Nubank mise sur les GPU pour faire évoluer ses modèles d'IA propriétaires

Nubank investit dans les GPU tout en avertissant que les dépenses liées à l'IA augmenteront ses coûts d'exploitation à court terme. Le titre de Google News met en avant la décision matérielle, mais pas l'enjeu plus vaste. Nubank estime que ses modèles d'IA propriétaires peuvent suffisamment améliorer les décisions de crédit pour justifier un contrôle accru de capacités de calcul rares et coûteuses.

Cette position remet en cause une stratégie d'entreprise plus simple : louer des modèles et de la puissance de calcul auprès de fournisseurs cloud établis selon les besoins. Nubank combine plutôt ses données transactionnelles, des modèles de fondation développés en interne, de la recherche en ingénierie et des capacités GPU supplémentaires. Cette approche exige davantage de capitaux et de talents spécialisés avant que ses rendements à long terme ne deviennent visibles.

La banque a déjà mis en production NuFormer, sa famille propriétaire de modèles de fondation, pour les cartes de crédit au Brésil et au Mexique. Elle utilise également ces modèles pour les prêts non garantis au Brésil. Toutefois, Nubank n'a pas divulgué publiquement le nombre, le fournisseur, l'emplacement ou la structure de propriété des nouveaux GPU évoqués par sa direction.

Cette lacune est importante. Un investissement dans des GPU peut signifier l'achat de serveurs, la location de capacités dédiées, la réservation d'instances cloud ou le financement d'infrastructures via un autre opérateur. Chaque formule entraîne des coûts, des responsabilités en matière de sécurité et une exposition différents à la dépréciation du matériel.

L'enjeu n'est donc pas simplement qu'une banque numérique souhaite davantage de puces. Nubank cherche à transformer son historique de transactions privé en un avantage durable pour l'octroi de crédit. Les GPU deviennent un élément de cette stratégie, mais sa viabilité financière dépend encore de résultats mesurables en matière de prêts et d'exploitation.

Ce que le rapport de Google News signale réellement

Nubank traite la puissance de calcul pour l'IA comme une infrastructure opérationnelle, et non comme une expérimentation temporaire.

Le rapport original faisait suite aux commentaires de la direction concernant des investissements dans la recherche, les talents et les GPU. Lors de la conférence téléphonique sur les résultats de février de Nubank, les dirigeants ont indiqué que ces dépenses engendreraient des coûts à court terme. Ils ont soutenu que les bénéfices à moyen terme compenseraient largement cette hausse.

La direction n'a pas communiqué de budget GPU précis. Elle a également regroupé les dépenses d'IA avec deux autres initiatives susceptibles de peser sur les dépenses d'exploitation : l'expansion des bureaux et la croissance internationale. Il est donc difficile d'isoler l'effet financier du programme d'infrastructure d'IA de l'entreprise.

Le calendrier reste révélateur. Le ratio d'efficacité de Nubank, qui compare les dépenses d'exploitation aux revenus, a atteint 19,9 % au quatrième trimestre 2025. Il s'est ensuite amélioré à 17,6 % au premier trimestre 2026, selon les résultats trimestriels de l'entreprise.

Un ratio plus faible indique généralement qu'une institution financière génère davantage de revenus pour chaque unité de dépense d'exploitation. Nubank a averti les investisseurs de ne pas considérer le résultat du premier trimestre comme sa nouvelle norme. L'entreprise prévoit que ses investissements dans les bureaux, l'international et l'IA augmenteront les coûts au fil de l'année.

Cet avertissement crée la tension centrale. Nubank dépense davantage pour l'infrastructure d'une technologie qu'elle présente aussi comme un moteur d'efficacité. L'entreprise doit faire en sorte que les gains induits par l'IA en matière de revenus, de performance du crédit ou de productivité interne progressent plus vite que les dépenses associées.

Les éléments publics montrent que la stratégie va au-delà des chatbots généralistes. NuFormer traite des séquences de transactions financières et apprend des représentations réutilisables du comportement des clients. Les équipes produit peuvent appliquer ces représentations au crédit, à la vente croisée et à d'autres tâches prédictives.

Il ne s'agit pas de demander à un modèle de langage public de résumer un ticket d'assistance. Les décisions de crédit doivent respecter des contraintes strictes de latence, de gouvernance, de confidentialité et de risque. De petites améliorations peuvent influencer des millions de limites individuelles, d'approbations et de décisions de recouvrement.

Nubank affirme que ses fonctionnalités AI Private Banker servent déjà plus de 15 millions d'utilisateurs actifs mensuels. L'entreprise a également indiqué que Pix with AI, une interface conversationnelle pour le système brésilien de paiements instantanés, compte plus de 10 millions d'utilisateurs actifs mensuels.

Ces produits créent une demande continue d'inférence. L'inférence est le processus informatique qui applique un modèle entraîné à de nouvelles informations. Elle intervient chaque fois qu'un système génère une réponse, évalue une demande ou produit une recommandation personnalisée.

La demande d'entraînement est plus concentrée, mais peut être bien plus élevée. Nubank doit régulièrement réentraîner, tester et adapter ses modèles à mesure que le comportement des clients et les conditions économiques évoluent. Davantage de modèles, de marchés et de cas d'usage peuvent faire de la disponibilité des GPU une contrainte opérationnelle persistante.

L'article de Google News renvoie donc à une transition plus large. Nubank passe de l'achat d'accès à des capacités d'IA au maintien d'un important système interne de production d'IA. Toutefois, les informations disponibles ne prouvent pas que chaque GPU concerné figurera au bilan de Nubank.

NuFormer fait de la puissance de calcul un intrant bancaire

La valeur économique de l'investissement de Nubank dans les GPU dépend de la capacité de NuFormer à améliorer des décisions qui affectent directement les revenus et les pertes.

NuFormer n'est pas un unique modèle de langage destiné aux consommateurs. Nubank le décrit comme un ensemble propriétaire de modèles de fondation entraînés sur des données de transactions financières. Un modèle de fondation apprend des schémas généraux à partir d'un vaste jeu de données avant que les équipes ne l'adaptent à des tâches plus ciblées.

Pour Nubank, ces tâches plus ciblées comprennent l'octroi de cartes de crédit au Brésil et au Mexique ainsi que les prêts non garantis au Brésil. L'entreprise affirme que les modèles sont déjà en production, ce qui distingue ce programme d'une démonstration de recherche sans exposition aux clients.

Les modèles apprennent à partir de séquences plutôt que de relevés de compte isolés. Les dépôts, achats, virements, paiements de factures et comportements de remboursement d'un client forment une chronologie évolutive. La modélisation de cette chronologie peut révéler des relations que des variables conçues manuellement pourraient ne pas détecter.

Nubank indique que son système d'octroi en temps réel évalue individuellement chaque demande de prêt personnel. Le système estime la valeur actuelle nette prédite, c'est-à-dire la valeur future attendue d'un prêt après prise en compte du risque et de l'économie du produit. La direction affirme que cette évaluation intervient en moins d'une seconde.

Cette rapidité est importante car le crédit à la consommation associe gestion du risque et expérience produit. Un système lent peut interrompre une demande, tandis qu'un système trop conservateur peut refuser des clients rentables. Un système mal calibré peut augmenter les approbations tout en créant discrètement des pertes futures.

Nubank affirme que ses modèles plus récents ont soutenu l'augmentation des limites de crédit. Il s'agit d'une attribution de l'entreprise, et non d'une preuve indépendante que l'IA a, à elle seule, entraîné la performance du portefeuille. Des changements dans la composition de la clientèle, les taux d'intérêt, les règles de politique et les conditions économiques peuvent également affecter les résultats des prêts.

L'échelle de la plateforme accroît à la fois l'opportunité et le risque. Nubank a déclaré compter plus de 135 millions de clients au Brésil, au Mexique et en Colombie en mars 2026. Elle a ajouté environ quatre millions de clients au cours du premier trimestre.

Ses revenus ont dépassé 5 milliards de dollars ce trimestre-là, tandis que le bénéfice net a atteint 871 millions de dollars. Le rendement des capitaux propres était de 29 %. Ces chiffres donnent à l'entreprise la marge nécessaire pour investir, mais ils amplifient aussi les conséquences d'une erreur de modèle affectant un système de décision largement déployé.

Les modèles de crédit n'ont pas besoin de ressembler aux plus grands modèles génératifs publics pour consommer d'importantes ressources informatiques. Les modèles financiers doivent être réentraînés sur différents marchés, validés par rapport à plusieurs résultats, surveillés pour détecter les dérives et testés dans différents paramètres de politique.

Un seul modèle de production peut générer de nombreuses charges de travail connexes. Les ingénieurs ont besoin d'exécutions expérimentales, de modèles de référence, de tâches de validation, de tests de résistance et de candidats au déploiement contrôlé. Les examens réglementaires ou de gouvernance interne peuvent exiger que les équipes reproduisent des résultats antérieurs.

La recherche en ingénierie de Nubank illustre ce coût. Dans une expérience publiée, un flux d'entraînement utilisant cinq millions de lignes a nécessité environ 12 heures sur huit GPU Nvidia A100. L'extension du flux à 40 millions de lignes a nécessité environ 95 heures sur le même matériel.

Cette comparaison ne divulgue ni le parc total de Nubank ni ses dépenses annuelles en GPU. Elle montre à quelle vitesse la demande d'entraînement peut croître lorsque les chercheurs utilisent davantage de données. Multiplier l'expérience entre produits et pays renforce l'intérêt d'un accès prévisible aux ressources de calcul.

Posséder ou réserver de la capacité peut réduire le risque qu'un projet critique attende des instances cloud adaptées. Cela peut aussi permettre aux ingénieurs d'optimiser un environnement stable. Toutefois, une capacité dédiée ne permet de réaliser des économies que si son utilisation reste suffisamment élevée pour justifier l'engagement.

L'efficacité des modèles modifie l'équation des GPU

Nubank investit dans le matériel tout en cherchant simultanément à réduire les ressources consommées par chaque entraînement.

Cette combinaison peut sembler contradictoire. Si une nouvelle méthode d'entraînement réduit les besoins en calcul, pourquoi acheter ou réserver davantage de GPU ? La réponse réside dans la manière dont les organisations utilisent généralement les gains d'efficacité.

Une baisse du calcul requis par expérience conduit rarement un programme d'IA ambitieux à s'arrêter à sa charge de travail précédente. Les équipes peuvent plutôt mener davantage d'expériences, entraîner des jeux de données plus vastes, tester des produits supplémentaires ou actualiser les modèles plus fréquemment. L'efficacité augmente le nombre de projets économiquement viables.

Nubank a consacré une partie de ses recherches à Muon, un optimiseur qui met à jour un réseau neuronal pendant l'entraînement. Un optimiseur détermine l'évolution des paramètres du modèle après que le système a mesuré ses erreurs. Nubank compare Muon à AdamW, un optimiseur largement utilisé.

Les expériences Muon de l'entreprise ont utilisé des modèles de 330 millions de paramètres entraînés sur 20 millions d'échantillons. Nubank a indiqué que Muon convergait plus rapidement et atteignait des pertes de validation plus faibles qu'AdamW pour les taux d'apprentissage testés.

La perte de validation mesure la performance d'un modèle sur des données exclues de son processus d'entraînement direct. Une perte plus faible peut indiquer une meilleure généralisation, même si elle ne garantit pas automatiquement de meilleurs résultats en matière de prêts ou pour les clients.

Nubank a également cité des expériences de mise à l'échelle plus larges suggérant que Muon peut atteindre une qualité de modèle comparable avec environ 52 % des opérations d'entraînement requises par AdamW. Ce chiffre décrit un résultat de recherche, et non une réduction garantie pour chaque charge de travail NuFormer.

La banque a ensuite contribué à la recherche sur une version 8 bits de Muon. La quantification réduit le nombre de bits utilisés pour représenter certaines valeurs. Les chercheurs ont rapporté une réduction de 62 % de la mémoire d'état de l'optimiseur tout en maintenant les performances dans leurs tests.

La réduction de la mémoire peut permettre aux chercheurs d'adapter des modèles ou des lots plus grands au même matériel. Elle ne produit pas toujours une augmentation équivalente de la vitesse d'entraînement. Un travail de conversion supplémentaire ou d'autres goulets d'étranglement matériels peuvent limiter le bénéfice en temps d'exécution réel.

Malgré cela, l'efficacité de la mémoire peut améliorer l'économie de l'infrastructure. Une tâche qui nécessitait auparavant davantage d'appareils peut fonctionner avec moins de GPU. Une autre tâche pourrait utiliser la capacité ainsi libérée. Le résultat dépend de l'ordonnancement, de l'architecture du modèle, du réseau et de l'utilisation réelle.

Les recherches de Nubank indiquent également qu'elle souhaite exercer un contrôle technique sous la couche applicative. La banque ne se contente pas de connecter un modèle commercial à ses produits. Elle étudie la manière dont ses modèles s'entraînent, dont les gradients sont mis à jour et dont la consommation de mémoire évolue.

Cette profondeur soutient l’argument en faveur d’une capacité de calcul dédiée. Les chercheurs peuvent configurer des environnements adaptés à leurs charges de travail et maintenir des performances plus constantes. Les données financières sensibles peuvent également rester au sein d’une architecture contrôlée, selon le lieu et le mode d’exploitation des équipements.

Cependant, de meilleurs optimiseurs ne tranchent pas la décision d’achat. Les générations de GPU progressent rapidement, et un appareil acquis aujourd’hui peut perdre de sa valeur économique avant la fin de sa durée de vie physique. La capacité cloud transfère une partie de ce risque d’obsolescence au fournisseur.

Une infrastructure dédiée exige également des capacités de réseau, de stockage, d’orchestration, des contrôles de sécurité, de la supervision et des opérations spécialisées. Un GPU inutilisé représente toujours un coût. Un GPU fortement sollicité peut entraîner des besoins supplémentaires en refroidissement, en électricité et en maintenance.

L’interprétation la plus crédible n’est pas que Nubank a résolu la question de l’efficacité de l’IA. C’est plutôt que l’entreprise anticipe une demande de modèles suffisante pour rechercher simultanément efficacité et capacité. Les modèles utilisent moins de calcul par unité de travail, tandis que le volume total de travail utile augmente.

Nubank privilégie le contrôle à la seule flexibilité du cloud

Le principal arbitrage oppose une capacité de calcul contrôlée à la flexibilité de tout louer à la demande.

Les plateformes cloud facilitent relativement le lancement d’un projet d’IA. Une entreprise peut provisionner des accélérateurs sans construire de centre de données ni s’engager dans le cycle de vie complet du matériel. Les équipes peuvent également choisir différents appareils pour l’entraînement et l’inférence.

Cette flexibilité implique des compromis. Les accélérateurs très demandés peuvent être indisponibles dans la région souhaitée. Les charges de travail de longue durée peuvent devenir coûteuses. Le déplacement de grands jeux de données entre services peut introduire de la latence, de la complexité opérationnelle et des frais supplémentaires.

Les banques font face à une autre contrainte : la gouvernance des données. Les transactions des clients sont très sensibles, et les établissements financiers doivent contrôler les accès, la conservation, la traçabilité et l’auditabilité. Les systèmes cloud peuvent répondre aux exigences des charges de travail réglementées, mais la banque reste responsable de leur configuration et de leur supervision adéquates.

Nubank exploite déjà une pile bancaire propriétaire, native du cloud. L’expression cloud-native signifie que ses systèmes ont été conçus autour de services cloud distribués, plutôt que migrés depuis des serveurs bancaires traditionnels sans refonte majeure. Cet historique rend une approche hybride plausible.

Une architecture hybride pourrait combiner des GPU cloud réservés, des clusters loués et des machines directement contrôlées. Elle pourrait orienter les tâches d’entraînement en fonction du coût et de la disponibilité, tout en maintenant certains jeux de données ou certaines étapes des modèles dans des périmètres plus stricts.

Les commentaires publics n’établissent pas encore quelle configuration Nubank a choisie. L’entreprise a évoqué des investissements dans les GPU, mais n’a identifié aucun fournisseur ni communiqué de volume d’achat. Décrire cette stratégie comme une stratégie de propriété va donc au-delà des éléments publics les plus détaillés.

La distinction dépasse la simple formulation. L’achat de matériel soulève des questions de capital, d’amortissement et d’utilisation. Un contrat de capacité à long terme crée un profil de dépenses différent. La location à la demande préserve la flexibilité, mais peut exposer l’entreprise à une disponibilité et à des prix volatils.

Le modèle retenu influe également sur le pouvoir de négociation. Une entreprise dont les charges de travail sont prévisibles peut négocier une capacité de long terme ou répartir les tâches entre fournisseurs. Une entreprise liée aux services propriétaires d’un seul fournisseur peut avoir plus de difficultés à en changer.

L’acquisition de Hyperplane par Nubank en 2024 apporte un contexte utile. Hyperplane a développé des modèles fondamentaux auto-supervisés à partir des données propriétaires d’établissements financiers. Nubank a indiqué que cette acquisition aiderait ses équipes produit et ingénierie à appliquer des modèles partagés à l’ensemble des parcours clients.

L’acquisition de Hyperplane a intégré à Nubank des talents et une technologie de développement de modèles. Ses systèmes étaient conçus pour entraîner, évaluer et déployer de nombreux modèles personnalisés pour des cas d’usage financiers.

Cette opération a orienté Nubank vers le développement interne de modèles avant que la direction ne mette l’accent sur l’investissement dans les GPU. La décision matérielle suit la décision en matière de logiciels et de talents. Lorsqu’une entreprise maintient des modèles propriétaires, le calcul devient une dépendance récurrente de production.

Les banques traditionnelles subissent la pression de la même tendance, même si elles partent de structures technologiques différentes. Nombre d’entre elles disposent de vastes jeux de données propriétaires et de budgets d’infrastructure importants. Elles peuvent également s’appuyer sur d’anciens systèmes centraux qui ralentissent le déploiement unifié des modèles.

D’autres entreprises financières numériques développent également des modèles fondamentaux de transactions. Stripe a publié des recherches sur un modèle fondamental pour les paiements, tandis que Visa, Mastercard, Revolut et Plaid ont exploré des architectures connexes. La concurrence ne se résume pas à Nubank face à une banque nommée.

La question concurrentielle est de savoir qui peut relier le plus efficacement les données, les modèles, le calcul et les décisions produit. De vastes jeux de données ne créent pas à eux seuls un avantage si les équipes ne peuvent pas les nettoyer, entraîner des modèles, valider les résultats ou déployer les changements en toute sécurité.

Nubank affirme que ses données unifiées et ses systèmes développés en interne raccourcissent le chemin entre l’expérimentation et la production. Cette affirmation a un poids stratégique, mais les investisseurs ont encore besoin d’éléments comparables. La vitesse de déploiement, le gain apporté par les modèles et les rendements ajustés au risque comptent davantage que le nombre de projets d’IA annoncés.

L’affirmation d’efficacité doit encore être soumise à un test plus rigoureux

Un ratio de dépenses plus faible ne prouve pas que l’infrastructure d’IA de Nubank a été rentabilisée.

Le ratio d’efficacité de Nubank au premier trimestre est passé de 19,9 % à 17,6 %. La direction a attribué ce résultat à des revenus plus élevés, à la croissance du portefeuille, à des améliorations opérationnelles et à certains effets de calendrier. L’entreprise a également exclu certains investissements stratégiques sélectionnés lorsqu’elle a évoqué un ratio de base plus faible.

Cela crée un problème de mesure important. Si les dépenses d’infrastructure d’IA sont exclues d’une mesure d’efficacité de base, le chiffre ajusté ne peut pas répondre à la question de savoir si l’ensemble du programme d’IA est économiquement efficace. Il peut néanmoins montrer comment se comporte la plateforme sous-jacente avant certains investissements sélectionnés.

Nubank prévoit que son ratio d’efficacité publié pour 2026 terminera près du niveau enregistré à la fin de 2025. Ces prévisions impliquent que l’investissement actuel compensera au moins une partie du levier opérationnel sous-jacent au cours de l’année.

La direction a indiqué qu’environ un tiers de la surperformance des coûts au premier trimestre reflétait des gains structurels. Elle a cité des améliorations liées à l’IA dans les opérations et le recouvrement, la consolidation des logiciels et la discipline en matière de recrutement. La part restante concernait des dépenses attendues plus tard.

Ces catégories ne sont pas suffisamment détaillées pour calculer un rendement des dépenses d’IA. Les investisseurs ne connaissent pas les coûts distincts des modèles, des GPU, des recrutements en IA, des services externes ou de l’infrastructure de soutien. Ils ne disposent pas non plus d’une attribution précise des revenus à NuFormer.

Le portefeuille de crédit offre un test plus déterminant. Nubank a déclaré au premier trimestre un ratio de 5,0 % pour les prêts en retard de 15 à 90 jours. Ce chiffre était supérieur de 89 points de base à celui du trimestre précédent, ce que l’entreprise a largement attribué à une saisonnalité normale.

Les prêts en retard de plus de 90 jours ont diminué de 10 points de base, à 6,5 %. Nubank a également indiqué que l’amélioration de ses modèles de risque lui donnait confiance pour étendre le crédit à des segments plus risqués. Cette stratégie peut accroître les prêts rentables, mais elle renforce également l’importance du suivi des impayés ultérieurs.

Un modèle peut approuver davantage d’emprunteurs et sembler performant avant que les pertes ne se matérialisent pleinement. La performance du crédit à la consommation se développe sur plusieurs mois. La comparaison pertinente inclut les revenus nets, les coûts de financement, les pertes attendues, le recouvrement et l’utilisation du capital sur toute la durée de vie du prêt.

NuFormer doit donc démontrer davantage qu’une croissance des approbations. Il doit générer des rendements attrayants ajustés au risque dans des conditions économiques changeantes. Les performances au Brésil pourraient ne pas se transférer telles quelles au Mexique ou en Colombie, car le comportement des clients et les systèmes de crédit diffèrent.

La gouvernance des modèles crée une autre incertitude. Les modèles fondamentaux peuvent capturer des schémas difficiles à exprimer sous forme de règles traditionnelles d’octroi de crédit. Cette flexibilité peut améliorer les prévisions, mais elle rend la documentation, la surveillance et l’explication plus importantes.

Les biais constituent une préoccupation connexe. Un modèle peut apprendre des corrélations associées à des groupes protégés ou vulnérables, même sans recevoir explicitement un attribut sensible. Les institutions financières ont besoin de tests examinant qui reçoit des approbations, des plafonds, une tarification et des décisions défavorables.

Les documents publics de Nubank décrivent sa stratégie de modèles plus en détail que son processus de validation indépendant. Cela ne montre pas que les contrôles sont absents. Cela signifie que les lecteurs ne peuvent pas utiliser les informations disponibles pour comparer la gouvernance des modèles aux gains de performance revendiqués.

La présentation de Google News risque également de fusionner deux affirmations distinctes. Nubank a publié des éléments montrant que Muon améliore l’efficacité de l’entraînement dans des expériences contrôlées. La direction a par ailleurs indiqué que ses modèles propriétaires produisent des gains significatifs en matière de crédit et de ventes croisées.

Aucune de ces affirmations ne prouve automatiquement que l’achat ou la réservation de GPU est moins coûteux que l’utilisation de capacité cloud. Cela exige une comptabilité au niveau des charges de travail, incluant l’utilisation, l’énergie, le support, le réseau, l’amortissement et le coût d’opportunité du capital engagé.

Les preuves les plus solides viendront des résultats opérationnels. Si le crédit se développe tout en maintenant sous contrôle les impayés ultérieurs, l’argument en faveur de l’utilisation de NuFormer dans l’octroi de crédit se renforcera. Si la productivité s’améliore tout en maintenant une discipline sur les dépenses totales, l’argument en faveur de l’infrastructure deviendra plus facile à défendre.

Ce qu’il faut surveiller après le cycle initial de Google News

Trois signaux montreront si l’investissement de Nubank dans les GPU crée un avantage ou ajoute simplement une coûteuse couche d’infrastructure.

Le premier signal est la performance du crédit dans les portefeuilles soutenus par les modèles. Il convient de surveiller la croissance des plafonds de cartes et des prêts non garantis, parallèlement aux ratios d’impayés précoces et tardifs. L’expansion des revenus est importante, mais elle ne peut être séparée du coût des défauts de paiement.

Nubank devrait idéalement fournir des données de cohorte montrant comment les prêts approuvés par des modèles plus récents se comportent au fil du temps. Une cohorte regroupe des comptes ouverts pendant une période comparable. Elle aide à distinguer la qualité récente de l’octroi de crédit du comportement des portefeuilles plus anciens.

Si les cohortes soutenues par les modèles maintiennent de meilleurs rendements ajustés au risque tout en servant davantage de clients, la thèse des modèles propriétaires gagne en crédibilité. Si les pertes augmentent plus vite que prévu, la croissance des approbations paraîtra moins convaincante.

Le deuxième signal est la relation entre les dépenses d’IA et l’efficacité opérationnelle. Nubank a déjà averti que ses investissements créeraient une pression à court terme. Les résultats futurs devraient préciser si les économies de coûts et les gains de revenus sous-jacents commencent à dépasser cette pression.

Le ratio d’efficacité affiché ne suffira pas à lui seul. Les lecteurs devraient rechercher des informations sur la productivité du recouvrement, la charge de travail du service client, la capacité de production de l’ingénierie, la vitesse de décision de crédit et les ventes croisées. Ces mesures opérationnelles relient l’utilisation des modèles à des processus métier identifiables.

Nubank avait auparavant fait état d’une croissance de plus de 50 % en glissement annuel de la capacité de production de l’ingénierie et d’une multiplication par dix de la consommation hebdomadaire de tokens depuis janvier. Il s’agit d’indicateurs d’adoption, et non de rendements financiers autonomes. Un plus grand nombre de tokens générés peut représenter un usage précieux ou simplement une consommation de calcul plus élevée.

Les documents destinés aux investisseurs de l’entreprise devraient à terme indiquer si l’adoption se traduit par un levier opérationnel durable. Un ratio publié stable pendant une année de forts investissements soutiendrait l’argument de la direction, à condition que la qualité du crédit reste maîtrisée.

Le troisième signal est la communication sur l’infrastructure. Nubank n’a pas besoin de révéler une architecture système sensible, mais le marché a besoin de suffisamment d’informations pour comprendre l’engagement. Des détails utiles indiqueraient si la capacité est achetée, louée ou réservée.

La génération et l’utilisation du matériel contribueraient également à l’analyse. L’économie d’un petit cluster de recherche diffère de celle d’une flotte de production assurant l’inférence en temps réel. La capacité d’entraînement peut être planifiée par lots, tandis que les systèmes tournés vers les clients exigent une disponibilité fiable.

La concentration des fournisseurs est un autre facteur. Dépendre d’un seul fournisseur de GPU ou de cloud peut créer des risques de prix et de disponibilité. Une stratégie multi-fournisseurs peut renforcer la résilience, même si elle accroît aussi la complexité d’ingénierie.

Les publications techniques de Nubank offrent un aperçu partiel de ses choix. Elles montrent une organisation travaillant sur le comportement des optimiseurs, l’utilisation de la mémoire, l’efficacité de l’entraînement et des modèles propres aux transactions. La poursuite de travaux de recherche évalués par les pairs renforcerait la confiance dans la profondeur de son expertise technique.

Pourtant, la qualité de la recherche et la réussite commerciale restent deux épreuves distinctes. Un optimiseur utile peut réduire les coûts d’entraînement sans rendre un produit de crédit rentable. Un modèle de crédit performant peut créer de la valeur même s’il fonctionne sur du matériel loué.

L’évaluation finale doit relier les quatre niveaux : qualité des modèles, économie de l’infrastructure, adoption des produits et résultats financiers. Omettre l’un de ces niveaux donne une image incomplète.

Nubank a clairement indiqué sa direction. L’entreprise veut que l’IA devienne une composante de la souscription de crédit, des interactions clients, des opérations et du développement de produits. Ses résultats les plus récents décrivent NuFormer comme un système de production plutôt que comme une ambition future.

Ce qui reste flou, c’est la quantité de capacité de calcul que Nubank contrôlera, le coût de ce contrôle et la rapidité avec laquelle cet investissement générera des rendements mesurables. L’entreprise a fourni suffisamment d’éléments pour prendre cette stratégie au sérieux, mais pas assez pour déclarer le pari sur les GPU réussi.

Les prochains cycles de résultats devraient réduire cet écart. Surveillez les cohortes de prêts, le ratio d’efficacité global et toute information sur la propriété ou les contrats de capacité de calcul. Ces signaux détermineront si le titre de Google News signalait un avantage d’infrastructure ou seulement le début d’un test coûteux.