Nubank, 자체 AI 모델 확장을 위해 GPU에 베팅

Nubank은 AI 지출이 단기 운영비를 끌어올릴 것이라고 경고하면서도 GPU에 투자하고 있다. Google News 헤드라인은 이 하드웨어 결정은 포착하지만, 그보다 큰 갈등은 담아내지 못한다. Nubank은 자체 AI 모델이 신용 의사결정을 충분히 개선해 희소하고 값비싼 컴퓨팅 역량을 더 크게 통제할 만한 가치를 만들 수 있다고 본다.

이러한 입장은 더 단순한 기업 전략에 도전한다. 즉, 필요할 때 기존 클라우드 사업자에게서 모델과 컴퓨팅 성능을 임대하는 방식이다. Nubank은 대신 거래 데이터, 자체 개발한 파운데이션 모델, 엔지니어링 연구, 추가 GPU 용량을 결합하고 있다. 이 접근법은 장기 수익이 가시화되기 전에 더 많은 자본과 전문 인력을 요구한다.

이 은행은 이미 자체 파운데이션 모델 제품군인 NuFormer를 브라질과 멕시코의 신용카드 업무에 실전 배치했다. 브라질에서는 무담보 대출에도 이 모델을 사용한다. 다만 Nubank은 경영진이 언급한 신규 GPU의 수량, 공급업체, 위치 또는 소유 구조를 공개적으로 밝히지 않았다.

이 공백은 중요하다. GPU 투자는 서버 구매, 전용 용량 임대, 클라우드 인스턴스 예약, 또는 다른 운영업체를 통한 인프라 자금 조달을 의미할 수 있다. 각 방식은 서로 다른 비용, 보안 책임, 하드웨어 감가상각 노출을 만든다.

따라서 중요한 이야기는 디지털 은행이 더 많은 칩을 원한다는 데 있지 않다. Nubank이 비공개 거래 이력을 지속 가능한 여신 심사 우위로 전환하려 한다는 점이다. GPU는 이 전략의 일부가 되고 있지만, 재무적 타당성은 여전히 측정 가능한 대출 및 운영 성과에 달려 있다.

Google News 보도가 실제로 시사하는 것

Nubank은 AI 컴퓨팅을 일시적 실험이 아니라 운영 인프라로 다루고 있다.

원 보도는 연구, 인재, GPU에 투자한다는 경영진의 발언을 뒤따랐다. Nubank의 2월 실적 발표 콜에서 경영진은 이러한 지출이 단기 비용을 만들 것이라고 말했다. 다만 중기적 혜택이 증가분을 훨씬 상쇄할 것이라고 주장했다.

경영진은 정확한 GPU 예산을 제시하지 않았다. 또한 AI 지출을 운영비를 압박할 수 있는 두 가지 다른 이니셔티브, 즉 사무실 확장과 해외 성장과 함께 묶어 설명했다. 이 때문에 회사의 AI 인프라 프로그램이 미치는 재무 효과를 분리해 파악하기는 어렵다.

그럼에도 시점은 의미심장하다. 운영비와 매출을 비교하는 Nubank의 효율성 비율은 2025년 4분기 19.9%로 마감했다. 이후 회사의 분기 실적에 따르면 2026년 1분기에는 17.6%로 개선됐다.

일반적으로 더 낮은 비율은 금융기관이 운영비 단위당 더 많은 매출을 창출하고 있음을 의미한다. Nubank은 투자자들에게 1분기 결과를 새로운 정상 상태로 받아들이지 말라고 경고했다. 사무실, 해외 사업, AI 투자가 연중 비용을 높일 것으로 예상하기 때문이다.

이 경고는 핵심 긴장을 만든다. Nubank은 효율성 엔진으로 제시하는 기술의 기반 인프라에 더 많은 비용을 지출하고 있다. 회사는 AI가 이끄는 매출, 신용 성과 또는 내부 생산성 개선이 관련 비용보다 더 빠르게 성장해야 한다.

공개된 근거는 이 전략이 범용 챗봇을 넘어선다는 점을 보여준다. NuFormer는 금융 거래 시퀀스를 처리하고 고객 행동에 대한 재사용 가능한 표현을 학습한다. 제품팀은 이러한 표현을 신용, 교차판매 및 기타 예측 업무에 적용할 수 있다.

이는 공개 언어 모델에 지원 티켓 요약을 요청하는 것과는 다르다. 신용 의사결정은 엄격한 지연 시간, 거버넌스, 개인정보 보호, 리스크 제약 안에서 이뤄져야 한다. 작은 개선도 수백만 건의 개별 한도, 승인 및 추심 결정에 영향을 미칠 수 있다.

Nubank은 AI Private Banker 기능이 이미 월간 활성 사용자 1,500만 명 이상에게 서비스를 제공한다고 말한다. 또한 브라질의 즉시결제 시스템을 위한 대화형 인터페이스인 Pix with AI가 월간 활성 사용자 1,000만 명 이상에게 서비스를 제공한다고 보고했다.

이 제품들은 지속적인 추론 수요를 만든다. 추론은 학습된 모델을 새로운 정보에 적용하는 컴퓨팅 과정이다. 시스템이 응답을 생성하거나, 신청서를 평가하거나, 개인화된 추천을 만들 때마다 발생한다.

학습 수요는 더 집중돼 있지만 훨씬 더 클 수 있다. Nubank은 고객 행동과 경제 상황이 바뀜에 따라 모델을 반복적으로 재학습하고, 테스트하고, 조정해야 한다. 더 많은 모델, 시장, 사용 사례는 GPU 가용성을 지속적인 운영 제약으로 만들 수 있다.

따라서 Google News 항목은 더 광범위한 전환을 가리킨다. Nubank은 AI 역량에 대한 접근권을 구매하는 단계에서 상당한 규모의 내부 AI 운영 시스템을 유지하는 단계로 이동하고 있다. 다만 현재 공개된 정보만으로는 관련된 모든 GPU가 Nubank의 대차대조표에 반영될 것임을 입증할 수 없다.

NuFormer는 컴퓨팅을 뱅킹의 투입 요소로 만든다

Nubank의 GPU 투자 경제적 가치는 NuFormer가 매출과 손실에 직접 영향을 미치는 의사결정을 개선하는지에 달려 있다.

NuFormer는 단일 소비자 대상 언어 모델이 아니다. Nubank은 이를 금융 거래 데이터로 학습한 자체 파운데이션 모델 집합으로 설명한다. 파운데이션 모델은 팀이 더 좁은 업무에 맞게 조정하기 전에 대규모 데이터세트에서 일반적인 패턴을 학습한다.

Nubank에서 이러한 더 좁은 업무에는 브라질과 멕시코의 신용카드 여신 심사, 브라질의 무담보 대출이 포함된다. 회사는 이 모델들이 이미 운영 중이라고 말하며, 이는 고객 노출 없이 이뤄진 연구 시연과 이 프로그램을 구분한다.

이 모델들은 고립된 계정 스냅샷이 아니라 시퀀스에서 학습한다. 고객의 예금, 구매, 이체, 청구서 납부, 상환 행동은 계속 변하는 타임라인을 이룬다. 이 타임라인을 모델링하면 수작업으로 설계한 변수로는 놓칠 수 있는 관계를 드러낼 수 있다.

Nubank은 실시간 여신 심사 시스템이 모든 개인 대출 요청을 개별적으로 평가한다고 말한다. 이 시스템은 리스크와 경제성을 고려한 뒤 대출의 예상 미래 가치를 뜻하는 예측 순현재가치를 추정한다. 경영진은 이 평가가 1초 이내에 이뤄진다고 말한다.

이 속도는 소비자 대출이 리스크 관리와 제품 경험을 결합하기 때문에 중요하다. 느린 시스템은 신청 절차를 중단시킬 수 있고, 지나치게 보수적인 시스템은 수익성 있는 고객을 거절할 수 있다. 보정이 부정확한 시스템은 승인을 늘리는 동시에 미래 손실을 조용히 키울 수 있다.

Nubank은 최신 모델이 신용 한도 확대를 뒷받침했다고 주장한다. 이는 AI만으로 포트폴리오 성과가 발생했다는 독립적 증거가 아니라 회사 측의 귀속이다. 고객 구성, 금리, 정책 규칙, 경제 상황의 변화 역시 대출 결과에 영향을 미칠 수 있다.

플랫폼 규모는 기회와 리스크를 모두 키운다. Nubank은 2026년 3월 기준 브라질, 멕시코, 콜롬비아 전역에서 고객 수가 1억 3,500만 명을 넘는다고 보고했다. 1분기 동안 약 400만 명의 고객을 추가했다.

그 분기 매출은 50억 달러를 넘었고 순이익은 8억 7,100만 달러에 달했다. 자기자본이익률은 29%였다. 이러한 수치는 회사에 투자 여력을 제공하지만, 광범위하게 배포된 의사결정 시스템에 영향을 미치는 모델 오류의 결과도 키운다.

신용 모델이 상당한 컴퓨팅 자원을 사용하기 위해 최대 규모의 공개 생성형 모델을 닮을 필요는 없다. 금융 모델은 시장별로 재학습되고, 여러 결과에 대해 검증되며, 드리프트를 모니터링하고, 서로 다른 정책 설정 아래 테스트돼야 한다.

단일 운영 모델도 많은 관련 워크로드를 만들어낼 수 있다. 엔지니어에게는 실험 실행, 벤치마크 모델, 검증 작업, 스트레스 테스트, 통제된 배포 후보가 필요하다. 규제 또는 내부 거버넌스 검토는 팀이 이전 결과를 재현하도록 요구할 수 있다.

Nubank의 엔지니어링 연구는 그 비용을 보여준다. 공개된 한 실험에서 500만 행을 사용한 학습 워크플로는 Nvidia A100 GPU 8개에서 약 12시간이 필요했다. 워크플로를 4,000만 행으로 확장하자 동일한 하드웨어에서 약 95시간이 필요했다.

이 비교는 Nubank의 전체 장비 규모나 연간 GPU 지출을 공개하지 않는다. 다만 연구자들이 더 많은 데이터를 사용할수록 학습 수요가 얼마나 빠르게 늘어날 수 있는지를 보여준다. 이 실험을 여러 제품과 국가에 걸쳐 확대하면 예측 가능한 컴퓨팅 접근권의 필요성이 더 커진다.

용량을 소유하거나 예약하면 중요한 프로젝트가 적절한 클라우드 인스턴스를 기다려야 하는 위험을 낮출 수 있다. 또한 엔지니어가 안정적인 환경을 최적화하도록 해준다. 그러나 전용 용량은 활용률이 약정을 정당화할 만큼 충분히 높게 유지될 때에만 비용을 절감한다.

모델 효율성이 GPU 계산을 바꾼다

Nubank은 하드웨어에 투자하는 동시에 모든 학습 실행이 소비하는 자원을 줄이려 하고 있다.

이 조합은 모순적으로 보일 수 있다. 새로운 학습 방식이 컴퓨팅 요구량을 줄인다면, 왜 더 많은 GPU를 구매하거나 예약하는가? 답은 조직이 일반적으로 효율성 향상을 활용하는 방식에 있다.

실험당 컴퓨팅 비용이 낮아져도 야심 찬 AI 프로그램이 이전 워크로드 수준에서 멈추는 경우는 드물다. 팀은 대신 더 많은 실험을 실행하고, 더 큰 데이터세트로 학습하며, 추가 제품을 테스트하거나, 모델을 더 자주 갱신할 수 있다. 효율성은 경제적으로 실행 가능한 프로젝트의 수를 늘린다.

Nubank은 연구의 일부를 학습 중 신경망을 업데이트하는 옵티마이저인 Muon에 집중했다. 옵티마이저는 시스템이 오류를 측정한 뒤 모델 파라미터가 어떻게 바뀌는지를 결정한다. Nubank은 Muon을 널리 사용되는 옵티마이저인 AdamW와 비교한다.

회사의 Muon 실험은 2,000만 개 샘플로 학습한 3억 3,000만 파라미터 모델을 사용했다. Nubank은 테스트한 학습률 전반에서 Muon이 AdamW보다 더 빠르게 수렴하고 더 낮은 검증 손실에 도달했다고 보고했다.

검증 손실은 모델이 직접 학습 과정에서 제외된 데이터에서 얼마나 잘 수행하는지를 측정한다. 더 낮은 손실은 더 나은 일반화 능력을 나타낼 수 있지만, 더 나은 대출 또는 고객 결과를 자동으로 보장하지는 않는다.

Nubank은 또한 더 광범위한 스케일링 실험을 인용하며 Muon이 AdamW에 필요한 학습 연산의 약 52%로 비슷한 모델 품질에 도달할 수 있다고 시사했다. 이 수치는 모든 NuFormer 워크로드에 걸친 보장된 절감이 아니라 연구 결과를 설명한다.

이 은행은 이후 Muon의 8비트 버전에 관한 연구에 기여했다. 양자화는 특정 값을 표현하는 데 쓰이는 비트 수를 줄인다. 연구진은 테스트에서 성능을 유지하면서 옵티마이저 상태 메모리를 62% 줄였다고 보고했다.

메모리 절감은 연구자들이 동일한 하드웨어에 더 큰 모델이나 배치를 올릴 수 있게 해준다. 그렇다고 항상 학습 속도가 그에 상응하게 빨라지는 것은 아니다. 추가 변환 작업이나 다른 하드웨어 병목 현상은 실제 소요 시간 측면의 이점을 제한할 수 있다.

그럼에도 메모리 효율성은 인프라 경제성을 개선할 수 있다. 이전에는 더 많은 장치가 필요했던 작업이 더 적은 GPU에서 수행될 수 있다. 다른 작업은 확보된 용량을 사용할 수 있다. 결과는 스케줄링, 모델 아키텍처, 네트워킹, 실제 활용률에 달려 있다.

Nubank의 연구는 또한 애플리케이션 계층 아래에서 기술적 통제권을 확보하려 한다는 점을 보여준다. 이 은행은 상용 모델을 제품에 연결하는 데 그치지 않는다. 모델이 어떻게 학습되는지, 그래디언트가 어떻게 업데이트되는지, 메모리 사용량이 어떻게 변하는지를 연구하고 있다.

그러한 수준의 심도는 전용 컴퓨팅 용량을 확보해야 한다는 논거를 뒷받침한다. 연구자들은 워크로드에 맞춰 환경을 구성하고 보다 일관된 성능을 유지할 수 있다. 장비의 운영 위치와 방식에 따라 민감한 금융 데이터 역시 통제된 아키텍처 내에 유지될 수 있다.

그러나 더 나은 옵티마이저가 구매 결정을 대신 내려주지는 않는다. GPU 세대는 빠르게 개선되며, 오늘 도입한 장비는 물리적 수명이 끝나기 전에 경제적 가치를 잃을 수 있다. 클라우드 용량은 이러한 노후화 위험의 일부를 제공업체에 이전한다.

전용 인프라에는 네트워킹, 스토리지, 오케스트레이션, 보안 통제, 모니터링, 전문 운영 인력도 필요하다. 유휴 상태의 GPU도 비용을 발생시킨다. 높은 가동률의 GPU는 추가적인 냉각, 전력, 유지보수 수요를 만들 수 있다.

가장 신뢰할 만한 해석은 Nubank가 AI 효율성 문제를 해결했다는 것이 아니다. 회사가 효율성과 용량을 동시에 추구할 만큼 충분한 모델 수요를 보고 있다는 것이다. 모델은 작업 단위당 더 적은 컴퓨팅을 사용하지만, 유용한 작업의 총량은 확대된다.

Nubank는 순수한 클라우드 유연성보다 통제력을 선택하고 있다

핵심 경쟁은 통제된 컴퓨팅 용량과 모든 것을 필요에 따라 임대하는 유연성 사이에서 벌어진다.

클라우드 플랫폼은 AI 프로젝트를 비교적 쉽게 시작할 수 있게 해준다. 기업은 데이터센터를 구축하거나 전체 하드웨어 수명 주기에 전념하지 않고도 가속기를 프로비저닝할 수 있다. 팀은 학습과 추론에 서로 다른 장비를 선택할 수도 있다.

이러한 유연성에는 대가가 따른다. 수요가 높은 가속기는 원하는 리전에서 उपलब्ध하지 않을 수 있다. 장기간 실행되는 워크로드는 비용이 많이 들 수 있다. 대규모 데이터세트를 서비스 간에 이동하면 지연 시간, 운영 복잡성, 추가 요금이 발생할 수 있다.

은행은 또 다른 제약도 마주한다. 바로 데이터 거버넌스다. 고객 거래는 매우 민감한 정보이며, 금융기관은 접근 권한, 보존, 계보, 감사 가능성을 통제해야 한다. 클라우드 시스템은 규제 대상 워크로드를 충족할 수 있지만, 이를 올바르게 구성하고 감독할 책임은 은행에 남는다.

Nubank는 이미 자체 개발한 클라우드 네이티브 뱅킹 스택을 운영하고 있다. 클라우드 네이티브란 시스템이 대대적인 재설계 없이 전통적인 은행 서버에서 옮겨진 것이 아니라, 분산형 클라우드 서비스를 중심으로 설계되었음을 뜻한다. 이러한 이력은 하이브리드 접근 방식을 그럴듯하게 만든다.

하이브리드 아키텍처는 예약형 클라우드 GPU, 임차 클러스터, 직접 통제하는 장비를 결합할 수 있다. 특정 데이터세트나 모델 단계를 더 엄격한 경계 내에 유지하면서, 비용과 가용성에 따라 학습 작업을 라우팅할 수 있다.

공개 발언만으로는 Nubank가 어떤 구성을 선택했는지 아직 확정할 수 없다. 회사는 GPU 투자에 대해 언급했지만, 공급업체를 밝히거나 구매 수량을 공개하지는 않았다. 따라서 이 전략을 소유라고 설명하는 것은 가장 상세한 공개 근거를 넘어선다.

이 구분은 단순한 표현 차이가 아니다. 하드웨어 구매는 자본, 감가상각, 활용률에 관한 문제를 만든다. 장기 용량 계약은 다른 비용 구조를 만든다. 필요에 따라 임대하는 방식은 유연성을 보존하지만, 가용성과 가격 변동성에 노출될 수 있다.

선택된 모델은 협상력에도 영향을 준다. 예측 가능한 워크로드를 가진 기업은 장기 용량을 협상하거나 여러 제공업체에 작업을 분산할 수 있다. 한 공급업체의 독점 서비스에 묶인 기업은 전환이 더 어려울 수 있다.

Nubank의 2024년 Hyperplane 인수는 유용한 맥락을 제공한다. Hyperplane은 금융기관의 독점 데이터를 활용해 자기지도 기반 파운데이션 모델을 개발했다. Nubank는 이번 인수가 제품 및 엔지니어링 팀이 고객 여정 전반에 걸쳐 공유 모델을 적용하는 데 도움이 될 것이라고 밝혔다.

Hyperplane 인수는 모델 구축 인재와 기술을 Nubank 내부로 가져왔다. 해당 시스템은 금융 사용 사례를 위해 다수의 맞춤형 모델을 학습, 평가, 배포하도록 설계됐다.

이 움직임은 경영진이 GPU 투자를 강조하기 전에 Nubank를 내부 모델 개발 쪽으로 이동시켰다. 하드웨어 결정은 소프트웨어와 인재에 대한 결정을 뒤따른다. 기업이 독점 모델을 유지하게 되면 컴퓨팅은 반복적인 생산 의존성이 된다.

전통 은행들도 서로 다른 기술 구조에서 출발하지만 같은 추세의 압박을 받고 있다. 많은 은행이 대규모 독점 데이터세트와 상당한 인프라 예산을 보유하고 있다. 또한 통합 모델 배포를 더디게 만드는 오래된 코어 시스템을 갖고 있을 수 있다.

다른 디지털 금융 기업들도 거래 파운데이션 모델을 개발하고 있다. Stripe는 결제 파운데이션 모델에 관한 연구를 발표했으며, Visa, Mastercard, Revolut, Plaid는 관련 아키텍처를 탐색해 왔다. 경쟁은 단순히 Nubank와 특정 은행 한 곳 사이의 대결이 아니다.

경쟁의 핵심 질문은 누가 데이터, 모델, 컴퓨팅, 제품 의사결정을 가장 효과적으로 연결할 수 있는가다. 팀이 데이터를 정제하고, 모델을 학습시키고, 결과를 검증하고, 변경 사항을 안전하게 배포할 수 없다면 대규모 데이터세트만으로는 우위를 만들 수 없다.

Nubank는 통합 데이터와 자체 구축 시스템이 실험에서 운영 환경까지의 경로를 단축한다고 주장한다. 이 주장은 전략적 무게를 지니지만, 투자자들에게는 여전히 비교 가능한 증거가 필요하다. 발표된 AI 프로젝트의 수보다 배포 속도, 모델 성과 개선, 위험 조정 수익이 더 중요하다.

효율성 주장은 여전히 더 엄격한 검증이 필요하다

더 낮은 비용 비율이 Nubank의 AI 인프라가 투자비를 회수했다는 것을 증명하지는 않는다.

Nubank의 1분기 효율성 비율은 19.9%에서 17.6%로 개선됐다. 경영진은 이를 더 강한 매출, 포트폴리오 성장, 운영 개선, 일부 시점 효과에 기인한다고 설명했다. 회사는 더 낮은 핵심 비율을 논의할 때 일부 전략적 투자도 제외했다.

이는 중요한 측정 문제를 만든다. AI 인프라 지출이 핵심 효율성 지표에서 제외된다면, 조정 수치는 전체 AI 프로그램이 경제적으로 효율적인지 답할 수 없다. 다만 선택된 투자 이전에 기반 플랫폼이 어떻게 작동하는지는 보여줄 수 있다.

Nubank는 2026년 보고 효율성 비율이 2025년 말 기록 수준 부근에서 마감할 것으로 예상한다. 이 가이던스는 현재 투자가 연중 기저 운영 레버리지의 적어도 일부를 상쇄할 것임을 시사한다.

경영진은 1분기 비용 실적 상회의 약 3분의 1이 구조적 개선을 반영했다고 밝혔다. 운영 및 추심 부문의 AI 개선, 소프트웨어 통합, 채용 규율을 언급했다. 나머지 부분은 나중에 발생할 것으로 예상되는 비용과 관련됐다.

이 범주들은 AI 지출의 수익률을 계산하기에 충분히 상세하지 않다. 투자자들은 모델, GPU, AI 채용, 외부 서비스, 지원 인프라의 개별 비용을 알지 못한다. NuFormer에 대한 정확한 매출 귀속도 없다.

신용 포트폴리오는 더 중대한 검증을 제공한다. Nubank는 1분기 기준 15일에서 90일 연체 대출 비율이 5.0%라고 보고했다. 이는 전 분기보다 89bp 높은 수치이며, 회사는 이를 대체로 정상적인 계절성에 기인한다고 설명했다.

90일 초과 연체 대출은 10bp 하락한 6.5%였다. Nubank는 개선된 리스크 모델 덕분에 더 높은 위험군으로 신용을 확대할 자신감을 얻었다고도 밝혔다. 이 전략은 수익성 있는 대출을 늘릴 수 있지만, 이후 연체를 모니터링하는 일의 중요성도 높인다.

모델은 더 많은 차주를 승인하고 손실이 완전히 드러나기 전에 성공적으로 보일 수 있다. 소비자 신용 성과는 수개월에 걸쳐 나타난다. 관련 비교에는 대출 수명 전반의 순매출, 조달 비용, 예상 손실, 추심, 자본 사용량이 포함된다.

따라서 NuFormer는 승인 증가 이상의 성과를 보여줘야 한다. 변화하는 경제 환경 전반에서 매력적인 위험 조정 수익을 창출해야 한다. 고객 행동과 신용 시스템이 다르기 때문에 브라질에서의 성과가 멕시코나 콜롬비아로 변함없이 이전되지는 않을 수 있다.

모델 거버넌스는 또 다른 불확실성을 만든다. 파운데이션 모델은 전통적인 언더라이팅 규칙으로 표현하기 어려운 패턴을 포착할 수 있다. 이러한 유연성은 예측을 개선할 수 있지만, 문서화, 모니터링, 설명의 중요성을 더욱 높인다.

편향도 관련된 우려다. 모델은 명시적인 민감 속성을 받지 않더라도 보호 대상 또는 취약 집단과 연관된 상관관계를 학습할 수 있다. 금융기관은 누가 승인, 한도, 가격, 불리한 결정을 받는지 살펴보는 테스트가 필요하다.

Nubank의 공개 자료는 독립 검증 절차보다 모델 전략을 더 충실히 설명한다. 이것이 통제가 없다는 것을 보여주지는 않는다. 다만 독자가 공개된 정보를 사용해 모델 거버넌스와 주장된 성과 개선을 비교할 수 없다는 뜻이다.

Google News의 프레이밍은 서로 다른 두 주장을 합쳐 버릴 위험도 있다. Nubank는 Muon이 통제된 실험에서 학습 효율성을 개선한다는 증거를 공개했다. 경영진은 별도로 자체 모델이 신용 및 교차 판매에서 상당한 성과 개선을 낸다고 밝혔다.

어느 주장도 GPU를 구매하거나 예약하는 것이 클라우드 용량을 사용하는 것보다 저렴하다는 것을 자동으로 증명하지는 않는다. 이를 위해서는 활용률, 에너지, 지원, 네트워킹, 감가상각, 약정 자본의 기회비용을 포함한 워크로드 수준의 회계가 필요하다.

가장 강력한 증거는 사업 성과를 통해 나올 것이다. 이후 연체가 통제된 상태에서 신용이 확대된다면 NuFormer의 언더라이팅 사례는 더 강해진다. 총비용이 절제된 가운데 생산성이 개선된다면 인프라 사례도 방어하기 쉬워진다.

초기 Google News 사이클 이후 주목할 점

세 가지 신호가 Nubank의 GPU 투자가 우위를 만들고 있는지, 아니면 단지 비싼 인프라 계층을 추가하는지 보여줄 것이다.

첫 번째 신호는 모델 기반 포트폴리오 전반의 신용 성과다. 초기 및 후기 연체 비율과 함께 카드 한도 및 무담보 대출의 성장을 살펴봐야 한다. 매출 확대는 중요하지만, 부도 비용과 분리해서 볼 수는 없다.

이상적으로 Nubank는 최신 모델에 따라 승인된 대출이 시간이 지나며 어떤 성과를 보이는지 보여주는 코호트 데이터를 제공해야 한다. 코호트는 비슷한 기간에 개설된 계정을 묶는다. 이는 최근 언더라이팅 품질과 오래된 포트폴리오의 행동을 구분하는 데 도움이 된다.

모델 기반 코호트가 더 많은 고객에게 서비스를 제공하면서도 더 나은 위험 조정 수익을 유지한다면, 독점 모델 논지는 지지를 얻는다. 손실이 예상보다 빠르게 증가한다면 승인 증가는 설득력이 떨어질 것이다.

두 번째 신호는 AI 지출과 운영 효율성의 관계다. Nubank는 이미 자사 투자가 단기적인 압박을 만들 것이라고 경고했다. 향후 실적은 기저 비용 절감과 매출 증가가 그러한 압박을 앞서기 시작하는지 분명히 해야 한다.

헤드라인 효율성 비율만으로는 충분하지 않다. 독자들은 추심 생산성, 고객 서비스 업무량, 엔지니어링 처리량, 신용 의사결정 속도, 교차 판매에 관한 공시를 살펴봐야 한다. 이러한 운영 지표는 모델 사용을 식별 가능한 사업 프로세스와 연결한다.

Nubank는 이전에 엔지니어링 처리량이 전년 대비 50% 이상 증가했고, 1월 이후 주간 토큰 소비량이 10배 증가했다고 보고했다. 이는 도입 지표이지 독립적인 재무 수익률은 아니다. 더 많은 생성 토큰은 가치 있는 사용을 의미할 수도 있고, 단순히 더 높은 컴퓨팅 소비를 뜻할 수도 있다.

회사의 투자자 자료는 도입이 지속 가능한 운영 레버리지로 이어지는지를 결국 보여줘야 한다. 신용 품질이 통제된 상태라는 전제하에, 대규모 투자 연도에 보고 비율이 안정적으로 유지된다면 경영진의 주장을 뒷받침할 것이다.

세 번째 신호는 인프라 공시다. Nubank는 민감한 시스템 아키텍처를 공개할 필요는 없지만, 시장은 약정 내용을 이해할 수 있을 만큼의 정보가 필요하다. 유용한 세부 정보에는 용량이 구매, 임차, 또는 예약되는지 여부가 포함될 것이다.

하드웨어 세대와 활용도 역시 도움이 될 것이다. 소규모 연구 클러스터의 경제성은 실시간 추론을 제공하는 프로덕션 플릿의 경제성과 다르다. 학습 용량은 배치 단위로 일정을 잡을 수 있지만, 고객 대상 시스템에는 신뢰할 수 있는 가용성이 필요하다.

공급업체 집중도도 또 다른 요인이다. 하나의 GPU 공급업체나 클라우드 제공업체에 의존하면 가격 및 가용성 리스크가 발생할 수 있다. 멀티프로바이더 전략은 복원력을 높일 수 있지만, 엔지니어링 복잡성도 커진다.

Nubank의 기술 출판물은 회사의 선택을 부분적으로 엿볼 수 있게 한다. 이는 옵티마이저 동작, 메모리 사용, 학습 효율성, 거래 특화 모델을 다루는 조직의 모습을 보여준다. 동료 심사를 거친 연구가 계속 발표된다면 엔지니어링 역량의 깊이에 대한 신뢰도는 더욱 높아질 것이다.

그러나 연구의 질과 상업적 성공은 여전히 별개의 검증 과제다. 유용한 옵티마이저는 신용 상품의 수익성을 보장하지 못하더라도 학습 비용을 줄일 수 있다. 성공적인 신용 모델은 임차한 하드웨어에서 구동되더라도 가치를 창출할 수 있다.

궁극적인 평가는 네 가지 계층, 즉 모델 품질, 인프라 경제성, 제품 채택, 재무 성과를 모두 연결해야 한다. 어느 하나라도 빠지면 불완전한 그림이 된다.

Nubank는 방향을 분명히 했다. AI를 언더라이팅, 고객 상호작용, 운영, 제품 개발의 일부로 만들고자 한다. 최근 실적은 NuFormer를 미래의 목표가 아니라 프로덕션 시스템으로 설명한다.

여전히 불분명한 점은 Nubank가 어느 정도의 컴퓨팅 용량을 직접 통제할지, 그 통제에 얼마가 들지, 그리고 투자가 얼마나 빠르게 측정 가능한 수익을 창출할지다. 회사는 이 전략을 진지하게 받아들일 만한 충분한 근거를 제시했지만, GPU 투자가 성공했다고 단언하기에는 아직 근거가 부족하다.

다음 실적 발표 주기에서 이 격차는 좁혀질 가능성이 높다. 대출 코호트, 전체 효율성 비율, 컴퓨팅 소유권 또는 계약에 관한 공시를 주시해야 한다. 이러한 신호는 Google News 헤드라인이 인프라 우위를 의미했는지, 아니면 비용이 많이 드는 실험의 시작에 불과했는지를 판단하게 해줄 것이다.