Nubank punta sulle GPU per scalare i suoi modelli AI proprietari

Nubank sta investendo nelle GPU pur avvertendo che la spesa per l'AI aumenterà i costi operativi nel breve termine. Il titolo di Google News coglie la decisione sull'hardware, ma non il conflitto più ampio. Nubank ritiene che i suoi modelli AI proprietari possano migliorare le decisioni di credito abbastanza da giustificare un maggiore controllo su una capacità di calcolo scarsa e costosa.

Questa posizione mette in discussione una strategia aziendale più semplice: noleggiare modelli e potenza di calcolo da fornitori cloud affermati quando necessario. Nubank sta invece combinando i propri dati sulle transazioni, modelli di fondazione sviluppati internamente, ricerca ingegneristica e ulteriore capacità GPU. L'approccio richiede più capitale e talenti specializzati prima che i rendimenti di lungo periodo diventino visibili.

La banca ha già messo in produzione NuFormer, la propria famiglia proprietaria di modelli di fondazione, per le carte di credito in Brasile e Messico. Utilizza inoltre i modelli per i prestiti non garantiti in Brasile. Nubank non ha tuttavia divulgato pubblicamente il numero, il fornitore, la localizzazione o la struttura proprietaria delle nuove GPU citate dal management.

Questa lacuna è importante. Un investimento in GPU può significare acquistare server, noleggiare capacità dedicata, riservare istanze cloud o finanziare l'infrastruttura tramite un altro operatore. Ogni soluzione comporta costi diversi, responsabilità di sicurezza ed esposizione al deprezzamento dell'hardware.

La storia importante, quindi, non è che una banca digitale voglia più chip. È che Nubank sta cercando di trasformare la propria cronologia privata delle transazioni in un vantaggio durevole nella valutazione del credito. Le GPU stanno diventando parte di questa strategia, ma la tesi finanziaria dipende ancora da risultati misurabili nei prestiti e nelle operazioni.

Cosa segnala realmente il report di Google News

Nubank considera la capacità di calcolo per l'AI un'infrastruttura operativa, non un esperimento temporaneo.

Il report originale ha seguito i commenti del management sugli investimenti in ricerca, talenti e GPU. Durante la conference call sui risultati di febbraio di Nubank, i dirigenti hanno affermato che tali spese avrebbero generato costi nel breve termine. Hanno sostenuto che i benefici nel medio termine avrebbero più che compensato l'aumento.

Il management non ha fornito un budget preciso per le GPU. Ha inoltre raggruppato la spesa per l'AI con altre due iniziative che potrebbero esercitare pressione sulle spese operative: l'espansione degli uffici e la crescita internazionale. Ciò rende difficile isolare l'effetto finanziario del programma di infrastruttura AI dell'azienda.

La tempistica resta comunque rivelatrice. Il rapporto di efficienza di Nubank, che confronta le spese operative con i ricavi, ha chiuso il quarto trimestre del 2025 al 19,9%. È poi migliorato al 17,6% nel primo trimestre del 2026, secondo i risultati trimestrali dell'azienda.

Un rapporto più basso indica generalmente che un istituto finanziario genera maggiori ricavi per ciascuna unità di spesa operativa. Nubank ha avvertito gli investitori di non considerare il risultato del primo trimestre come il suo nuovo livello stabile. Prevede che gli investimenti in uffici, attività internazionali e AI aumenteranno i costi con l'avanzare dell'anno.

Questo avvertimento crea la tensione centrale. Nubank sta spendendo di più per l'infrastruttura alla base di una tecnologia che presenta anche come motore di efficienza. L'azienda deve far crescere i benefici guidati dall'AI nei ricavi, nelle performance creditizie o nella produttività interna più rapidamente delle spese associate.

Le evidenze pubbliche mostrano che la strategia va oltre i chatbot per uso generale. NuFormer elabora sequenze di transazioni finanziarie e apprende rappresentazioni riutilizzabili del comportamento dei clienti. I team di prodotto possono applicare tali rappresentazioni al credito, al cross-selling e ad altre attività predittive.

Questo è diverso dal chiedere a un modello linguistico pubblico di riassumere un ticket di assistenza. Le decisioni di credito devono operare entro rigorosi vincoli di latenza, governance, privacy e rischio. Piccoli miglioramenti possono influenzare milioni di singoli limiti, approvazioni e decisioni di recupero crediti.

Nubank afferma che le sue funzionalità AI Private Banker servono già oltre 15 milioni di utenti attivi mensili. Ha inoltre riferito che Pix with AI, un'interfaccia conversazionale per il sistema di pagamenti istantanei brasiliano, serve oltre 10 milioni di utenti attivi mensili.

Questi prodotti creano una domanda continua di inferenza. L'inferenza è il processo di calcolo che applica un modello addestrato a nuove informazioni. Avviene ogni volta che un sistema genera una risposta, valuta una richiesta o produce una raccomandazione personalizzata.

La domanda di addestramento è più concentrata ma può essere molto più elevata. Nubank deve riaddestrare, testare e adattare ripetutamente i modelli man mano che il comportamento dei clienti e le condizioni economiche cambiano. Più modelli, mercati e casi d'uso possono trasformare la disponibilità di GPU in un vincolo operativo persistente.

L'articolo di Google News indica quindi una transizione più ampia. Nubank sta passando dall'acquistare accesso a capacità AI al mantenimento di un sostanziale sistema interno di produzione AI. Tuttavia, le informazioni disponibili non dimostrano che ogni GPU coinvolta figurerà nel bilancio di Nubank.

NuFormer trasforma il calcolo in un input bancario

Il valore economico dell'investimento di Nubank nelle GPU dipende dalla capacità di NuFormer di migliorare decisioni che incidono direttamente su ricavi e perdite.

NuFormer non è un singolo modello linguistico rivolto ai consumatori. Nubank lo descrive come un insieme proprietario di modelli di fondazione addestrati su dati di transazioni finanziarie. Un modello di fondazione apprende schemi generali da un ampio set di dati prima che i team lo adattino a compiti più specifici.

Per Nubank, tali compiti più specifici includono la valutazione del merito creditizio delle carte di credito in Brasile e Messico e i prestiti non garantiti in Brasile. L'azienda afferma che i modelli sono già in produzione, distinguendo questo programma da una dimostrazione di ricerca senza esposizione dei clienti.

I modelli apprendono da sequenze anziché da istantanee isolate dei conti. Depositi, acquisti, trasferimenti, pagamenti di bollette e comportamento di rimborso di un cliente formano una cronologia in evoluzione. Modellare questa cronologia può rivelare relazioni che le variabili progettate manualmente potrebbero trascurare.

Nubank afferma che il proprio sistema di valutazione in tempo reale esamina ogni richiesta di prestito personale individualmente. Il sistema stima il valore attuale netto previsto, ossia il valore futuro atteso di un prestito dopo aver considerato rischio ed economia. Il management afferma che questa valutazione avviene in meno di un secondo.

Questa velocità è importante perché il credito al consumo combina gestione del rischio ed esperienza del prodotto. Un sistema lento può interrompere una richiesta, mentre un sistema eccessivamente prudente può respingere clienti redditizi. Un sistema mal calibrato può aumentare le approvazioni creando silenziosamente perdite future.

Nubank sostiene che i suoi modelli più recenti abbiano supportato l'espansione dei limiti di credito. Resta un'attribuzione dell'azienda, non una prova indipendente che l'AI da sola abbia causato la performance del portafoglio. Anche cambiamenti nella composizione dei clienti, nei tassi di interesse, nelle regole di policy e nelle condizioni economiche possono influenzare i risultati dei prestiti.

La scala della piattaforma aumenta sia l'opportunità sia il rischio. Nubank ha riportato oltre 135 milioni di clienti in Brasile, Messico e Colombia nel marzo 2026. Ha aggiunto circa quattro milioni di clienti durante il primo trimestre.

I suoi ricavi hanno superato i 5 miliardi di dollari in quel trimestre, mentre l'utile netto ha raggiunto 871 milioni di dollari. Il rendimento del capitale proprio era del 29%. Questi numeri danno all'azienda margine per investire, ma aumentano anche le conseguenze di un errore di modello che colpisca un sistema decisionale ampiamente distribuito.

I modelli di credito non devono assomigliare ai più grandi modelli generativi pubblici per consumare risorse di calcolo considerevoli. I modelli finanziari devono essere riaddestrati nei vari mercati, convalidati rispetto a diversi esiti, monitorati per rilevare derive e testati con differenti impostazioni di policy.

Un singolo modello in produzione può generare molti carichi di lavoro correlati. Gli ingegneri hanno bisogno di esecuzioni sperimentali, modelli di benchmark, processi di convalida, stress test e candidati per distribuzioni controllate. Le revisioni regolamentari o di governance interna possono richiedere ai team di riprodurre risultati precedenti.

La ricerca ingegneristica di Nubank illustra il costo. In un esperimento pubblicato, un flusso di addestramento che utilizzava cinque milioni di righe ha richiesto circa 12 ore su otto GPU Nvidia A100. L'espansione del flusso a 40 milioni di righe ha richiesto circa 95 ore sullo stesso hardware.

Questo confronto non divulga l'intera flotta di Nubank né la spesa annuale per le GPU. Mostra però quanto rapidamente possa crescere la domanda di addestramento quando i ricercatori utilizzano più dati. Moltiplicare l'esperimento tra prodotti e Paesi rafforza la tesi a favore di un accesso prevedibile alle risorse di calcolo.

Possedere o riservare capacità può ridurre il rischio che un progetto critico attenda istanze cloud adatte. Può inoltre consentire agli ingegneri di ottimizzare un ambiente stabile. Tuttavia, la capacità dedicata fa risparmiare denaro solo quando l'utilizzo resta sufficientemente elevato da giustificare l'impegno.

L'efficienza dei modelli cambia il calcolo sulle GPU

Nubank sta investendo nell'hardware mentre cerca contemporaneamente di far consumare meno risorse a ogni esecuzione di addestramento.

Questa combinazione può apparire contraddittoria. Se un nuovo metodo di addestramento riduce i requisiti di calcolo, perché acquistare o riservare più GPU? La risposta risiede nel modo in cui le organizzazioni utilizzano tipicamente i guadagni di efficienza.

Una minore quantità di calcolo per esperimento raramente induce un ambizioso programma AI a fermarsi al carico di lavoro precedente. I team possono invece eseguire più esperimenti, addestrare su set di dati più ampi, testare prodotti aggiuntivi o aggiornare i modelli più frequentemente. L'efficienza aumenta il numero di progetti economicamente sostenibili.

Nubank ha concentrato parte della propria ricerca su Muon, un ottimizzatore che aggiorna una rete neurale durante l'addestramento. Un ottimizzatore determina come cambiano i parametri del modello dopo che il sistema misura i propri errori. Nubank confronta Muon con AdamW, un ottimizzatore ampiamente utilizzato.

Gli esperimenti su Muon dell'azienda hanno utilizzato modelli da 330 milioni di parametri addestrati su 20 milioni di campioni. Nubank ha riportato che Muon convergeva più rapidamente e raggiungeva perdite di convalida inferiori rispetto ad AdamW per tutti i tassi di apprendimento testati.

La perdita di convalida misura quanto bene un modello si comporta su dati esclusi dal suo processo di addestramento diretto. Una perdita inferiore può indicare una migliore generalizzazione, anche se non garantisce automaticamente migliori risultati nei prestiti o per i clienti.

Nubank ha inoltre citato esperimenti di scalabilità più ampi che suggeriscono come Muon possa raggiungere una qualità di modello comparabile con circa il 52% delle operazioni di addestramento richieste da AdamW. Questa cifra descrive un risultato di ricerca, non una riduzione garantita per ogni carico di lavoro di NuFormer.

La banca ha successivamente contribuito alla ricerca su una versione a 8 bit di Muon. La quantizzazione riduce il numero di bit utilizzati per rappresentare determinati valori. I ricercatori hanno riportato una riduzione del 62% della memoria degli stati dell'ottimizzatore, mantenendo le prestazioni nei loro test.

La riduzione della memoria può consentire ai ricercatori di inserire modelli o batch più grandi sullo stesso hardware. Non produce sempre un aumento equivalente della velocità di addestramento. Lavoro di conversione aggiuntivo o diversi colli di bottiglia hardware possono limitare il beneficio in termini di tempo effettivo.

Ciononostante, l'efficienza della memoria può migliorare l'economia dell'infrastruttura. Un processo che in precedenza richiedeva più dispositivi può entrare in un numero minore di GPU. Un altro processo potrebbe utilizzare la capacità liberata. Il risultato dipende dalla pianificazione, dall'architettura del modello, dal networking e dall'utilizzo effettivo.

La ricerca di Nubank indica inoltre che l'azienda desidera un controllo tecnico al di sotto del livello applicativo. La banca non si limita a collegare un modello commerciale ai propri prodotti. Sta studiando come si addestrano i propri modelli, come vengono aggiornati i gradienti e come cambia il consumo di memoria.

Questa profondità sostiene l’argomento a favore di capacità di calcolo dedicate. I ricercatori possono configurare gli ambienti in base ai propri carichi di lavoro e mantenere prestazioni più costanti. I dati finanziari sensibili possono inoltre restare all’interno di un’architettura controllata, a seconda di dove e come operano le apparecchiature.

Tuttavia, ottimizzatori migliori non risolvono la decisione di acquisto. Le generazioni di GPU migliorano rapidamente e un dispositivo acquistato oggi può perdere valore economico prima della fine della sua vita fisica. La capacità cloud trasferisce al fornitore una parte di questo rischio di obsolescenza.

L’infrastruttura dedicata richiede inoltre networking, storage, orchestrazione, controlli di sicurezza, monitoraggio e operazioni specialistiche. Una GPU inattiva comporta comunque un costo. Una GPU utilizzata intensamente può generare ulteriori esigenze di raffreddamento, energia e manutenzione.

L’interpretazione più credibile non è che Nubank abbia risolto l’efficienza dell’AI. È che l’azienda vede una domanda di modelli sufficiente per perseguire contemporaneamente efficienza e capacità. I modelli utilizzano meno calcolo per unità di lavoro, mentre la quantità totale di lavoro utile si espande.

Nubank Sceglie il Controllo Rispetto alla Pura Flessibilità del Cloud

Il principale confronto è tra capacità di calcolo controllata e la flessibilità di noleggiare tutto su richiesta.

Le piattaforme cloud rendono relativamente semplice avviare un progetto di AI. Un’azienda può predisporre acceleratori senza costruire un data center né impegnarsi nell’intero ciclo di vita dell’hardware. I team possono inoltre selezionare dispositivi diversi per l’addestramento e l’inferenza.

Questa flessibilità comporta compromessi. Gli acceleratori più richiesti potrebbero non essere disponibili nella regione desiderata. I carichi di lavoro di lunga durata possono diventare costosi. Lo spostamento di grandi dataset tra servizi può introdurre latenza, complessità operativa e costi aggiuntivi.

Le banche affrontano un ulteriore vincolo: la governance dei dati. Le transazioni dei clienti sono altamente sensibili e gli istituti finanziari devono controllare accesso, conservazione, tracciabilità e verificabilità. I sistemi cloud possono soddisfare carichi di lavoro regolamentati, ma la banca resta responsabile della loro corretta configurazione e supervisione.

Nubank gestisce già uno stack bancario proprietario cloud-native. L’espressione cloud-native significa che i suoi sistemi sono stati progettati attorno a servizi cloud distribuiti, anziché essere trasferiti da server bancari tradizionali senza una profonda riprogettazione. Questa storia rende plausibile un approccio ibrido.

Un’architettura ibrida potrebbe combinare GPU cloud riservate, cluster in leasing e macchine direttamente controllate. Potrebbe instradare i job di addestramento in base a costi e disponibilità, mantenendo al contempo determinati dataset o fasi dei modelli entro confini più rigorosi.

I commenti pubblici non stabiliscono ancora quale configurazione abbia scelto Nubank. L’azienda ha discusso investimenti in GPU, ma non ha identificato un fornitore né divulgato una quantità di acquisto. Descrivere la strategia come proprietà va quindi oltre le prove pubbliche più dettagliate.

La distinzione è più che una questione di formulazione. L’acquisto di hardware crea interrogativi su capitale, ammortamento e utilizzo. Un contratto di capacità a lungo termine genera un diverso profilo di spesa. Il noleggio su richiesta preserva la flessibilità, ma può esporre l’azienda a disponibilità e prezzi volatili.

Il modello scelto influenza anche il potere negoziale. Un’azienda con carichi di lavoro prevedibili può negoziare capacità a lungo termine o distribuire i job tra fornitori. Un’azienda legata ai servizi proprietari di un unico fornitore potrebbe trovare più difficile cambiare.

L’acquisizione di Hyperplane da parte di Nubank nel 2024 fornisce un contesto utile. Hyperplane sviluppava modelli fondativi auto-supervisionati utilizzando i dati proprietari degli istituti finanziari. Nubank ha affermato che l’acquisizione avrebbe aiutato i team di prodotto e ingegneria ad applicare modelli condivisi lungo i percorsi dei clienti.

L’acquisizione di Hyperplane ha portato all’interno di Nubank talenti e tecnologia per la costruzione di modelli. I suoi sistemi erano progettati per addestrare, valutare e distribuire numerosi modelli personalizzati per casi d’uso finanziari.

Questa mossa ha spinto Nubank verso lo sviluppo interno di modelli prima che il management enfatizzasse gli investimenti in GPU. La decisione sull’hardware segue quella relativa a software e talenti. Quando un’azienda mantiene modelli proprietari, il calcolo diventa una dipendenza produttiva ricorrente.

Le banche tradizionali subiscono pressioni dalla stessa tendenza, sebbene partano da strutture tecnologiche differenti. Molte dispongono di ampi dataset proprietari e budget infrastrutturali rilevanti. Possono anche avere sistemi core più datati, che rendono più lento il deployment unificato dei modelli.

Anche altre aziende finanziarie digitali stanno sviluppando modelli fondativi per le transazioni. Stripe ha pubblicato ricerche su un modello fondativo per i pagamenti, mentre Visa, Mastercard, Revolut e Plaid hanno esplorato architetture correlate. La competizione non è semplicemente Nubank contro una singola banca nominata.

La questione competitiva è chi riesca a collegare dati, modelli, calcolo e decisioni di prodotto nel modo più efficace. Grandi dataset da soli non creano un vantaggio se i team non riescono a pulirli, addestrare modelli, convalidare i risultati o distribuire le modifiche in sicurezza.

Nubank sostiene che i suoi dati unificati e i sistemi sviluppati internamente accorcino il percorso dalla sperimentazione alla produzione. Questa affermazione ha un peso strategico, ma gli investitori necessitano ancora di prove comparabili. Velocità di deployment, miglioramento dei modelli e rendimenti corretti per il rischio contano più del numero di progetti di AI annunciati.

L’Affermazione sull’Efficienza Necessita Ancora di un Test Più Rigoroso

Un rapporto di efficienza più basso non dimostra che l’infrastruttura AI di Nubank si sia ripagata.

Il rapporto di efficienza del primo trimestre di Nubank è migliorato dal 19,9% al 17,6%. Il management ha attribuito il risultato a ricavi più solidi, crescita del portafoglio, miglioramenti operativi e alcuni effetti di tempistica. L’azienda ha inoltre escluso investimenti strategici selezionati nel discutere un rapporto core più basso.

Ciò crea un’importante questione di misurazione. Se la spesa per l’infrastruttura AI è esclusa da una misura di efficienza core, la cifra rettificata non può rispondere alla domanda se il programma AI completo sia economicamente efficiente. Può comunque mostrare come si comporta la piattaforma sottostante prima di investimenti selezionati.

Nubank prevede che il suo rapporto di efficienza riportato per il 2026 si concluda vicino al livello registrato alla fine del 2025. Questa previsione implica che l’investimento attuale compenserà almeno una parte della leva operativa sottostante nel corso dell’anno.

Il management ha affermato che circa un terzo della sovraperformance sui costi del primo trimestre rifletteva guadagni strutturali. Ha citato miglioramenti dell’AI nelle operazioni e nel recupero crediti, consolidamento del software e disciplina nelle assunzioni. La parte restante riguardava spese attese in un momento successivo.

Queste categorie non sono sufficientemente dettagliate per calcolare un rendimento della spesa AI. Gli investitori non conoscono i costi separati di modelli, GPU, assunzioni nell’AI, servizi esterni o infrastruttura di supporto. Manca inoltre un’attribuzione precisa dei ricavi per NuFormer.

Il portafoglio crediti offre un test più rilevante. Nubank ha riportato nel primo trimestre un rapporto del 5,0% di prestiti scaduti tra 15 e 90 giorni. Si trattava di 89 punti base in più rispetto al trimestre precedente, che l’azienda ha attribuito in larga misura alla normale stagionalità.

I prestiti scaduti da oltre 90 giorni sono diminuiti di 10 punti base, al 6,5%. Nubank ha inoltre affermato che modelli di rischio migliorati le hanno dato la fiducia per estendere il credito a segmenti a rischio più elevato. Questa strategia può aumentare l’erogazione redditizia, ma accresce anche l’importanza di monitorare le insolvenze successive.

Un modello può approvare più debitori e apparire efficace prima che le perdite emergano pienamente. La performance del credito al consumo si sviluppa nell’arco di mesi. Il confronto rilevante include ricavi netti, costi di finanziamento, perdite attese, recuperi e impiego di capitale lungo la vita del prestito.

NuFormer deve quindi dimostrare più della crescita delle approvazioni. Deve produrre rendimenti attraenti corretti per il rischio attraverso condizioni economiche mutevoli. La performance in Brasile potrebbe non trasferirsi invariata in Messico o Colombia, perché il comportamento dei clienti e i sistemi creditizi differiscono.

La governance dei modelli crea un’altra incertezza. I modelli fondativi possono catturare schemi difficili da esprimere come regole tradizionali di underwriting. Questa flessibilità può migliorare le previsioni, ma rende più importanti documentazione, monitoraggio e spiegazione.

Il bias è una preoccupazione correlata. Un modello può apprendere correlazioni associate a gruppi protetti o vulnerabili anche senza ricevere un attributo sensibile esplicito. Gli istituti finanziari necessitano di test che esaminino chi riceve approvazioni, limiti, prezzi e decisioni sfavorevoli.

I materiali pubblici di Nubank descrivono la propria strategia sui modelli più approfonditamente del suo processo di validazione indipendente. Ciò non dimostra che i controlli siano assenti. Significa che i lettori non possono usare le informazioni disponibili per confrontare la governance dei modelli con i miglioramenti di performance dichiarati.

L’impostazione di Google News rischia inoltre di fondere due affermazioni distinte. Nubank ha pubblicato prove che Muon migliori l’efficienza dell’addestramento in esperimenti controllati. Il management ha separatamente affermato che i suoi modelli proprietari producono un miglioramento significativo nel credito e nel cross-selling.

Nessuna delle due affermazioni dimostra automaticamente che acquistare o riservare GPU sia più economico che utilizzare capacità cloud. Ciò richiede una contabilità a livello di carico di lavoro, inclusi utilizzo, energia, supporto, networking, ammortamento e costo opportunità del capitale impegnato.

Le prove più solide arriveranno attraverso i risultati aziendali. Se il credito cresce mentre le insolvenze successive restano controllate, il caso di underwriting di NuFormer diventa più forte. Se la produttività migliora mentre le spese totali restano disciplinate, il caso infrastrutturale diventa più facile da difendere.

Cosa Osservare Dopo il Ciclo Iniziale di Google News

Tre segnali mostreranno se l’investimento di Nubank nelle GPU stia creando un vantaggio o stia semplicemente aggiungendo un costoso livello infrastrutturale.

Il primo segnale è la performance creditizia nei portafogli supportati dai modelli. Osservate la crescita dei limiti delle carte e dei prestiti non garantiti insieme ai rapporti di insolvenza iniziale e tardiva. L’espansione dei ricavi conta, ma non può essere separata dal costo dei default.

Idealmente, Nubank dovrebbe fornire dati per coorte che mostrino come si comportano nel tempo i prestiti approvati con modelli più recenti. Una coorte raggruppa conti aperti in un periodo simile. Aiuta a distinguere la qualità recente dell’underwriting dal comportamento dei portafogli più vecchi.

Se le coorti supportate dai modelli mantengono rendimenti migliori corretti per il rischio servendo al contempo più clienti, la tesi dei modelli proprietari acquisisce sostegno. Se le perdite aumentano più rapidamente del previsto, la crescita delle approvazioni apparirà meno convincente.

Il secondo segnale è il rapporto tra spesa AI ed efficienza operativa. Nubank ha già avvertito che i suoi investimenti creeranno pressioni nel breve termine. I risultati futuri dovrebbero chiarire se i risparmi sui costi sottostanti e i guadagni nei ricavi inizino a superare tale pressione.

Il rapporto di efficienza headline da solo non sarà sufficiente. I lettori dovrebbero cercare informazioni sulla produttività del recupero crediti, il carico di lavoro del servizio clienti, la produttività ingegneristica, la velocità delle decisioni creditizie e il cross-selling. Queste misure operative collegano l’uso dei modelli a processi aziendali identificabili.

Nubank aveva precedentemente riportato una crescita superiore al 50% su base annua della produttività ingegneristica e un aumento di dieci volte del consumo settimanale di token da gennaio. Si tratta di indicatori di adozione, non di rendimenti finanziari autonomi. Più token generati possono rappresentare un utilizzo di valore o semplicemente un maggiore consumo di calcolo.

I materiali per gli investitori dell’azienda dovrebbero alla fine rivelare se l’adozione si traduca in una leva operativa durevole. Un rapporto riportato stabile durante un anno di forti investimenti sosterrebbe l’argomento del management, a condizione che la qualità del credito resti controllata.

Il terzo segnale è la divulgazione dell’infrastruttura. Nubank non deve rivelare un’architettura di sistema sensibile, ma il mercato ha bisogno di informazioni sufficienti per comprendere l’impegno. Dettagli utili includerebbero se la capacità viene acquistata, presa in leasing o riservata.

Anche la generazione e l’utilizzo dell’hardware contribuirebbero a chiarire il quadro. L’economia di un piccolo cluster di ricerca differisce da quella di una flotta di produzione dedicata all’inferenza in tempo reale. La capacità di addestramento può essere pianificata in batch, mentre i sistemi rivolti ai clienti richiedono una disponibilità affidabile.

Anche la concentrazione dei fornitori è un fattore rilevante. Dipendere da un unico fornitore di GPU o cloud può creare rischi per prezzi e disponibilità. Una strategia multi-provider può migliorare la resilienza, pur aumentando la complessità ingegneristica.

Le pubblicazioni tecniche di Nubank offrono una finestra parziale sulle sue scelte. Mostrano un’organizzazione al lavoro sul comportamento degli ottimizzatori, sull’uso della memoria, sull’efficienza dell’addestramento e su modelli specifici per le transazioni. La prosecuzione della ricerca sottoposta a peer review rafforzerebbe la fiducia nella sua profondità ingegneristica.

Tuttavia, qualità della ricerca e successo commerciale restano prove distinte. Un ottimizzatore utile può ridurre i costi di addestramento senza rendere redditizio un prodotto di credito. Un modello di credito efficace può creare valore anche se viene eseguito su hardware a noleggio.

La valutazione definitiva dovrebbe collegare tutti e quattro i livelli: qualità del modello, economia dell’infrastruttura, adozione del prodotto e risultati finanziari. Tralasciare uno di questi livelli produce un quadro incompleto.

Nubank ha chiarito la direzione. Vuole che l’AI diventi parte integrante della valutazione del merito creditizio, dell’interazione con i clienti, delle operazioni e dello sviluppo dei prodotti. I risultati più recenti descrivono NuFormer come un sistema di produzione, non come un’ambizione futura.

Resta poco chiaro quanta capacità di calcolo Nubank controllerà, quanto costerà tale controllo e con quale rapidità l’investimento genererà rendimenti misurabili. L’azienda ha fornito prove sufficienti per prendere sul serio la strategia, ma non abbastanza per dichiarare vincente la scommessa sulle GPU.

I prossimi cicli di risultati dovrebbero ridurre questo divario. Occorre osservare le coorti di prestiti, l’indice di efficienza complessivo e qualsiasi comunicazione sulla proprietà della capacità di calcolo o sui contratti. Questi segnali determineranno se il titolo su Google News indicava un vantaggio infrastrutturale o soltanto l’inizio di un costoso test.