。假設每年 250 個工作日，即每人每日約 286 萬個 Token。這已非偶爾讓 AI 補幾行程式碼，而是擁有一名全天候運作的 AI 代理。

但若將此數字放入整個人工智慧產業中，衡量單位便迅速改變。

Manus 產品上線數月已處理逾 147 兆個 Token，相當於 Adyen 147 年的用量；OpenRouter 目前每月路由 100 兆個 Token，等同每月消耗 100 個 Adyen 公司的年用量。當然，這些是服務大量客戶的平台，不能直接與單一企業內部工程團隊相比，但差異規模極為直觀。

再看一家典型企業 Prosus：旗下擁有眾多電子商務與網際網路業務，AI 代理服務 4 萬名員工、500 萬合作夥伴及 10 億用戶，每月消耗 82 兆個 Token，約每 4 天就耗盡 Adyen 全年用量；過去一年 Token 使用量更成長 52 倍。

OpenAI 未公布年度 Token 消耗量，但透露研究人員預算上限：截至 2026 年 8 月，研究員日均運算成本（依 API 定價估算）中位數將逾 600 美元，前 10% 可達每日逾 7,000 美元。以年 250 個工作日計，一般研究員年支出約 15 萬美元，重度使用者則達 175 萬美元。

Anthropic 更直接——不計金額，而計工時：截至 2026 年 8 月，員工所管理之 AI 代理總工時將達人類的 6 倍；多數 Token 用於撰寫軟體，使工程師程式碼提交速度於六個月內平均提升至原先 5 倍。

Manus 情況類似：共同創辦人張濤提及，曾有單月人均 AI 支出逾 1 萬美元，少數人達每月 7 萬至 8 萬美元。此非全屬 Token 成本，但意義明確：他們已非偶爾向 AI 提問，而是同時管理一群 AI 代理。

因此，一兆個 Token 既可視為龐大，亦可視為微小：相較 AI 平台僅是零頭；但對支付公司而言，這 1 兆僅由約 1,400 名開發者產生，尚未計入客服、合規、風險控管及面向客戶的 AI。由此觀之，Adyen 為年耗 100 兆個 Token 做準備絕非誇大。

Token 可被消耗，帳仍須結清。

一兆個 Token 不等同固定金額帳單；不同模型價格可相差百倍。依 OpenAI 於 2026 年 10 月 28 日公布的標準 API 價格，假設其中 80% 為輸入、20% 為輸出：若全採 GPT-6 Luna，理論成本約 18 萬美元；若全採 GPT-6 Astra，理論成本則約 1,800 萬美元。

Adyen 實際採用多種模型，並自建推理基礎設施、語意路由及企業級定價，真實帳單遠比單純乘法複雜。一兆個 Token 可能極便宜，亦可能極昂貴；花得多，未必用得好。

Token 耗盡後，企業必須回答幾個基本問題：無事故完成多少程式碼？誤判多少正常商家？多少客服單據無需轉回人工處理？處理拒付時，是否正確提供資料給正確人員？

比成本更重要的問題是：AI 的能力邊界在哪？協助客服查資訊風險不高；協助工程師寫程式碼尚可透過測試與審查把關；但若允許 AI 代理直接調撥資金、凍結帳戶或拒絕商家，錯誤成本則截然不同。

至少目前，支付公司不會針對每筆付款詢問大模型。更務實的分工是：帳簿持續記帳，規則引擎與專用模型持續審核交易，大模型負責閱讀、撰寫程式碼、查驗資訊與處理例外，而人類則留在錯誤代價更高的崗位。

資金如流水，Token 亦如是。

本文完

本文純屬個人觀察與思考，不構成任何投資或商業建議。讀者宜理性參酌自身理解與資訊來源。