一年一万億トークン、決済会社のAIは何をしているのか？
Adyen の CTO は、会社には約 1,400 名の開発者がいて、年間で約 1 兆トークンを消費すると言っています。過去 3 ヶ月間で、この数字は 4 倍に増え、Adyen は年間で 10 兆トークンを消費する準備を始めました。
彼らのトークンはどこに使われているのでしょうか？何のために？
Adyen のこの 1 兆トークンは、主にエンジニアリングチームによって消費されています。他の決済会社を見てみると、トークンは商人の審査、カスタマーサービスへの回答、拒否処理、メールの確認、異常調査に使われています。
お金は流れるように、トークンも同様です。
人はそこに座って動かず、トークンは常に消費されています。
過去 90 日間、AI は Adyen で約 100 万のファイルを編集し、2 万回の Git コミットに参加しました。会社の一人当たりのマージリクエストは 48% 増加し、エンジニア自身は、AI が彼らの時間を約 15% 節約したと推定しています。Adyen はトークンに使ったお金が、約 2 倍のリターンを得たと考えています。
彼らは一つの例を挙げました。Adyen には請求、照合、カード組織の報告を担当する決済バックエンドシステムがあり、約 2,000 の生産タスクがあり、40 以上のカード組織が関与しています。元のシステムはすべて大きなデプロイメントイメージに詰め込まれていましたが、Adyen はそれを分解し、各カード組織に独立したイメージを持たせたいと考えています。
以前の方法では、このプロジェクトには複数のチームを巻き込み、6 から 12 ヶ月かかるものでした。最終的に、2 人のエンジニアが AI と協力して、2 ヶ月で完了し、事故は発生しませんでした。
これが Coding Agent がトークンを消費する方法の一例です。単に 2 行のコードを補うだけではなく、まずコードを読み、ドキュメントを読み、依存関係を探し、テストを実行します。テストが失敗した後は、エラーメッセージを読み、コードを修正し、再度実行します。1 人が同時に複数のエージェントを開くと、それらはバックグラウンドでこれらのプロセスを繰り返し続けます。人はそこに座って動かず、トークンは常に消費されています。
Stripe も、彼らの 91% のエンジニアが日常業務で AI を使用していると言っています（9% がまだ解雇されていない理由は不明です）。内部の Coding Agent minion は毎週 1,000 以上の PR を生産環境に提出します。2026 年 3 月だけで、Stripe では 57,000 以上の PR が AI コーディングアシスタンスを使用し、3 ヶ月で 140% 増加しました。
Block も似たような状況で、約 7,500 名の従業員が毎週 AI を使用し、90% 以上のコード提出に AI が関与しており、一人当たりの毎週のコード変更数が 30% 増加しました。
現在のところ、決済会社のかなりのトークン請求はエンジニアリング部門から来ています。決済業界での AI の使用は、新しいコードを書くことだけでなく、より現実的な用途は人間が困難を乗り越える手助けをすることです。決済システムは非常に大きく、歴史的なコードが多く、銀行、カード組織、各地の決済方法に対応する必要があります。これらの複雑さは主にエンジニアの時間を消費していましたが、今では AI も一緒に乗り越え、消費されるのはトークンです。
ドキュメントを探し、広告を書き、契約を読み、トークンを消費しています。
コードを書くことは、会社内部で AI を使用する一部に過ぎません。少し大きめのフィンテック企業では、毎日多くの時間を資料を探すことに費やしています：経費精算ポリシーはどこにありますか？このデータはどのチームが管理していますか？特定のシステムの権限はどこで申請しますか？休暇は誰に聞くべきですか？会社が大きくなるほど、ドキュメントは増えます；ドキュメントが増えるほど、見つけるのが難しくなります。
Nubank には約 9,000 名の従業員がいて、異なるチームが自分たちのプロセスとドキュメントを Confluence に置いています。従業員が問題に直面したとき、彼らは自分で 30 分間翻訳しなければならないことがあります；本当に見つからない場合は、工事チケットを開いて数時間待たなければなりません。Nubank はその後、AskNu という内部ツールを作成し、従業員は直接 Slack で質問できます。AskNu はまず問題がどの部門に属するかを判断し、対応する Confluence ドキュメントから答えを探し、最後に大規模なモデルが整理して返信を作成し、元のリンクを添付します。
立ち上げから 6 ヶ月後、AskNu には 5,000 名のユーザーがいて、28 万件のメッセージを処理しました。Nubank は、これにより内部の工事チケットが 96% 減少したと述べています。以前は 30 分かかっていた問題や、工事チケットを開いて 8 時間待たなければならなかった問題が、今では平均 9 秒で回答が得られます。
AskNu は直接顧客の送金を手伝うことも、追加の決済を処理することもありませんが、問題を読み続け、ドキュメントを検索し、答えを整理します。会社の中で誰もが毎日数回質問するので、トークンはこうして少しずつ積み重なります。
コンテンツチームも同様です。Chime は自社の内部コンテンツモデルに非常にストレートな名前を付けました：ChimeGPT。彼らは過去のブランドストーリー、ユーザーフィードバック、キャンペーンの効果、コミュニティの議論をまとめた「ブランドブレイン」も作成しました。マーケティングチームはそれを使用して異なるバージョンのコンテンツ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、ブランド、法務、コンプライアンスの審査を経ます。
Chime は、内部チームのコンテンツ生産量が前年同期比で 300% 増加し、制作時間が 60% 短縮されたと発表しました。アイデアからキャンペーンまで 10 時間かかっていた作業が、今では約 4 時間で完了し、テスト量が 3 倍に増加しました。Klarna の組織データも非常に興味深いです：90% の従業員が毎日生成型 AI を使用し、広報、マーケティング、法務チームの使用率はそれぞれ 93%、88%、86% に達しています。
コードを書くことはトークンを消費しますが、広告を書くこと、資料を翻訳すること、会議を要約すること、契約を読むこと、同僚の質問に答えることも同様です。
「シャンパン色のドレス」は、酒を売ることではありません。
決済会社は毎日、少し戸籍調査のようなことをしています：この人は誰ですか？本当に何を売っているのですか？私たちは彼を受け入れてお金を受け取ることができるでしょうか？
商人はもちろん、決済会社のフォームに従って自己紹介をすることはありません。手がかりは公式ウェブサイト、商品ページ、登録書類、ニュースに散らばっており、異なる言語で書かれている可能性もあります。以前のシステムはそれほど忍耐強くなく、最も簡単な方法はキーワードを調べることでした。
Airwallex は非常に面白い例を挙げました。ある商人は「軍スタイルのジャケット」を販売しており、システムは「軍」という言葉を見て、彼が違法な軍需品を販売しているのではないかと疑うかもしれません；別の商人は「シャンパン色のドレス」と書いており、システムは「シャンパン」を見て、彼を酒を売っていると考えるかもしれません。
人は一目で、軍服スタイルのジャケットは武器ではなく、シャンパン色のドレスにはシャンパンが入っていないことがわかります。しかし、キーワードは色を理解せず、ファッションも理解しません。ただ、その言葉が少し危険に見えることを知っているだけです。
これはまさに大規模モデルが得意とすることです：単一の単語に注目せず、前後の内容を読み、商人が本当に何を売っているのかを確認します。Airwallex は、生成型 AI を KYC に組み込んだ後、関連する段階での誤報が平均 50% 減少し、人工介入なしで直接オンボーディングを完了できる顧客が 20% 増加したと述べています。
Stripe も 2023 年から LLM を商人のオンボーディングに使用しています。これは、大規模モデルにすべての商人を承認させるのではなく、まずオープンで非構造化された情報を処理し、明らかに要件を満たす申請を迅速に通過させるものです。Stripe の 80% 以上の「サポート可能な商人」は即座に自動承認されます。Checkout.com のポリシーレビューは、60 分から 10 分に短縮されました。
以前は、従業員が自分でウェブサイトを開き、資料を読み、ポリシーを調べ、結論を書かなければなりませんでしたが、今は大規模モデルが最初に読み、必要な人が見るべき部分を選び出します。ここで消費されるトークンは、誤報が少なく、口座開設が早く、内部の人が問題のない資料を少なく見ることに変わります。
5 ドルのコーヒーも、財務を通過する必要があります。
決済会社は他人の金銭を処理するだけでなく、自社内部でも経費精算、費用の審査、請求書の追跡、帳簿作成を行います。これは最も目立たないタイプのフィンテック AI 製品かもしれません。従業員が会社のカードでコーヒーを買った場合、後でレシートをアップロードし、用途を補足し、費用のカテゴリを選択する必要があります；マネージャーはそれが仕事のためかどうかを確認し、財務はポリシーをチェックし、会計コードを作成し、ERP に同期させます。金額は 5 ドルかもしれませんが、それを処理する人件費は逆に高くなります。
Ramp はこのような支出を審査するためのポリシーエージェントを作成しました。エージェントはレシートと取引が一致するか、重複していないか、用途が明確か、会社のポリシーに違反していないか、従業員が最近異常な支出をしていないかを確認します。ポリシーに合致するものは自動的に承認を提案し、問題があるものは人に渡します。Ramp は、初期の顧客が人工審査を約 85% 減少させ、費用ポリシーの実行精度が 99% を超えたと述べていますが、最終的な承認権は依然として審査者の手に残っています。
Brex Assistant はさらに細かい作業を行います。自動的にレシートを探し、メモを書き、費用のカテゴリや参加者を記入し、不適切な支出に遭遇した場合は従業員に積極的に質問します。Brex は一例を挙げました：レシートには「アルコール」とは書かれておらず、「ウォッカ」とだけ書かれているかもしれません。以前のキーワードルールでは見抜けないこともありましたが、大規模モデルはウォッカも酒に含まれることを知っています。
このような作業はトークンを使って時間を買うのに適しています。
AML アナリストの大部分の時間は、悪人を捕まえるのではなく、悪人に見えないことを証明することに費やされています。
決済会社は毎日大量のリスク警告を生成します。本当に疑わしい取引は多くないかもしれませんが、すべての警告には誰かが開いて顧客情報を確認し、過去の取引を見て、関連アカウントをチェックし、なぜ閉じるのか、またはなぜ調査を進めるのかを書く必要があります。多くの AML アナリストの時間は、悪人を捕まえることではなく、一時的に悪人に見えないことを証明することに費やされています。
Nexo は Unit21 の AI エージェントを使用して初期のアラートレビューを行っています。エージェントは取引とアカウント情報を整理し、アドレス間の関係を分析し、調査の要約と処理意見を生成します。アナリストはもはや白紙のページから始める必要はなく、AI が提供する資料と結論をチェックします。
Unit21 と Nexo が発表したケーススタディでは、Nexo の誤報が元の内部システムより 93% 減少し、現在 57% のアラートレビューが AI によって自動的に完了していると述べています。目標は 80% に引き上げることです。この数字には括弧が必要です：これは供給者と顧客が共同で発表したケースからのものであり、独立した監査結果ではありません；Unit21 も各調査で消費されるトークンの量を公表していません。
しかし、このケースは AI が AML で何ができるかを非常に明確に示しています：機械が資料を集め、関係を描き、ナラティブを作成します；人がそれが本当に疑わしいかどうか、そして規制機関に報告する必要があるかどうかを判断します。
顧客はただ一言尋ねました：「私のお金はどこですか？」
支払い会社のカスタマーサービスは、時には「パスワードを変更してほしい」というだけでは済まないことがあります。顧客が「なぜお金がまだ入金されていないのか」と尋ねると、背後には決済銀行、カード組織、発行銀行、通貨変換、決済サイクル、返金状況、アカウント制限などが関わってくることがあります。カスタマーサービスは複数のシステムを調べて、得られた情報を組み合わせて、ようやく人間らしい回答をすることができます。
AIエージェントも同様のプロセスを経なければなりません：まず問題を理解し、取引を調べ、ルールを検索し、次のステップを判断し、最後に返信を生成します。システムを一度調べるたびに、結果は再びモデルに送られ、トークンはこのように消費されていきます。
Checkout.comによれば、約60%のカスタマーサービスリクエストは単純で繰り返しの問題であり、同社は2026年までにAIエージェントがカスタマーサービスの半分以上を独立して解決できると予測しています。Blockは、Cash Appの約65%のカスタマーケースがすでにAIを使用していると発表しました。Klarnaの数字はさらに直接的で、同社のAIアシスタントは2024年上半期に400万人以上の顧客にサービスを提供し、年間4000万ドルを節約できると予測しています。
カスタマーサービスがトークンを使用するこの計算は難しくありません。以前は何人が何枚のチケットを処理していたのか、今は何トークンで何枚のチケットを処理しているのか、最後に人間に転送されたか、顧客によって再オープンされたかどうかも数えることができます。
拒否や紛争処理も同様です。Stripeは金融パートナーから大量の自動メールを受け取りますが、以前は従業員が一通一通確認し、システムに入って処理していました。現在はLLMが先にメールを読み、相手が何を求めているかを理解し、その要求をAPI呼び出しに変換します。Checkout.comは、以前は手動で行っていた拒否取引の配布が100%自動化されたと述べています。
これらの作業は「AIが金融を変える」というほど壮大ではありませんが、時間がかかり、トークンを消費するのに適しています。
AIがあなたのポジションを見ながら話し始めるとき
前述のAIは、顧客のほとんどには見えません。彼らはコード、レビュー、カスタマーサービスシステムの背後で働いています。Robinhood Cortexは異なり、投資家のスマートフォンに直接現れます。
ユーザーが株を開くと、Cortexはリアルタイムの市場データ、突発ニュース、アナリストレポート、テクニカル指標、Robinhood自身のデータを読み取り、一般の人が理解できる言葉で説明します：この株が今日上がっている理由、または下がっている理由です。さらに、ユーザーのポジションを考慮して、このニュースが自分のアカウントにどのように関連しているかを教えてくれます。
Robinhoodによれば、Cortex Digestsは2026年第1四半期までに約100万人の顧客に使用されています。次のステップとして、ユーザーが自然言語で株や暗号資産を売買し、市場を研究し、アカウント設定を調整できるようにしたいと考えています。
ここまで来ると、トークンを消費するのはもはや会社の従業員だけではありません。ユーザーが質問をするたびに、Cortexがニュースやリサーチを読むたびに、個人のポジションを再度考慮して説明するたびに、文脈を再処理する必要があります。
本当に厄介なのは、AIがユーザーの操作を代行し始めると、間違いを犯す代償が異なることです。ニュースを間違って伝えた場合、ユーザーは単に誤解されるかもしれませんが、株を間違って購入した場合、失うのは本物のお金です。したがって、RobinhoodはCortexに対しても赤線を引いています：何を見ることができ、何を言うことができ、どの操作はユーザー自身の確認が必要かを定めています。
年間1兆トークン、AI会社にとってはどのようなレベルですか？
まずAdyen自身を見てみましょう。約1400人の開発者がいて、年間1兆トークンを消費し、平均して一人あたり年間7.1億トークンです。250営業日で計算すると、一人あたり毎日約286万トークンです。これはAIに数行のコードを補完させる程度ではなく、終日エージェントを稼働させていることを意味します。
しかし、この数字をAI業界に当てはめると、計測単位はすぐに変わります。
Manusの製品は数ヶ月で、累計147兆トークンを処理しました。これはAdyenの147年分に相当します。OpenRouterは現在、1ヶ月で100兆トークンをルーティングしており、これは毎月100のAdyenの年間使用量に相当します。もちろん、これらは大量の顧客向けのプラットフォームであり、1社の内部のエンジニアチームと直接比較することはできませんが、規模の違いは非常に明確です。
さらに一般的な会社に近いProsusは、多くのeコマースやインターネットビジネスを持ち、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しています。彼らは1ヶ月で8.2兆トークンを消費し、ほぼ4日ごとにAdyenの1年分を使い切ります。昨年、彼らのトークン使用量は52倍に増加しました。
OpenAIは自社が年間にどれだけのトークンを消費しているかを明言していませんが、研究者がどれだけの費用をかけるかを公表しています。2026年8月までに、1人の研究者が1日に消費する計算能力は、API価格に換算すると中央値で600ドルを超えています。最も効率的な上位10%は、1日で7000ドルを超えます。年間250日働くと、1人あたり15万ドル、ヘビーユーザーは175万ドルになります。
Anthropicはさらに直接的で、彼らが計算しているのはお金ではなく、誰がより長く働くかです。2026年8月までに、従業員の下にいるエージェントの合計作業時間は人間の6倍に達しています。ほとんどのトークンはソフトウェアを書くために使われており、その結果、平均的なエンジニアのコード提出速度は半年で元の5倍に増加しました。
Manusもほぼ同様です。共同創業者の張涛は、同社がかつて1ヶ月の平均で1人あたり1万ドルを超えるAI費用をかけていたことがあり、少数の人は1ヶ月で7万から8万ドルを使うことができたと述べています。これにはすべてがトークン費用ではありませんが、意味は明確です：彼らはもはやAIに時々質問するのではなく、1人が同時に多数のエージェントを使って働いています。
したがって、1兆トークンは大きいとも小さいとも言えます。AIプラットフォームと比較すると、それはほんの一部です。しかし、支払い会社にとって、この1兆は約1400人の開発者にしか発生せず、カスタマーサービス、コンプライアンス、リスク管理、顧客向けのAIは含まれていません。このように見ると、Adyenが年間10兆トークンの準備をすることは、誇張ではありません。
トークンは消費できますが、計算はしなければなりません。
1兆トークンは固定金額の請求書と同じではなく、異なるモデルの価格は100倍の差があることがあります。2026年10月28日にOpenAIが発表した標準API価格に基づいて、1兆トークンのうち80%が入力、20%が出力だと仮定すると：すべてをGPT-6 Lunaで使用した場合、理論的な費用は約18万ドルになります；すべてをGPT-6 Astraで使用した場合、理論的な費用は約1800万ドルになります。
Adyenは多くの異なるモデルを実際に使用しており、独自の推論インフラ、セマンティックルーティング、企業価格も持っているため、実際の請求書は単純に掛け算するだけではありません。同じ1兆トークンでも、非常に安くも高くもなり得ます。多くを費やしても、良い使い方をしているとは限りません。
トークンが消費された後、会社は必ずいくつかの非常に素朴な質問に答えなければなりません：事故のないコードをどれだけ多く完成させたか？正常な商人をどれだけ少なく誤判定したか？再度人間に転送されなかったカスタマーサービスのチケットをどれだけ解決したか？拒否処理の際に、正しい資料を正しい人に渡したか？
さらに重要な問題があります：AIはどこまでできるのか？カスタマーサービスが資料を調べるのはリスクがそれほど高くありません；エンジニアがコードを書くのを手伝うこともでき、テストを実行し、レビューを行うことができます；しかし、エージェントに直接資金を移動させたり、アカウントを凍結したり、商人を拒否させたりすると、間違いを犯した場合の代償は全く異なります。
少なくとも今のところ、支払い会社はすべての支払いを大モデルに尋ねることはないでしょう。より現実的な役割分担は：帳簿は引き続き記帳し、ルールと専用モデルは取引を判断し、大モデルは読み取り、コードを書き、資料を調べ、例外を処理し、人間は間違いが発生した後に比較的高価な位置に留まります。
お金は流れるように、トークンも同様です。
全文完
この記事の内容は個人的な観察と考察に過ぎず、いかなる投資やビジネスのアドバイスを構成するものではありません。読者は自身の理解と情報源を考慮して、理性的に参考にしてください。