Na GTC Berlin, bancos europeus levam modelos open weight e GPUs NVIDIA à produção em infraestrutura própria

O conjunto de anúncios da GTC Berlin tem um fio comum: modelos open weight rodando em infraestrutura que o banco controla, sobre GPUs NVIDIA. A Revolut reconstrói o stack em torno de um único foundation model, o PRAGMA, com cuDF e Dynamo-Triton em GPUs Blackwell Ultra. A meta inicial é atender 80 milhões de clientes, com projeto para escalar 3x. O Lloyds (ATUM, em RTX PRO 6000 Blackwell) e o Starling (Starling Intelligence, treinado na nuvem soberana da Civo com dados transacionais do próprio banco) seguem a mesma linha de modelos treinados em dados que o banco possui.

Os números de custo e desempenho pedem leitura cuidadosa. O bunq diz que o assistente Finn, em modelos open weight na Nebius, iguala a qualidade dos principais modelos fechados a 60% do custo por resposta. A LSEG fala em análise de dados de tick até 10x mais rápida com Polars GPU engine, e o HSBC cita processamento 5x mais rápido no GPU Engine da Starburst. A Stripe relata pipelines 42x mais rápidos e 92% de economia no Stripe Radar, mas em testes offline, não em produção. Santander (família Kumo para dados estruturados) e Modulr (Nemotron-3-Ultra-550B) aparecem como adoção inicial e construção em andamento.

Sobre a Revolut, a evolução é concreta. Em 27 de agosto de 2026, o CEVIU noticiou, em "Revolut Investe Pesado em IA com Nova Divisão e Modelo Financeiro Próprio", o lançamento do PRAGMA pelo Revolut Research, desenvolvido em parceria com a NVIDIA. Agora o modelo aparece escalando em produção para 80 milhões de clientes iniciais. Em 27 de abril de 2026, em "Finanças entram na era dos foundation models", o tema era a tendência de bancos e fintechs treinarem modelos setoriais em dados de transações. A GTC Berlin traz exemplos nomeados de entrega, como Lloyds e Starling. Já em 13 de fevereiro de 2026, o CEVIU havia mostrado provedores de inference cortando custos em até 10x com modelos open source em Blackwell, o que antecede o argumento de custo do bunq.

Para quem opera IA em setores regulados, a leitura é que o debate saiu de "foundation model funciona em finanças?" e foi para "onde ele roda e quanto custa por resposta". Soberania de dados e custo unitário viram critérios de arquitetura. Vale lembrar que os números vêm de relatos das próprias empresas e da NVIDIA, e parte deles (Stripe) é de teste offline.