一年一萬億 Token，支付公司的 AI 在幹什麼？

Adyen 的 CTO 說，公司有大約 1,400 名開發者，一年要消耗約一萬億 Token。過去三個月，這個數字又翻了四倍，Adyen 已經開始為一年消耗十萬億 Token 做準備。

他們的 Token 花在哪裡了？要幹什麼？

Adyen 的這一萬億 Token，主要是工程團隊燒掉的，再看看其他支付公司，Token 還花在審核商戶、回答客服、處理拒付、閱讀郵件和調查異常上。

錢如流水，Token 亦是。

人坐在那裡沒動，Token 一直在跑

過去 90 天，AI 在 Adyen 編輯了大約 100 萬個文件，參與完成了 2 萬次 Git commit。公司的人人均 merge request 增長了 48%，工程師自己估計，AI 幫他們節省了約 15% 的時間。Adyen 認為花在 Token 上的錢，大概獲得了兩倍回報。

他們講了一個例子，Adyen 有一組負責請款、對賬和卡組織報表的支付後台系統，裡面有大約 2,000 個生產任務，涉及四十多個卡組織。原來的系統全擠在一個很大的部署鏡像裡，Adyen 想把它拆開，讓每個卡組織有自己獨立的鏡像。

按照以前的做法，這個項目要拉上多個團隊，做 6 到 12 個月。最後，兩名工程師配合 AI，兩個月做完了，而且沒有發生事故。

這大概就是 Coding Agent 消耗 Token 的方式。它不是幫你補兩行代碼就走了，而是要先讀代碼、讀文檔、找依賴、運行測試；測試失敗以後，再讀報錯、修改代碼、重新運行。一個人同時開幾個 Agent，它們就在後台不斷重複這些過程。人坐在那裡沒動，Token 一直在跑。

Stripe 也說過他們 91% 的工程師已經在日常工作裡使用 AI（不知道 9% 為什麼還沒有被裁），內部 Coding Agent minion 每週會向生產環境提交超過 1,000 個 PR。僅 2026 年 3 月，Stripe 就有超過 57,000 個 PR 使用了 AI Coding Assistance，三個月增長 140%。

Block 也差不多，大約 7,500 名員工每週使用 AI，超過 90% 的代碼提交有 AI 參與，人均每週代碼變更數量增加了 30%。

目前看，支付公司很大一筆 Token 賬單來自工程部門。支付行業用 AI，不只是從零寫新代碼，更現實的用途是幫人類爬屎山。支付系統太大，歷史代碼太多，還要兼容銀行、卡組織和各地的支付方式。過去這些複雜性主要消耗工程師的時間，現在 AI 也被拉來一起爬，消耗的是 Token。

找文檔、寫廣告、讀合同，都在燒 Token

寫代碼只是公司內部使用 AI 的一部分。一家規模稍微大一點的 Fintech，每天還有很多時間花在找資料上：報銷政策在哪裡？這個數據歸哪個團隊管？某個系統的權限去哪裡申請？休假應該找誰？公司越大，文檔越多；文檔越多，越容易找不到。

Nubank 大約有 9,000 名員工，不同團隊把自己的流程和文檔放在 Confluence 裡。員工遇到問題時，可能要自己翻半個小時；實在找不到，就開一張工單，等上幾個小時。Nubank 後來做了一個叫 AskNu 的內部工具，員工直接在 Slack 裡提問。AskNu 先判斷問題屬於哪個部門，再去對應的 Confluence 文檔裡找答案，最後由大模型整理成一段回覆，並附上原始鏈接。

上線六個月以後，AskNu 有 5,000 名用戶，處理了 28 萬條消息。Nubank 稱，它讓部分內部的工單減少了 96%。原來可能要找 30 分鐘、或者開工單等 8 小時的問題，現在平均 9 秒得到回答。

AskNu 不會直接幫客戶轉賬，也不會多處理一筆支付，卻會不停讀取問題、檢索文檔、整理答案。公司裡每個人每天問幾次，Token 就這樣一點一點堆起來了。

內容團隊也一樣。Chime 給自己的內部內容模型起了一個很直白的名字：ChimeGPT。它還做了一個 "brand brain"，把過去的品牌故事、用戶反饋、活動效果和社區討論放進去。市場團隊用它生成不同版本的內容和個性化 onboarding 流程，再經過品牌、法務和合規審核。

Chime 披露，內部團隊的內容產量同比增長超過 300%，製作時間縮短了 60%。原來從創意到 campaign 要十小時的工作，現在大約四小時可以完成，測試量增加了三倍。Klarna 的組織數據也很有意思：90% 的員工每天使用生成式 AI，傳播、市場和法務團隊的使用率分別達到 93%、88% 和 86%。

寫代碼會消耗 Token，寫廣告、翻譯材料、總結會議、讀合同、回答同事的問題，也會。

"香檳色連衣裙"，不等於賣酒

支付公司每天都在做一件有點像查戶口的事：這個人是誰？賣的到底是什麼？我們敢不敢讓他進來收錢？

商戶當然不會老老實實按照支付公司的表格介紹自己。線索散在官網、商品頁面、註冊文件和新聞裡，還可能寫著不同的語言。以前的系統沒有那麼多耐心，最簡單的辦法就是查關鍵詞。

Airwallex 舉過一個很好笑的例子。一個商戶賣的是 "military-style jacket"，系統看到 military，可能懷疑他在賣違禁軍品；另一個商戶寫著 "champagne-colored dress"，系統看到 champagne，又可能把人家當成賣酒的。

人一眼就知道，軍裝風夾克不是軍火，香檳色連衣裙裡也沒有香檳。但關鍵詞不懂顏色，也不懂時尚，它只知道這個詞看起來有點危險。

這正好是大模型比較會做的事情：不要只盯著一個詞，先把前後內容讀完，再看看商戶到底在賣什麼。Airwallex 說，把生成式 AI 加進 KYC 以後，相關環節的誤報平均減少了 50%，不用人工介入、可以直接完成 onboarding 的客戶增加了 20%。

Stripe 也從 2023 年開始把 LLM 用在商戶 onboarding 上。它不是讓大模型批准所有商戶，而是先處理開放、非結構化的信息，把明顯符合要求的申請快速放過去。Stripe 超過 80% 的 "可支持商戶" 可以即時自動通過。Checkout.com 的 policy review，則從 60 分鐘縮短到了 10 分鐘。

以前員工要自己打開網頁、閱讀材料、查政策、寫結論，現在換成大模型先讀一遍，把需要人看的地方挑出來。這裡燒掉的 Token，換回來的是少一點誤報、快一點開戶，以及讓內部人員少看一點根本沒有問題的材料。

一杯五美元的咖啡，也要過一遍財務

支付公司幫別人處理錢，自身內部照樣要報銷、審費用、追發票和做賬。這可能是最不起眼的一類 Fintech AI 產品。員工刷公司卡買了一杯咖啡，後面可能要上傳小票、補用途、選擇費用類別；經理要確認是不是為了工作，財務還要檢查政策、做會計編碼，再同步進 ERP。金額可能只有五美元，處理它的人力成本反而更高。

Ramp 做了一個 Policy Agent，專門審這類支出。它會檢查小票和交易能不能對上、是否有重複報銷、用途寫清楚沒有、是否違反公司政策，以及員工最近是否有異常消費。符合政策的可以自動建議通過，有問題的再交給人。Ramp 稱，早期客戶把人工審核減少了約 85%，費用政策執行準確率超過 99%，最終批准權仍然留在審核人手裡。

Brex Assistant 做的事情更瑣碎。它會自動找小票、寫 memo、填費用類別和參會人，遇到不合規的支出，還會主動追問員工。Brex 舉過一個例子：小票上可能沒有寫 "alcohol"，只寫了 "vodka"。以前的關鍵詞規則不一定看得出來，大模型知道伏特加也算酒。

這種活很適合拿 Token 來換時間。

AML 分析師，大部分時間不是在抓壞人

支付公司每天會產生大量風險提醒。真正可疑的交易可能不多，但每一條提醒都要有人打開、查客戶資料、看歷史交易、檢查關聯賬戶，再寫一段為什麼關閉或者為什麼升級調查。很多 AML 分析師的時間，並不是花在抓壞人上，而是花在證明這個人暫時看起來不像壞人。

Nexo 使用 Unit21 的 AI Agent 做初步的 alert review。Agent 會整理交易和賬戶信息，分析地址之間的關係，生成調查摘要和處理意見。分析師不再從空白頁面開始，而是檢查 AI 給出的材料和結論。

Unit21 與 Nexo 發布的 case study 裡提到，Nexo 的誤報比原來的內部系統減少了 93%，目前 57% 的 alert review 已經由 AI 自動完成，目標是提高到 80%。這組數字要打個括號：它來自供應商和客戶共同發布的案例，不是獨立審計結果；Unit21 也沒有公布每次調查消耗多少 Token。

不過，這個案例把 AI 在 AML 裡能幹什麼說得很清楚：機器把材料找齊，把關係畫出來，把 narrative 寫好；人來判斷它是不是真的可疑，以及要不要向監管機構報告。

客戶只問了一句："我的錢呢？"

支付公司的客服，有時候不是"幫我改一下密碼"那麼簡單。客戶問一句"為什麼錢還沒到賬"，後面可能牽涉收單行、卡組織、發卡行、幣種轉換、結算週期、退款狀態和帳戶限制。客服要去好幾個系統裡查，再把查到的東西拼起來，才能回答一句人話。

AI Agent 做這件事，也要經歷同樣的過程：先理解問題，查詢交易，檢索規則，判斷下一步，再生成回覆。每查一次系統，結果都要重新送回模型，Token 就這樣一輪一輪地消耗掉了。

Checkout.com 說，大約 60% 的客服請求是簡單、重複的問題，公司預計 2026 年 AI Agent 可以獨立解決超過一半的客服量。Block 披露，Cash App 大約 65% 的客服 case 已經使用 AI。Klarna 的數字更直接：它的 AI Assistant 在 2024 年上半年服務了超過 400 萬客戶，公司預計每年可以節省 4,000 萬美元。

客服用 Token 的這筆帳不難算。以前多少人處理多少張工單，現在多少 Token 處理多少張工單，最後有沒有轉人工、有沒有被客戶重新打開，都可以數出來。

拒付和爭議處理也是一樣。Stripe 會收到金融合作夥伴發來的大量自動郵件，過去需要員工一封一封看，再進入系統處理；現在 LLM 可以先讀郵件，理解對方要什麼，再把要求轉成 API 調用。Checkout.com 則表示，以前靠人工完成的被拒交易分發，已經實現 100% 自動化。

這些工作聽起來沒有"AI 改變金融"那麼宏大，但它們很花時間，也很適合消耗 Token。

當 AI 開始看著你的持倉說話

前面說的這些 AI，客戶大多看不見。它們躲在代碼、審核和客服系統後面幹活。Robinhood Cortex 不一樣，它直接出現在投資者的手機裡。

用戶打開一隻股票，Cortex 會閱讀即時行情、突發新聞、分析師報告、技術指標和 Robinhood 自己的數據，再用普通人能看懂的話解釋：這隻股票今天為什麼在漲，或者為什麼在跌。它還會結合用戶持倉，告訴他這條新聞為什麼和自己的帳戶有關。

Robinhood 披露，Cortex Digests 到 2026 年第一季度已經被接近 100 萬名客戶使用。下一步，它還想讓用戶直接用自然語言買賣股票和加密資產、研究市場、調整帳戶設置。

到了這裡，燒 Token 的已經不只是公司員工。用戶每問一個問題，Cortex 每讀一份新聞和研報，每結合一次個人持倉重新解釋，都要再處理一遍上下文。

真正麻煩的是，一旦 AI 開始替用戶操作，犯錯的代價就不一樣了。新聞講錯了，用戶可能只是被誤導；股票買錯了，虧的可是真金白銀。所以 Robinhood 也給 Cortex 劃了紅線：能看什麼、能說什麼，哪些操作必須由用戶自己確認。

一年一萬億 Token，放在 AI 公司裡是什麼水平？

先看 Adyen 自己，大約 1,400 名開發者，一年用掉 1 萬億 Token，平均每個人一年 7.1 億。如果按 250 個工作日算，就是每人每天約 286 萬 Token。這已經不是偶爾讓 AI 補幾行代碼了，而是整天開著 Agent 幹活。

但把這個數字放進 AI 行業，計量單位很快就變了。

Manus 的產品上線幾個月，累計處理了超過 147 萬億 Token，相當於 Adyen 147 年的量。OpenRouter 現在一個月路由 100 萬億 Token，等於每個月跑掉 100 個 Adyen 的全年用量。當然，這些都是面向大量客戶的平台，不能和一家公司內部的工程團隊直接比較，但數量級的差距很直觀。

再看一家更像普通公司的，Prosus 旗下有大量電商和互聯網業務，AI Agent 服務 4 萬名員工、500 萬合作夥伴和 10 億用戶。它一個月就要用掉 8.2 萬億 Token，差不多每四天跑完 Adyen 一年的量。過去一年，它的 Token 使用量增長了 52 倍。

OpenAI 沒說自己一年到底燒掉多少 Token，但它公布了研究人員有多能花。到 2026 年 8 月，一個研究人員一天用掉的算力，按 API 價格折算，中位數已經超過 600 美元。最能用的那 10%，一天超過 7,000 美元。按一年工作 250 天算，一個人就是 15 萬美元，重度用戶則是 175 萬美元。

Anthropic 更直接，它算的不是錢，而是誰幹得更久。到 2026 年 8 月，員工手下那些 Agent 加起來，工作時間已經是人類的 6 倍。大部分 Token 都拿去寫軟體了，結果是平均每名工程師提交代碼的速度，半年漲到原來的 5 倍。

Manus 也差不多。聯合創始人張濤說，公司曾經有一個月，平均每個人的 AI 開銷超過 1 萬美元，少數人一個月能花掉七八萬美元。這裡面不全是 Token 費，但意思很清楚：他們已經不是偶爾問問 AI，而是一個人同時帶著一群 Agent 幹活。

所以，一萬億 Token 說大很大，說小也小。和 AI 平台比，它只是零頭；但對一家支付公司來說，這 1 萬億只發生在約 1,400 名開發者身上，還沒有算客服、合規、風控和面向客戶的 AI。這樣看，Adyen 為一年 10 萬億 Token 做準備，並不算誇張。

Token 可以燒，帳還是要算

一萬億 Token 也不等於一張固定金額的帳單，不同模型的價格可以差一百倍。按照 2026 年 10 月 28 日 OpenAI 公布的標準 API 價格，假設一萬億 Token 裡 80% 是輸入、20% 是輸出：如果全部使用 GPT-6 Luna，理論費用大約是 18 萬美元；如果全部使用 GPT-6 Astra，理論費用大約是 1,800 萬美元。

Adyen 實際用了很多不同的模型，也有自己的推理基礎設施、語義路由和企業價格，真實帳單肯定不是這樣簡單相乘。同樣是一萬億 Token，可以很便宜，也可以很貴。花得多，也不代表用得好。

Token 燒完以後，公司總得回答幾個很樸素的問題：多完成了多少沒有出事故的代碼？少誤判了多少正常商戶？解決了多少沒有再次轉人工的客服工單？處理拒付的時候，有沒有把正確的材料交給正確的人？

還有一個問題比成本更重要：AI 可以做到哪一步？幫客服查資料，風險不算太高；幫工程師寫代碼，還可以跑測試、做 review；但如果讓 Agent 直接移動資金、凍結帳戶、拒絕商戶，出錯的代價就完全不一樣了。

至少現在看，支付公司不會把每筆支付都拿去問一次大模型。更現實的分工是：賬本繼續記帳，規則和專用模型繼續判斷交易，大模型負責閱讀、寫代碼、查資料和處理例外，人留在那些出錯以後比較貴的位置。

錢如流水，Token 亦是。

全文完

本文內容僅為個人觀察與思考，不構成任何投資或商業建議。請讀者結合自身理解與信息來源理性參考。