Ramp at Stripe ay nagtatayo ng mga bagong stream ng kita sa paligid ng mga gawain na dinudulot ng AI

May-akda: Simon Taylor

Isinalin: Deep潮 TechFlow

Deep潮 Overview: Ang AI ay hindi nagdadala ng lang pagpapabuti ng efisensiya, kundi isang bagong hanay ng mga gawain na dating hindi umiiral: paggastos ng token, pagkakakilanlan bilang agent, at pagrout ng modelo. Ang Ramp at Stripe ay nagtatayo ng mga bagong pinagkukunan ng kita sa paligid ng mga gawain na ito, at ang kanilang kuwento sa pagpapahalaga ay hindi lamang tungkol sa paglago, kundi sa pagtaya sa AI-native. Ang pag-unawa sa "bagong gawain" na mapa ay makakatulong sa mga investor na malaman kung sino ang nakikinabang at sino ang maaaring mawala.

Ang AI ay nilikha ang mga bagong tanong ng kliyente

Ang paglutas ng mga problema na ito ay ang lugar kung saan nabubuo ang mga produkto ng pambansang pondo ng susunod na henerasyon. Ang paggastos ng Token, proxy identity, at model routing ay halos hindi umiiral bago ang AI.

Ramp ay nakakuha ng pagsasakop na $750 milyon na may halagang $44 bilyon. Hindi naman ito kailangan ng pera, ngunit ang pagsasakop na ito ay bumili ng isang bagay na higit pa sa isang nakakataas na paglago*. Ang pagsasakop na ito ay bumili ng isang malinaw na kuwento tungkol sa pagiging AI-native.

Kredible ang kuwento na ito dahil ito ay bumubuo muli sa sarili nito sa paligid ng mga gawain ng customer na nilikha ng AI. Halimbawa, ang Router ay naghahanap ng pinakamababang gastos at pinakamataas na kalidad na model para sa bawat kahilingan, na ayon sa Ramp, ay nakakatipid ng 40% sa gastos ng customer. Ang Stripe ay nagpapalikod ng katulad na teknikal na stack: ang pundasyon ay ang pagbabayad, ang Metronome ay responsable sa pagmamarka at pagbibilang batay sa paggamit, at ang tuktok ay ang OpenRouter na nagrurout ng trapiko sa higit sa 400 na model. Ayon sa mga ulat, binayaran nito ang tuktok ng higit sa $7 bilyon.

Ang bawat investor, lalo na ang mga growth investor, ay naghahanap ng mga kumpanya na nakikinabang sa mabilis na pag-angat ng AI at kaya'y naging mas matatag. Gusto nilang magkaroon ng mga nakikinabang, at iwasan ang mga biktima.

Nakausap ko ang tatlong founder sa linggong ito. Lahat ng tatlo ay malapit nang makamit ang malaking pagsasamahan sa pamamagitan ng AI-native. Parehong tanong ang itinatanong nila sa akin:

Paano natin ipinapakita ang ating pagiging AI-native? Ano ang dapat na produkto natin?

Tungkol sa problema sa pagtataya. Sa tingin ko, ang sagot ay problema sa produkto.

Ang artikulong ito ay ang aking sagot.

Mabilis na mapa:

Saan ka nasa posisyon: tagapagsasabay, tagapagpakinabang, o katutubo

Nilikha ng AI ang isang henerasyon ng mga gawain: mas mainam ang mga lumang gawain; mga bagong gawain malapit sa core; mga bagong gawain na hindi pa nalulutas ng sinuman

Bakit kailangan ng iyong proxy ang isang pagkakahati ng patakaran?

Ano ang dapat gawin ngayon

Ang pinakamalaking gamit na pananaw ni Clayton Christensen sa artikulong ito ay: hindi bumibili ang mga customer ng iyong produkto, kundi hinihingi nila ang produkto upang matupad ang isang gawain.

Ang mga gawain sa financial ay kasama ang pag-reimburse ng aking gastos, ang pagpapatibay ng aking mga invoice, at ang pagpapamahala sa aking fraud. Ang mga gawain na ito ay umiiral bago ang AI. Ang mga modernong model ay maaaring gawin ang ilan sa mga ito nang mas mabilis, mas murang, at kailangan ng mas kaunting tao, ngunit kapag gumising ang customer, gusto pa rin nila ang parehong bagay.

Nilikha rin ng AI ang pangalawang uri ng gawain: pagmonito sa aking paggastong token; pagrout ng bawat paghingi ng pag-iisip sa pinakamahusay na modelo; pagpapabili ng aking agent nang hindi ibinibigay ang buong identity at bank account.

Bago dumating ang AI na nagdala ng mga problema na ito, wala pang gawain na ito.

Naisip ko kung paano maging AI-native gamit ang isang 2x2 matrix.

Ang mga gawain para sa mga lumalabas na kliyente ay patuloy na umiiral (tulad ng pagpapahalaga sa pandaraya), habang ang mga gawain na nilikha ng AI ay lumabas kasama ang teknolohiya (tulad ng pagpapahalaga sa aking mga gastos sa token).

Kumpanya: Isang kumpanya o produkto na umiiral bago ang AI, o isang kumpanya na umiiral lamang dahil sa AI.

Isasama mo ba ang dalawa, ganito ba ang itsura?

Mga Gawaing Para sa Mga Lumang Kliyente

Customer task created by AI

Mga umiiral na kumpanya / produkto

Nubank / NuFormer

Ramp at Stripe

Hindi posible nang walang modernong AI

Harvey, Hebbia, at Rogo

OpenRouter at fal

Sa kaliwang itaas ay ang paggamit ng depth. Ginagamit ng Nubank ang NuFormer para sa mas mabuting desisyon sa pagkredito, ngunit ang underwriting ay isang sinaunang gawain sa banking.

Sa kaliwang ibaba ay ang posisyon ni Harvey, Hebbia, at Rogo: imposible ang mga produktong ito na umiral bago ang modernong modelo, at ginagawa nila ang mga pag-aaral sa batas at finansya na umiiral na noon.

Sa kanan ay nasa tailwind. Kapag ibinibigay ng AI ang bagong bagay na mabibili sa mga kliyente, mayroon nang negosyo ang Ramp at Stripe. Ang OpenRouter at fal ay may kahulugan lamang dahil ang inference ay naging isang industriya.

Ito ay nangangahulugan na isang kumpanya ay maaaring mag-occupy ng higit sa isang kahon. Ang expenditure product ni Ramp ay nasa kaliwang itaas. Ang kanilang token dashboard at Router ay nasa kanang itaas. Ang payment business ni Stripe ay nasa kaliwang itaas; ang Metronome at OpenRouter ay nagdala nito sa kanang bahagi ng table. Rarely magkakaroon ng malinaw na pagkakasunod-sunod sa isang 2x2 matrix.

Kaya pahintulutan mo akong ibigay sa iyo ang isang konsepto pa.

Nakita kong tatlo ang mga label na angkop para ilarawan ang pananaw ng kumpanya:

Ang mga tagapag-angkat ay gumagamit ng AI upang sirain ang kanilang mga umiiral na pangangailangan. Baka sila ay nagdagdag ng isang pasahero sa gilid. Narito ang totoong halaga. Maaari nila ito gawing mas mabilis, mas mura, at mas maayos, ngunit ang istruktura ng sales pipeline ay nananatili. Karamihan sa mga SaaS company na nagdagdag ng isang agent ay kabilang dito.

Ang mga benepisyaryo ay nagpapabuti sa kanilang lumalabas na gawain at nagtatanggap ng mga bagong pangangailangan na nilikha ng AI sa tabi. Ang Ramp o Stripe ay ang pinakamalinaw na halimbawa. Ang pagpaplano ng gastos ay patuloy na pangunahing gawain; ang pagpaplano ng gastos sa token at ang pagrout ng modelo naman ay mga bagong pinagkukunan ng kita sa tabi.

Ang mga katutubo ay umiiral dahil sa bagong pangangailangan. Ginagawa ng OpenRouter ang pagr-route ng mga kahilingan sa higit sa 400 na modelo. Pinapatakbo ng fal ang pag-iisip ng generatibong media sa malaking iskala. Sa isang mundo kung де wala kang mabibili na pag-iisip, wala silang negosyo.

Ipapakita sa iyo ng larawang ito kung saan galing ang pangangailangan.

Ang task ay nagtuturo kung saan maaaring makita ang mga pagkakataon. Ang pagiging AI-native ay may mga hakbang: sa ilalim ay kilala, sa itaas ay mga kahanga-hangang problema na hindi pa nalulutas. Kaya't sumama ka na sa akin pataas.

Ang AI-driven na operasyonal na modelo ay nagbabago sa anyo, pamamahala, at operasyonal na sistema ng kompanya. Ang mga team ay nagbuo ng mga external tool sa paligid ng mga empleyado, nag-uugnay sa looban ng data, nagbabahagi ng kasanayan, at nagbabago kung sino ang maaaring gawin ang anumang bagay. Ang mga product manager at designer ay nagsisimula na mag-deploy ng code. Ang mga engineer ay mas lalong umaakyat sa produkto. Ang mga team ay nagbuo ng kanilang sariling mga internal tool. (Tignan ang AI Operations Model Report para sa karagdagang impormasyon.)

Ito ang ticket ng pagpasok. Ito ay nagpapabilis sa iyo, ngunit hindi ito magbabago ng iyong ipinagbibili nang mag-isa.

Ang ilang AI-native na produkto ay naglilingkod sa napakalumang mga gawain. Hindi ito nagbabawas sa kanilang native na kalikasan.

Bago ang AI, ang compliance screening, document at email reconciliation, legal research, at financial reporting ay mga nakakapagod na pangangalap ng dokumento. Ginagawa ng Beacon, Sardine*, Gradient Labs, Harvey, Hebbia, at Rogo ang pagkolekta ng mga daan-daang dokumento at source ng data gamit ang modernong modelo, at ibinibigay ang sagot o pinapamahalaan ang proseso. Hindi posible ang mga produktong ito noong ilang taon na ang nakalipas. Ngunit ang gawain mismo ay matanda na.

Ako ay tagapayo ng Sardine.

Kung ang iyong ginagawa ay pagpapamahala ng gastos, pagpapamahala ng account, o pagtutulungan sa pagbabayad, ang mga gawain para sa mga lumalabas na kliyente ay nananatili, ngunit may mga bagong gawain na lumabas sa kanilang tabi. May ilang iba’t ibang uri.

Gawin akong magmaneho ng paggamit ng AI. Ang token dashboard ni Ramp ay isang gawain na nilikha ng AI, na nakatira sa isang umiiral na produkto. Maaari mong ipagtanggol na ang cost dashboard ay hindi bagong bagay. Ang Vantage at Datadog ay nagbibigay na ng presyo sa cloud at computing expenses sa loob ng maraming taon. Ang pagkakaiba ay nasa bill. Bago magbigay ang AI ng token bill, wala pang kailangang klasipikahin, tayaan, o ibahin ang token cost bilang COGS at OpEx. Sa Ramp, tumubo ang AI token spending ng 20.7 beses mula sa Hunyo 2025 hanggang Hunyo 2026. Ang Metronome, ngayon ay bahagi na ng Stripe, nakaupo sa kabilang dulo ng parehong gawain, responsable sa pagmamarka at pagbili ng ganitong paggamit.

Gawin: Konektahin ang aking agent sa iyong produkto at tapusin ang gawain. Ang mga kompanya tulad ng Mercury, Visa, at Ramp ay naglalabas ng command-line interface (CLI). Ang matandang Stripe ay naglabas ng kanilang CLI pitong taon na ang nakalipas. Ngunit mula nang ipakilala si Claude Code, tumataas ang paggamit. Ang CLI ay isang user interface na gumagamit ng command line (terminal), hindi ng app o web. Mas madaling i-navigate ng mga agent ang mga interface na ito. At mas kaunti ang token na ginagamit sa paggamit ng CLI. Halimbawa, ang pagpapatakbo ng Ramp CLI sa mode na --agent ay nagbabalik ng transaksyon sa anyong JSON, humigit-kumulang 105 token. Ang pagpapatakbo ng parehong transaksyon sa mode na --human ay nangangailangan ng 280 token para sa pag-format at pagpapakita. Ito ang uri ng user interface na disenyo para sa “mga hindi tao” bilang customer.

Trabaho: Gawing makikita ng AI agents ang iyong tindahan. Kasalukuyan, isang kalahati ng Z Generation ay gumagamit ng AI kaysa sa Google para mag-research kung ano ang bibilhin. Kung ang iyong tindahan at SKU ay wala doon, maaaring mawawala ang pagkakataon. Ang mga kompanya tulad ng Shopify at WooCommerce, pati na rin ang mga payment service providers (PSP) na tumutulong sa mga e-commerce merchant, ay kasalukuyang nag-o-optimize sa larangang ito.

Nilikha ng AI ang isang buong klase ng pangangailangan sa tabi ng iyong umiiral na negosyo. Ang iyong pagkakataon ay ang pagbuo ng interface na naglalayong tugunan ang mga pangangailangang ito. Walang kailangang agad na baguhin ang buong negosyo.

Ngunit isipin ang isang kinabukasan: ang mga agent ay nagpapalabas ng 80% hanggang 90% ng trapiko sa internet, negosyo, at ekonomiya. Kung may katotohanan ito, paano mo muling i-reposition ang mga kumpanya at kuwento? Ano ang iyong nilikhang pangunahing yunit ng halaga? Paano ito magagamit para sa isang kliyente?

Sa isang thought experiment na ito, kailangan nating alisin ang pag-iisip na ang AI ay isang karagdagang tampok sa mga umiiral na negosyo.

May ilang problema na hindi umiiral bago ang pag-usbong ng AI. Hindi rin ito nagmumula sa simpleng paggamit ng AI.

Paano ko maaaring tiyakin na ang agent na ito ay magtataglay ng aking data o mga desisyon nito? Dumadaan tayo sa isang mundo kung saan ang mga agent na dinisenyo ng mga third party ay maaaring makipag-ugnayan sa iyong negosyo. Kailangan mo ng paraan upang siguraduhin na sila ay ligtas, maaasahan, nagpapahalaga sa privacy, at may isang legal na entidad na nagsisilbing responsable sa kanila. Ang simpleng modelo ay ang agent ay nasa loob ng isang SaaS provider na mayroon ka nang negosyong agreement. Ngunit ang mga agent ay nagsisiging maging produkto mismo. Maaari itong galing sa isang laboratorio tulad ng Anthropic, isang startup, o isang internal department. Nakikita ko ang mga kumpanya na bumubuo o bumibili ng mga shell o control plane (tulad ng Primitive) upang i-package ang mga agent na ito. Ang isang ibang paraan ay ang AIUC, na layunin ay mag-insure at mag-certify ng mga agent.

Paano ko matitiyak na maaaring paniniwalaan ang agent na ito para sa pagtrabaho? Kung may isang agent na lumalabas sa iyong tindahan at nagsusubok na bumili, paano mo malalaman ang kanyang reputasyon o kung sino ang gumawa nito? Napatunayan ba ng user ang agent na ito para bumili? Mayroon ngayon na ilang bagong pamantayan, tulad ng Google’s A2A, Visa’s Trusted Agent Protocol, at ang FIDO na nagbuo ng mga pamantayan sa pagkakakilanlan. Ngunit nasa napakalaking unang yugto pa tayo. Ang mga kumpanya tulad ng Natural Payments, Skyfire, at A-comm ay nagsisimulang maglagay ng kanilang mga watawat dito. Sila ang nagpapamahala sa mga bahagi ng agent commerce workflow kung saan ang mga agent ay direktang gumagamit ng pera.

Paano makakakuha ng mas mababang gastos sa inference at computing power? Sinabi ng Brex na limang buwan pagkatapos ng unang pagkakaroon ng OpenAI o Anthropic API fees, magdaragdag ang kumpanya ng unang open computing provider. Limang buwan. Isang minuto ay nagbabayad ka sa mga model lab para sa API fees, at sa susunod na minuto ay nagkukumpara ka na sa Together AI, Fireworks, at Baseten. Pinipili mo kung saan gagana ang iyong workload at tinatanong ang finance kung paano i-hedge ang gastos. Gumawa ang AI ng isang software supply chain, at nagsimula na itong bumuo ng capital stack sa ilalim nito. Ang Nvidia at Wall Street ay nagtatangkang magbigay ng $500 bilyon sa layer na ito.

Pinagkukunan: Brex Benchmark; Datos ng Brex Card at Pagbabayad ng Taksil, Enero 2021–Hunyo 2026

Mas malaki pa ang mga gawaing ito kaysa sa mga tampok. Kinasasakupan nito ang produkto, data, identity, at pondo. Kapag nakalabas na ito sa produkto, ang tanong ay sino ang pinagkakatiwalaan ng mga customer na nakaupo sa itaas nito.

Hindi ko kailangan ang iyong AI. Gusto kong makapasok ang aking AI sa iyong produkto.

Ang karamihan sa mga komersyal na kliyente ay hahawak ng isang uri ng control plane o shell: isang lugar kung saan isasagawa ang pag-organisa ng kanilang mga agent, sa iba’t ibang mga kasangkapan na ginagamit nila. Ang financial agent ng CFO, ang coding agent ng engineer, at ang procurement agent ng operations team ay magkakaroon ng budget, awtorisasyon, at obserbasyon mula sa isang layer na nasa itaas ng produkto.

Mayroon din silang bersyon para sa mga konsyumer. Anuman ang Grokbot o Instinct, ang mga bagong aplikasyon para sa konsyumer mula sa OpenAI o Google, o kaya naman ay ipinapabuti ng Apple ang Siri, mayroon palang isang bagay na nag-iisip para sa mga gumagamit sa lahat ng produkto.

Tama ang sinabi ni Garry Tan tungkol sa mga banta na kinakaharap ng umiiral na software:

Mayroon na ang record system ng data, pahintulot, at distribusyon na kailangan ng shell. Ang kanilang problema ay maaaring maglagay ng isang bagong orchestration layer sa itaas nito, upang gawing isang callable supplier ang bawat produkto sa ilalim nito.

Nagdudulot ito ng tatlong estratehikong pagpipilian:

May kontrol ka. Maging lugar kung saan makikita, papawiin, at mapapamahalaan ng customer ang bawat agent.

Mayroon ka ng isang kapani-paniwala na punto ng kontrol. Kahit may-ari ng iba ang shell, panatilihin ng identity, reputation, routing, procurement, at settlement ang kanilang halaga.

Maging ang pinakamadaling i-access na produkto para sa bawat mahalagang shell. Ang CLI, API, at agent interface ang mga saligan.

Hindi magpapalaya nang madali ang Salesforce at ang core banking system sa kanilang umiiral na sticky wedge. Hindi ito purong aggregation theory. Ang system ng rekord ay maaaring maging shell; ang mga eksperto ay maaaring magkaroon ng control points; ang produkto ay maaaring ma-distribute sa pamamagitan ng lahat ng ito.

Ito ang presyon na pangunahing punto. Ang premyo ay maaaring ang control plane. Maaari rin itong ang hindi maitatabi na bagay na kailangan ng bawat control plane.

Balik sa mga founder na pinag-uusapan ko.

Ang sagot ay laging nagtatrabaho. I-position ang sumusunod na produkto.

Hanapin ang trabaho na nilikha ng AI sa tabi ng value na iyong nade-deliver. Gumawa ng interface para dito.

Pagkatapos ay pumili kung paano ito i-propaganda. Maaari mong magkaroon ng shell, mayroong isang tiwalaang control point sa loob nito, o maging isang produkto na maaaring ma-call nang maayos mula sa lahat ng shell.

Ito ang ibig sabihin ng pag-reinvent sa sarili. Magsisimula ka sa paggamit ng AI para pamahalaan ang sarili mo. Ginagamit mo ito upang gawing mas mabuti ang mga lumang trabaho. Pagkatapos, umaakyat ka sa mga trabaho na hindi umiiral bago magkaroon ng problema ang modelo sa mga kliyente.

Ang Ramp ay nakamit ang $44 bilyon hindi dahil sa pinakamahusay na pagpapamahala ng mga bayarin. Dumating siya doon dahil naniniwala ang mga investor na ang AI ay magpapatuloy na lumilikha ng bagong demand sa tabi ng core. At may kakayahan ang Ramp na hawakan ang bilis nito.

Piliin ang trabaho. Piliin ang interface. Ibigay ang ito.

*(Ayon sa mga pamantayan ng mga financial company, ang paglago ng Ramp ay naiiba: ang TPV (total payment volume) ay tumataas ng 170% kumpara sa parehong panahon noong nakaraang taon hanggang Marso, ang pinakamabilis na paglago sa loob ng tatlong taon, habang ang laki ng kanilang negosyo ay tumataas ng 20 beses.)*