Nubank stawia na GPU, aby skalować własne modele AI

Nubank inwestuje w GPU, choć ostrzega, że wydatki na AI podniosą w najbliższym czasie koszty operacyjne. Nagłówek Google News oddaje decyzję sprzętową, lecz pomija większe napięcie. Nubank uważa, że jego własne modele AI mogą na tyle poprawić decyzje kredytowe, by uzasadnić większą kontrolę nad ograniczonymi i drogimi zasobami obliczeniowymi.

To stanowisko podważa prostszą strategię przedsiębiorstw: wynajmowanie modeli i mocy obliczeniowej od uznanych dostawców chmury w miarę potrzeb. Nubank łączy natomiast dane transakcyjne, rozwijane wewnętrznie modele fundamentalne, badania inżynieryjne i dodatkową pojemność GPU. Takie podejście wymaga większego kapitału i specjalistycznych talentów, zanim jego długoterminowe zwroty staną się widoczne.

Bank wdrożył już do produkcji NuFormer, swoją własną rodzinę modeli fundamentalnych, dla kart kredytowych w Brazylii i Meksyku. Wykorzystuje te modele także do udzielania niezabezpieczonych kredytów w Brazylii. Nubank nie ujawnił jednak publicznie liczby, dostawcy, lokalizacji ani struktury własności nowych GPU, o których wspominało kierownictwo.

Ta luka ma znaczenie. Inwestycja w GPU może oznaczać zakup serwerów, dzierżawę dedykowanej mocy, rezerwację instancji chmurowych albo finansowanie infrastruktury przez innego operatora. Każde z tych rozwiązań wiąże się z innymi kosztami, obowiązkami w zakresie bezpieczeństwa i narażeniem na amortyzację sprzętu.

Istotą tej historii nie jest więc to, że bank cyfrowy chce więcej chipów. Chodzi o to, że Nubank próbuje przekształcić prywatną historię transakcji w trwałą przewagę w ocenie ryzyka kredytowego. GPU stają się częścią tej strategii, ale uzasadnienie finansowe nadal zależy od mierzalnych wyników kredytowych i operacyjnych.

Co naprawdę sygnalizuje raport Google News

Nubank traktuje moc obliczeniową AI jako infrastrukturę operacyjną, a nie tymczasowy eksperyment.

Pierwotny raport powstał po komentarzach kierownictwa na temat inwestycji w badania, talenty i GPU. Podczas lutowego telekonferencji wynikowej Nubank dyrektorzy powiedzieli, że wydatki te stworzą krótkoterminowe koszty. Argumentowali, że korzyści w średnim terminie powinny z nawiązką zrekompensować wzrost.

Kierownictwo nie podało precyzyjnego budżetu na GPU. Połączyło też wydatki na AI z dwiema innymi inicjatywami, które mogą wywierać presję na koszty operacyjne: rozbudową biur i ekspansją międzynarodową. Utrudnia to wyodrębnienie finansowego wpływu programu infrastruktury AI spółki.

Moment pozostaje jednak wymowny. Wskaźnik efektywności Nubank, który porównuje koszty operacyjne z przychodami, wyniósł na koniec czwartego kwartału 2025 roku 19,9%. Następnie poprawił się do 17,6% w pierwszym kwartale 2026 roku, zgodnie z wynikami kwartalnymi spółki.

Niższy wskaźnik zazwyczaj oznacza, że instytucja finansowa generuje więcej przychodów z każdej jednostki kosztów operacyjnych. Nubank ostrzegł inwestorów, aby nie traktowali wyniku za pierwszy kwartał jako nowego stabilnego poziomu. Oczekuje, że inwestycje w biura, działalność międzynarodową i AI będą podnosić koszty w miarę upływu roku.

To ostrzeżenie tworzy zasadnicze napięcie. Nubank wydaje więcej na infrastrukturę stojącą za technologią, którą jednocześnie przedstawia jako motor efektywności. Firma potrzebuje, aby wzrosty przychodów, jakości portfela kredytowego lub wewnętrznej produktywności napędzane przez AI rosły szybciej niż związane z nimi koszty.

Publicznie dostępne informacje wskazują, że strategia wykracza poza chatboty ogólnego przeznaczenia. NuFormer przetwarza sekwencje transakcji finansowych i uczy się uniwersalnych reprezentacji zachowań klientów. Zespoły produktowe mogą wykorzystywać te reprezentacje w ocenie ryzyka kredytowego, cross-sellingu i innych zadaniach predykcyjnych.

To coś innego niż proszenie publicznego modelu językowego o podsumowanie zgłoszenia do wsparcia. Decyzje kredytowe muszą działać w ramach ścisłych ograniczeń dotyczących opóźnień, nadzoru, prywatności i ryzyka. Niewielkie ulepszenia mogą wpływać na miliony indywidualnych limitów, akceptacji wniosków i decyzji windykacyjnych.

Nubank podaje, że jego funkcje AI Private Banker obsługują już ponad 15 milionów aktywnych użytkowników miesięcznie. Spółka informowała również, że Pix with AI, konwersacyjny interfejs dla brazylijskiego systemu płatności natychmiastowych, obsługuje ponad 10 milionów aktywnych użytkowników miesięcznie.

Produkty te tworzą stałe zapotrzebowanie na inferencję. Inferencja to proces obliczeniowy, w którym wytrenowany model stosuje się do nowych informacji. Zachodzi za każdym razem, gdy system generuje odpowiedź, ocenia wniosek lub tworzy spersonalizowaną rekomendację.

Zapotrzebowanie na trenowanie jest bardziej skoncentrowane, ale może być znacznie większe. Nubank musi wielokrotnie ponownie trenować, testować i dostosowywać modele wraz ze zmianami zachowań klientów i warunków gospodarczych. Większa liczba modeli, rynków i przypadków użycia może sprawić, że dostępność GPU stanie się stałym ograniczeniem operacyjnym.

Pozycja Google News wskazuje więc na szerszą transformację. Nubank przechodzi od kupowania dostępu do możliwości AI do utrzymywania znaczącego wewnętrznego systemu produkcyjnego AI. Dostępne ujawnienia nie dowodzą jednak, że każde zaangażowane GPU będzie znajdować się w bilansie Nubank.

NuFormer czyni moc obliczeniową elementem bankowości

Ekonomiczna wartość inwestycji Nubank w GPU zależy od tego, czy NuFormer poprawi decyzje bezpośrednio wpływające na przychody i straty.

NuFormer nie jest pojedynczym, skierowanym do konsumentów modelem językowym. Nubank opisuje go jako własny zestaw modeli fundamentalnych trenowanych na danych o transakcjach finansowych. Model fundamentalny uczy się ogólnych wzorców z dużego zbioru danych, zanim zespoły dostosują go do węższych zadań.

W przypadku Nubank te węższe zadania obejmują ocenę ryzyka kart kredytowych w Brazylii i Meksyku oraz niezabezpieczone kredyty w Brazylii. Spółka twierdzi, że modele są już wdrożone produkcyjnie, co odróżnia ten program od demonstracji badawczej bez kontaktu z klientami.

Modele uczą się na sekwencjach, a nie na odizolowanych migawkach kont. Wpłaty klienta, zakupy, przelewy, płatności rachunków i zachowania spłat tworzą zmieniającą się oś czasu. Modelowanie tej osi może ujawniać zależności, które ręcznie zaprojektowane zmienne mogłyby przeoczyć.

Nubank podaje, że jego system oceny ryzyka w czasie rzeczywistym analizuje indywidualnie każdy wniosek o pożyczkę osobistą. System szacuje prognozowaną wartość bieżącą netto, czyli oczekiwaną przyszłą wartość pożyczki po uwzględnieniu ryzyka i ekonomiki. Kierownictwo twierdzi, że ocena ta następuje w czasie krótszym niż sekunda.

Ta szybkość ma znaczenie, ponieważ kredyty konsumenckie łączą zarządzanie ryzykiem z doświadczeniem produktowym. Wolny system może przerwać proces składania wniosku, podczas gdy nadmiernie konserwatywny może odrzucać rentownych klientów. Źle skalibrowany system może zwiększać liczbę akceptacji, jednocześnie po cichu tworząc przyszłe straty.

Nubank twierdzi, że jego nowsze modele wspierały rozszerzanie limitów kredytowych. Pozostaje to przypisaniem spółki, a nie niezależnym dowodem, że sama AI spowodowała wyniki portfela. Na rezultaty kredytowe mogą wpływać również zmiany w strukturze klientów, stopach procentowych, zasadach polityki kredytowej i warunkach gospodarczych.

Skala platformy zwiększa zarówno szansę, jak i ryzyko. Nubank podał, że w marcu 2026 roku miał ponad 135 milionów klientów w Brazylii, Meksyku i Kolumbii. W pierwszym kwartale pozyskał około czterech milionów klientów.

Przychody przekroczyły w tym kwartale 5 miliardów dolarów, a zysk netto osiągnął 871 milionów dolarów. Zwrot z kapitału własnego wyniósł 29%. Liczby te dają spółce przestrzeń do inwestowania, ale zwiększają też konsekwencje błędu modelu wpływającego na szeroko wdrożony system decyzyjny.

Modele kredytowe nie muszą przypominać największych publicznych modeli generatywnych, aby zużywać istotne zasoby obliczeniowe. Modele finansowe muszą być ponownie trenowane na różnych rynkach, walidowane względem kilku rezultatów, monitorowane pod kątem dryfu i testowane w różnych ustawieniach polityki.

Pojedynczy model produkcyjny może generować wiele powiązanych obciążeń. Inżynierowie potrzebują uruchomień eksperymentalnych, modeli porównawczych, zadań walidacyjnych, testów obciążeniowych i kandydatów do kontrolowanego wdrożenia. Przeglądy regulacyjne lub wewnętrzne dotyczące nadzoru mogą wymagać od zespołów odtworzenia wcześniejszych wyników.

Badania inżynieryjne Nubank ilustrują ten koszt. W jednym opublikowanym eksperymencie proces trenowania z użyciem pięciu milionów wierszy wymagał około 12 godzin na ośmiu GPU Nvidia A100. Rozszerzenie procesu do 40 milionów wierszy wymagało około 95 godzin na tym samym sprzęcie.

Porównanie to nie ujawnia całej floty Nubank ani rocznych wydatków na GPU. Pokazuje jednak, jak szybko zapotrzebowanie na trenowanie może rosnąć, gdy badacze korzystają z większej ilości danych. Pomnożenie eksperymentu przez produkty i kraje wzmacnia argument za przewidywalnym dostępem do mocy obliczeniowej.

Posiadanie lub rezerwowanie mocy może ograniczyć ryzyko, że krytyczny projekt będzie czekał na odpowiednie instancje chmurowe. Może też pozwolić inżynierom zoptymalizować stabilne środowisko. Dedykowana pojemność oszczędza jednak pieniądze tylko wtedy, gdy wykorzystanie pozostaje wystarczająco wysokie, by uzasadnić zobowiązanie.

Efektywność modeli zmienia kalkulację dotyczącą GPU

Nubank inwestuje w sprzęt, jednocześnie starając się, aby każde uruchomienie treningowe zużywało go mniej.

To połączenie może wydawać się sprzeczne. Jeśli nowa metoda trenowania zmniejsza wymagania obliczeniowe, po co kupować lub rezerwować więcej GPU? Odpowiedź tkwi w sposobie, w jaki organizacje zwykle wykorzystują zyski z efektywności.

Mniejsze zużycie mocy obliczeniowej na eksperyment rzadko sprawia, że ambitny program AI zatrzymuje się na dotychczasowym poziomie obciążeń. Zespoły mogą zamiast tego przeprowadzać więcej eksperymentów, trenować na większych zbiorach danych, testować dodatkowe produkty lub częściej odświeżać modele. Efektywność zwiększa liczbę ekonomicznie opłacalnych projektów.

Nubank skoncentrował część swoich badań na Muon, optymalizatorze aktualizującym sieć neuronową podczas trenowania. Optymalizator określa, jak parametry modelu zmieniają się po tym, gdy system zmierzy swoje błędy. Nubank porównuje Muon z AdamW, szeroko stosowanym optymalizatorem.

Eksperymenty Muon spółki wykorzystywały modele z 330 milionami parametrów trenowane na 20 milionach próbek. Nubank podał, że Muon zbiegał szybciej i osiągał niższe straty walidacyjne niż AdamW przy testowanych współczynnikach uczenia.

Strata walidacyjna mierzy, jak dobrze model działa na danych wyłączonych z bezpośredniego procesu trenowania. Niższa strata może wskazywać na lepszą generalizację, choć nie gwarantuje automatycznie lepszych wyników kredytowych ani rezultatów dla klientów.

Nubank przytoczył także szersze eksperymenty ze skalowaniem, sugerujące, że Muon może osiągać porównywalną jakość modelu przy około 52% operacji treningowych wymaganych przez AdamW. Liczba ta opisuje wynik badań, a nie gwarantowaną redukcję dla każdego obciążenia NuFormer.

Bank wniósł później wkład badawczy dotyczący 8-bitowej wersji Muon. Kwantyzacja zmniejsza liczbę bitów używanych do reprezentowania określonych wartości. Badacze zgłosili 62% redukcję pamięci stanu optymalizatora przy zachowaniu wydajności w swoich testach.

Redukcja zużycia pamięci może pozwolić badaczom zmieścić większe modele lub partie danych na tym samym sprzęcie. Nie zawsze przekłada się na równoważny wzrost szybkości trenowania. Dodatkowa praca związana z konwersją lub inne wąskie gardła sprzętowe mogą ograniczać korzyść w czasie rzeczywistym.

Mimo to efektywność pamięci może poprawiać ekonomikę infrastruktury. Zadanie, które wcześniej wymagało większej liczby urządzeń, może zmieścić się na mniejszej liczbie GPU. Inne zadanie może wykorzystać zwolnioną pojemność. Wynik zależy od harmonogramowania, architektury modelu, sieci i rzeczywistego wykorzystania.

Badania Nubank wskazują również, że chce on sprawować techniczną kontrolę poniżej warstwy aplikacyjnej. Bank nie tylko podłącza komercyjny model do swoich produktów. Bada, jak trenują jego modele, jak aktualizowane są gradienty i jak zmienia się zużycie pamięci.

Ta skala uzasadnia argument za dedykowaną mocą obliczeniową. Badacze mogą konfigurować środowiska pod kątem swoich obciążeń roboczych i utrzymywać bardziej spójną wydajność. Wrażliwe dane finansowe mogą również pozostawać w kontrolowanej architekturze, w zależności od miejsca i sposobu działania sprzętu.

Lepsze optymalizatory nie rozstrzygają jednak decyzji zakupowej. Generacje GPU szybko się rozwijają, a urządzenie nabyte dziś może utracić wartość ekonomiczną, zanim zakończy się jego fizyczny okres eksploatacji. Pojemność chmurowa przenosi część tego ryzyka starzenia się technologii na dostawcę.

Dedykowana infrastruktura wymaga również sieci, pamięci masowej, orkiestracji, mechanizmów bezpieczeństwa, monitorowania i specjalistycznych operacji. GPU pozostający bezczynnie nadal generuje koszty. Intensywnie wykorzystywany GPU może tworzyć dodatkowe potrzeby w zakresie chłodzenia, zasilania i konserwacji.

Najbardziej wiarygodna interpretacja nie jest taka, że Nubank rozwiązał problem efektywności AI. Chodzi raczej o to, że firma dostrzega wystarczający popyt na modele, aby jednocześnie dążyć do efektywności i zwiększania mocy obliczeniowej. Modele zużywają mniej zasobów obliczeniowych na jednostkę pracy, podczas gdy łączna ilość użytecznej pracy rośnie.

Nubank Wybiera Kontrolę Zamiast Czystej Elastyczności Chmury

Główna rywalizacja toczy się między kontrolowaną mocą obliczeniową a elastycznością wynajmowania wszystkiego na żądanie.

Platformy chmurowe stosunkowo ułatwiają rozpoczęcie projektu AI. Firma może udostępnić akceleratory bez budowy centrum danych ani zobowiązywania się do pełnego cyklu życia sprzętu. Zespoły mogą także wybierać różne urządzenia do trenowania i inferencji.

Ta elastyczność wiąże się z kompromisami. Akceleratory o wysokim popycie mogą być niedostępne w pożądanym regionie. Długotrwałe obciążenia robocze mogą stać się kosztowne. Przenoszenie dużych zbiorów danych między usługami może wprowadzać opóźnienia, złożoność operacyjną i dodatkowe opłaty.

Banki stoją przed kolejnym ograniczeniem: zarządzaniem danymi. Transakcje klientów są bardzo wrażliwe, a instytucje finansowe muszą kontrolować dostęp, retencję, pochodzenie danych i audytowalność. Systemy chmurowe mogą spełniać wymagania regulowanych obciążeń roboczych, ale bank nadal odpowiada za ich właściwą konfigurację i nadzór.

Nubank już obsługuje własny, natywny dla chmury stos technologii bankowych. Określenie cloud-native oznacza, że jego systemy zaprojektowano wokół rozproszonych usług chmurowych, zamiast przenosić je z tradycyjnych serwerów bankowych bez istotnego przeprojektowania. Ta historia czyni podejście hybrydowe wiarygodnym.

Architektura hybrydowa mogłaby łączyć zarezerwowane GPU w chmurze, dzierżawione klastry i maszyny kontrolowane bezpośrednio. Mogłaby kierować zadania treningowe według kosztu i dostępności, jednocześnie utrzymując określone zbiory danych lub etapy pracy modelu w ramach bardziej rygorystycznych granic.

Publiczne wypowiedzi nie ustalają jeszcze, którą konfigurację wybrał Nubank. Firma mówiła o inwestycjach w GPU, ale nie wskazała dostawcy ani nie ujawniła liczby zakupionych urządzeń. Opisywanie strategii jako własności sprzętu wykracza więc poza najbardziej szczegółowe dostępne dowody publiczne.

To rozróżnienie to coś więcej niż kwestia słownictwa. Zakup sprzętu rodzi pytania o nakłady kapitałowe, amortyzację i wykorzystanie. Długoterminowy kontrakt na moc obliczeniową tworzy inny profil kosztowy. Wynajem na żądanie zachowuje elastyczność, ale może narażać firmę na zmienną dostępność i ceny.

Wybrany model wpływa także na siłę negocjacyjną. Firma o przewidywalnych obciążeniach roboczych może negocjować długoterminową moc obliczeniową lub rozdzielać zadania między dostawców. Firmie związanej z własnościowymi usługami jednego dostawcy może być trudniej zmienić partnera.

Przejęcie Hyperplane przez Nubank w 2024 roku dostarcza użytecznego kontekstu. Hyperplane rozwijał samonadzorowane modele podstawowe, wykorzystujące własne dane instytucji finansowych. Nubank poinformował, że przejęcie pomoże zespołom produktowym i inżynieryjnym stosować wspólne modele w różnych ścieżkach klienta.

Przejęcie Hyperplane wprowadziło do Nubank talenty i technologię budowania modeli. Jego systemy zaprojektowano do trenowania, oceny i wdrażania licznych dostosowanych modeli dla zastosowań finansowych.

Ten ruch skierował Nubank w stronę wewnętrznego rozwoju modeli, zanim kierownictwo podkreśliło inwestycje w GPU. Decyzja sprzętowa następuje po decyzji dotyczącej oprogramowania i talentów. Gdy firma utrzymuje własne modele, zasoby obliczeniowe stają się powtarzalną zależnością produkcyjną.

Tradycyjne banki są pod presją tego samego trendu, choć wychodzą z odmiennych struktur technologicznych. Wiele z nich dysponuje dużymi własnymi zbiorami danych i znacznymi budżetami infrastrukturalnymi. Mogą również mieć starsze systemy centralne, które spowalniają jednolite wdrażanie modeli.

Inne cyfrowe firmy finansowe również rozwijają modele podstawowe dla transakcji. Stripe opublikował badania dotyczące modelu podstawowego dla płatności, podczas gdy Visa, Mastercard, Revolut i Plaid analizowały powiązane architektury. Rywalizacja nie sprowadza się po prostu do Nubank i jednego wskazanego banku.

Pytanie konkurencyjne brzmi, kto najskuteczniej połączy dane, modele, moc obliczeniową i decyzje produktowe. Same duże zbiory danych nie tworzą przewagi, jeśli zespoły nie potrafią ich oczyszczać, trenować modeli, walidować wyników ani bezpiecznie wdrażać zmian.

Nubank twierdzi, że jego ujednolicone dane i systemy tworzone wewnętrznie skracają drogę od eksperymentu do produkcji. To twierdzenie ma znaczenie strategiczne, ale inwestorzy nadal potrzebują porównywalnych dowodów. Szybkość wdrożeń, poprawa wyników modeli i zwroty skorygowane o ryzyko mają większe znaczenie niż liczba ogłoszonych projektów AI.

Twierdzenie o Efektywności Wciąż Wymaga Bardziej Rygorystycznego Testu

Niższy wskaźnik kosztów nie dowodzi, że infrastruktura AI Nubank zwróciła się sama.

Wskaźnik efektywności Nubank w pierwszym kwartale poprawił się z 19,9% do 17,6%. Kierownictwo przypisało ten wynik wyższym przychodom, wzrostowi portfela, usprawnieniom operacyjnym i częściowo efektom czasowym. Firma wyłączyła także wybrane inwestycje strategiczne, omawiając niższy wskaźnik bazowy.

Tworzy to istotny problem pomiarowy. Jeżeli wydatki na infrastrukturę AI są wyłączane z bazowej miary efektywności, skorygowana wartość nie może odpowiedzieć, czy cały program AI jest efektywny ekonomicznie. Może nadal pokazywać, jak funkcjonuje podstawowa platforma przed uwzględnieniem wybranych inwestycji.

Nubank oczekuje, że raportowany wskaźnik efektywności za 2026 rok zakończy się w pobliżu poziomu odnotowanego pod koniec 2025 roku. Te prognozy sugerują, że bieżące inwestycje zrównoważą w ciągu roku co najmniej część bazowej dźwigni operacyjnej.

Kierownictwo podało, że około jedna trzecia ponadplanowej poprawy kosztów w pierwszym kwartale wynikała z trwałych korzyści strukturalnych. Wskazało na ulepszenia AI w operacjach i windykacji, konsolidację oprogramowania oraz dyscyplinę w zatrudnianiu. Pozostała część dotyczyła wydatków, które miały pojawić się później.

Kategorie te nie są wystarczająco szczegółowe, aby obliczyć zwrot z wydatków na AI. Inwestorzy nie znają odrębnych kosztów modeli, GPU, zatrudnienia w AI, usług zewnętrznych ani wspierającej infrastruktury. Brakuje im również precyzyjnego przypisania przychodów do NuFormer.

Portfel kredytowy oferuje bardziej znaczący test. Nubank podał, że w pierwszym kwartale wskaźnik kredytów przeterminowanych od 15 do 90 dni wyniósł 5,0%. Było to o 89 punktów bazowych więcej niż w poprzednim kwartale, co firma w dużej mierze przypisała normalnej sezonowości.

Kredyty przeterminowane o ponad 90 dni spadły o 10 punktów bazowych, do 6,5%. Nubank podał również, że ulepszone modele ryzyka dały mu pewność, by rozszerzyć kredytowanie na segmenty o wyższym ryzyku. Strategia ta może zwiększać rentowne kredytowanie, ale podnosi także znaczenie monitorowania późniejszych zaległości.

Model może zatwierdzać większą liczbę pożyczkobiorców i wyglądać na skuteczny, zanim straty w pełni się ujawnią. Wyniki kredytów konsumenckich rozwijają się przez miesiące. Istotne porównanie obejmuje przychody netto, koszty finansowania, oczekiwane straty, windykację i wykorzystanie kapitału w całym okresie życia kredytu.

NuFormer musi więc wykazać coś więcej niż wzrost liczby zatwierdzeń. Musi generować atrakcyjne zwroty skorygowane o ryzyko w zmieniających się warunkach gospodarczych. Wyniki w Brazylii mogą nie przenosić się bez zmian do Meksyku lub Kolumbii, ponieważ zachowania klientów i systemy kredytowe się różnią.

Zarządzanie modelami tworzy kolejną niepewność. Modele podstawowe mogą wychwytywać wzorce trudne do wyrażenia za pomocą tradycyjnych zasad oceny zdolności kredytowej. Ta elastyczność może poprawiać prognozy, ale zwiększa znaczenie dokumentacji, monitorowania i wyjaśnialności.

Powiązanym problemem jest stronniczość. Model może uczyć się korelacji związanych z chronionymi lub narażonymi grupami nawet bez otrzymania wyraźnego atrybutu wrażliwego. Instytucje finansowe potrzebują testów badających, kto otrzymuje zatwierdzenia, limity, ceny i decyzje negatywne.

Publiczne materiały Nubank opisują strategię modelową bardziej szczegółowo niż proces niezależnej walidacji. Nie dowodzi to, że mechanizmy kontroli nie istnieją. Oznacza to, że czytelnicy nie mogą wykorzystać dostępnych ujawnień do porównania zarządzania modelami z deklarowanymi poprawami wyników.

Ujęcie w Google News wiąże się również z ryzykiem połączenia dwóch odrębnych twierdzeń. Nubank opublikował dowody, że Muon poprawia efektywność treningu w kontrolowanych eksperymentach. Kierownictwo osobno stwierdziło, że jego własne modele przynoszą istotną poprawę w kredytowaniu i sprzedaży krzyżowej.

Żadne z tych twierdzeń nie dowodzi automatycznie, że kupowanie lub rezerwowanie GPU jest tańsze niż korzystanie z mocy chmurowej. Wymaga to rozliczeń na poziomie obciążeń roboczych, obejmujących wykorzystanie, energię, wsparcie, sieć, amortyzację i koszt alternatywny zaangażowanego kapitału.

Najmocniejsze dowody nadejdą wraz z wynikami biznesowymi. Jeśli akcja kredytowa wzrośnie, a późniejsze zaległości pozostaną pod kontrolą, argument za wykorzystaniem NuFormer w ocenie kredytowej stanie się silniejszy. Jeśli produktywność wzrośnie przy zachowaniu dyscypliny całkowitych kosztów, argument za infrastrukturą będzie łatwiejszy do obrony.

Na Co Zwrócić Uwagę Po Początkowym Cyklu Google News

Trzy sygnały pokażą, czy inwestycja Nubank w GPU tworzy przewagę, czy jedynie dodaje kosztowną warstwę infrastruktury.

Pierwszym sygnałem są wyniki kredytowe w portfelach wspieranych przez modele. Należy obserwować wzrost limitów kart i kredytów niezabezpieczonych wraz ze wskaźnikami wczesnych i późnych zaległości. Wzrost przychodów ma znaczenie, ale nie można go oddzielać od kosztu niespłacanych zobowiązań.

Nubank powinien idealnie udostępniać dane kohortowe pokazujące, jak z czasem radzą sobie kredyty zatwierdzone przez nowsze modele. Kohorta grupuje rachunki otwarte w podobnym okresie. Pomaga odróżnić jakość niedawnej oceny kredytowej od zachowania starszych portfeli.

Jeśli kohorty wspierane przez modele utrzymają lepsze zwroty skorygowane o ryzyko przy obsłudze większej liczby klientów, teza o własnych modelach zyska poparcie. Jeśli straty będą rosły szybciej, niż oczekiwano, wzrost zatwierdzeń będzie wyglądał mniej przekonująco.

Drugim sygnałem jest relacja między wydatkami na AI a efektywnością operacyjną. Nubank już ostrzegł, że jego inwestycje będą wywierały presję w krótkim terminie. Przyszłe wyniki powinny wyjaśnić, czy bazowe oszczędności kosztowe i wzrost przychodów zaczynają przewyższać tę presję.

Sam wskaźnik efektywności w nagłówkach nie wystarczy. Czytelnicy powinni szukać ujawnień dotyczących produktywności windykacji, obciążenia działu obsługi klienta, przepustowości zespołów inżynieryjnych, szybkości decyzji kredytowych i sprzedaży krzyżowej. Te miary operacyjne łączą wykorzystanie modeli z możliwymi do zidentyfikowania procesami biznesowymi.

Nubank wcześniej raportował ponad 50% wzrost rok do roku przepustowości inżynieryjnej oraz dziesięciokrotny wzrost tygodniowego zużycia tokenów od stycznia. Są to wskaźniki wdrożenia, a nie samodzielne zwroty finansowe. Większa liczba wygenerowanych tokenów może oznaczać wartościowe wykorzystanie albo po prostu wyższe zużycie zasobów obliczeniowych.

Materiały dla inwestorów spółki powinny ostatecznie ujawnić, czy wdrożenie przekłada się na trwałą dźwignię operacyjną. Stabilny raportowany wskaźnik w roku intensywnych inwestycji wspierałby argumentację kierownictwa, pod warunkiem że jakość kredytowa pozostanie pod kontrolą.

Trzecim sygnałem są ujawnienia dotyczące infrastruktury. Nubank nie musi ujawniać wrażliwej architektury systemów, ale rynek potrzebuje wystarczających informacji, aby zrozumieć skalę zobowiązania. Przydatne szczegóły obejmowałyby informację, czy moc obliczeniowa jest kupowana, dzierżawiona czy rezerwowana.

Generacja sprzętu i jego wykorzystanie również miałyby znaczenie. Ekonomia niewielkiego klastra badawczego różni się od ekonomii floty produkcyjnej obsługującej wnioskowanie w czasie rzeczywistym. Zasoby treningowe można planować partiami, podczas gdy systemy skierowane do klientów wymagają niezawodnej dostępności.

Kolejnym czynnikiem jest koncentracja dostawców. Zależność od jednego dostawcy GPU lub dostawcy chmury może powodować ryzyko związane z cenami i dostępnością. Strategia oparta na wielu dostawcach może zwiększyć odporność, choć jednocześnie podnosi złożoność inżynieryjną.

Publikacje techniczne Nubank dają częściowy wgląd w jego wybory. Pokazują organizację pracującą nad zachowaniem optymalizatorów, wykorzystaniem pamięci, wydajnością treningu i modelami specyficznymi dla transakcji. Dalsze badania poddawane recenzji naukowej wzmocniłyby zaufanie do jej kompetencji inżynieryjnych.

Jednak jakość badań i sukces komercyjny pozostają odrębnymi sprawdzianami. Użyteczny optymalizator może obniżyć koszty treningu, nie czyniąc produktu kredytowego rentownym. Skuteczny model kredytowy może tworzyć wartość, nawet jeśli działa na wynajętym sprzęcie.

Ostateczna ocena powinna połączyć wszystkie cztery warstwy: jakość modelu, ekonomię infrastruktury, adopcję produktu i wyniki finansowe. Pominięcie którejkolwiek z nich daje niepełny obraz.

Nubank jasno określił kierunek. Chce, aby AI stała się częścią oceny zdolności kredytowej, kontaktu z klientami, operacji i rozwoju produktów. Jego nowsze wyniki przedstawiają NuFormer jako system produkcyjny, a nie przyszłą ambicję.

Nadal nie wiadomo, jak dużą moc obliczeniową Nubank będzie kontrolować, ile taka kontrola kosztuje oraz jak szybko inwestycja przyniesie mierzalne zwroty. Firma przedstawiła wystarczająco dużo dowodów, by traktować tę strategię poważnie, ale nie dość, by uznać inwestycję w GPU za sukces.

Kolejne cykle wyników finansowych powinny zmniejszyć tę lukę. Warto obserwować kohorty kredytowe, pełny wskaźnik efektywności oraz wszelkie informacje o własności zasobów obliczeniowych lub kontraktach. Te sygnały rozstrzygną, czy nagłówek w Google News oznaczał przewagę infrastrukturalną, czy jedynie początek kosztownego testu.