Ramp dan Stripe Membangun Sumber Pendapatan Baru di Sekitar Tugas yang Didorong oleh AI

Penulis: Simon Taylor

Diterjemahkan oleh Deep潮 TechFlow

Panduan Deep潮: AI tidak hanya membawa peningkatan efisiensi, tetapi juga serangkaian tugas pelanggan baru yang sebelumnya tidak ada: pengeluaran token, identitas agen, dan routing model. Ramp dan Stripe telah membangun kolom pendapatan baru di sekitar tugas-tugas ini; narasi valuasi mereka bukan sekadar pertumbuhan, melainkan taruhan pada AI-natif. Memahami peta "tugas baru" ini dapat membantu investor membedakan siapa yang diuntungkan dan siapa yang akan tersingkir.

🧠 AI menciptakan pertanyaan pelanggan baru

Menyelesaikan masalah-masalah ini adalah di mana produk keuangan generasi berikutnya terbentuk. Pengeluaran token, identitas agen, dan routing model hampir tidak ada sebelum AI.

Ramp baru-baru ini memperoleh pendanaan sebesar $750 juta dengan valuasi $44 miliar. Mungkin saja mereka tidak memerlukan dana ini, tetapi putaran pendanaan ini membeli sesuatu yang lebih besar daripada pertumbuhan yang mencolok*. Putaran pendanaan ini membeli narasi yang koheren tentang menjadi AI-native.

Cerita ini dapat dipercaya karena sedang membangun ulang dirinya sendiri di sekitar tugas pelanggan yang diciptakan oleh AI. Misalnya, Router menemukan model dengan biaya terendah dan kualitas tertinggi untuk setiap permintaan, yang menurut Ramp dapat menghemat biaya pelanggan hingga 40%. Stripe sedang menyusun tumpukan teknologi serupa: lapisan bawah adalah pembayaran, Metronome bertanggung jawab atas pengukuran dan penagihan berdasarkan penggunaan, sedangkan lapisan atas adalah OpenRouter yang mengarahkan lalu lintas di antara lebih dari 400 model. Dilaporkan, ia membayar lebih dari $7 miliar untuk lapisan atas.

Setiap investor, terutama investor pertumbuhan, sedang mencari perusahaan yang mendapat manfaat dari ledakan cepat AI dan karenanya menjadi lebih tahan lama. Mereka ingin memegang penerima manfaat, sebisa mungkin hindari memegang korban.

Minggu ini saya telah berbicara dengan tiga pendiri. Ketiganya hampir menyelesaikan pendanaan besar dengan nama berbasis AI. Pertanyaan yang mereka ajukan kepada saya hampir sama:

Bagaimana kita harus memposisikan diri sebagai AI-native? Produk apa yang seharusnya kita miliki?

Mereka bertanya tentang masalah pelacakan. Saya pikir jawabannya adalah masalah produk.

Artikel ini adalah jawaban saya.

Peta Cepat:

Anda berada di posisi mana: penerima, penerima manfaat, atau penduduk asli

AI menciptakan tangga tugas: tugas lama dikerjakan lebih baik; tugas baru di samping inti; tugas baru yang belum ada yang selesaikan

Mengapa agen Anda memerlukan strategi distribusi?

Apa yang harus dilakukan sekarang

Pandangan paling berguna dari Clayton Christensen untuk artikel ini adalah: pelanggan tidak membeli produk Anda, mereka menyewa produk untuk menyelesaikan sebuah tugas.

Tugas yang harus dilakukan di bidang keuangan meliputi: pelaporan biaya saya, reconciliasi faktur saya, dan membantu saya mengelola penipuan. Tugas-tugas ini sudah ada sebelum AI. Model modern dapat menyelesaikan sebagian dari tugas-tugas ini lebih cepat, lebih murah, dan memerlukan lebih sedikit tenaga manusia, tetapi ketika pelanggan bangun, yang mereka inginkan tetaplah hal yang sama.

AI juga menciptakan tugas kelas kedua: memantau pengeluaran token saya; mengarahkan setiap permintaan inferensi ke model terbaik; memungkinkan agen saya membeli barang tanpa harus menyerahkan seluruh identitas dan rekening bank saya.

Sebelum AI membawa masalah-masalah ini, tidak ada yang memiliki tugas-tugas ini.

Saya memikirkan bagaimana menjadi AI-native melalui matriks 2x2.

Tugas: Tugas pelanggan lama selalu ada (misalnya mengelola penipuan), sementara tugas yang diciptakan oleh AI muncul bersama teknologi (misalnya mengelola pengeluaran token saya).

Perusahaan: Sebuah perusahaan atau produk yang ada sebelum AI, atau sebuah perusahaan yang hanya ada karena AI.

Menyatukan keduanya, jadinya seperti ini?

Tugas pelanggan lama

Tugas pelanggan yang dibuat oleh AI

Perusahaan / produk yang sudah ada

Nubank / NuFormer

Ramp dan Stripe

Tidak mungkin ada tanpa AI modern

Harvey, Hebbia, dan Rogo

OpenRouter dan fal

Kiri atas adalah penerapan kedalaman. Nubank menggunakan NuFormer untuk pengambilan keputusan kredit yang lebih baik, tetapi underwriting adalah tugas perbankan kuno.

Di kiri bawah adalah lokasi Harvey, Hebbia, dan Rogo: produk-produk ini tidak mungkin ada sebelum munculnya model modern, dan mereka melakukan pekerjaan penelitian hukum dan keuangan yang sudah ada sejak lama.

Di sisi kanan adalah arah angin yang menguntungkan. Ketika AI menawarkan hal baru kepada pelanggan untuk dibeli, Ramp dan Stripe sudah memiliki bisnis. OpenRouter dan fal bermakna hanya karena inferensi telah menjadi sebuah industri.

Ini juga berarti sebuah perusahaan dapat menempati lebih dari satu kotak. Produk pengeluaran Ramp berada di kiri atas. Panel token dan Router-nya berada di kanan atas. Bisnis pembayaran Stripe berada di kiri atas; Metronome dan OpenRouter menariknya ke sisi kanan tabel. Hal-hal jarang bisa masuk dengan rapi ke dalam matriks 2x2.

Jadi, izinkan saya menyampaikan satu konsep lagi kepada Anda.

Saya menemukan tiga label yang sangat cocok untuk menggambarkan sikap perusahaan:

Pengguna memanfaatkan AI untuk memenuhi kebutuhan yang sudah ada. Mungkin mereka menambahkan penumpang di samping. Di sini ada nilai nyata. Mereka bisa lebih cepat, lebih murah, dan lebih ringkas, tetapi struktur saluran penjualan tetap sama. Sebagian besar perusahaan SaaS yang menambahkan agen termasuk dalam kategori ini.

Penerima manfaat melakukan tugas lama dengan lebih baik dan memanfaatkan kebutuhan baru yang diciptakan oleh AI di sebelahnya. Ramp atau Stripe adalah contoh paling bersih. Manajemen pengeluaran tetap menjadi tugas inti; manajemen biaya token dan routing model adalah sumber pendapatan baru di sampingnya.

Indigenous ada karena adanya permintaan baru. OpenRouter mengarahkan permintaan di antara lebih dari 400 model. Fal menjalankan inferensi media generatif dalam skala besar. Di dunia tanpa inferensi yang bisa dijual, kedua perusahaan ini tidak akan memiliki bisnis.

Grafik ini menunjukkan dari mana permintaan berasal.

Tugas memberitahu Anda di mana peluang mungkin berada. Menjadi native AI adalah sebuah tangga: di dasarnya adalah hal-hal yang sudah dikenal, di puncaknya adalah masalah-masalah cemerlang yang belum terpecahkan. Ayo kita naik bersama.

Model operasi yang didorong oleh AI mengubah bentuk perusahaan, tata kelola, dan sistem operasinya. Tim membangun ekstensi di sekitar karyawan, mengintegrasikan data internal, berbagi keterampilan, dan mengubah siapa yang dapat melakukan apa. Produk manajer dan desainer mulai mengunggah kode. Insinyur semakin masuk ke dalam produk. Tim membangun alat internal mereka sendiri. (Lihat laporan model operasi AI untuk informasi lebih lanjut.)

Ini adalah tiket masuk. Ini bisa membuat Anda bergerak lebih cepat, tetapi hanya dengan tiket ini tidak akan mengubah apa yang Anda jual.

Beberapa produk native AI melayani tugas-tugas yang sangat lama. Ini tidak mengurangi tingkat native-nya.

Pemeriksaan kepatuhan, reconciliasi dokumen dan email, penelitian hukum, dan laporan keuangan sebelum munculnya AI semuanya merupakan pekerjaan administratif yang merepotkan. Beacon, Sardine*, Gradient Labs, Harvey, Hebbia, dan Rogo menggunakan model modern untuk merangkum ratusan dokumen dan sumber data, lalu memberikan jawaban atau mengelola proses. Produk-produk ini tidak mungkin ada beberapa tahun lalu. Namun, tugasnya sendiri sudah sangat tua.

Saya adalah konsultan Sardine.

Jika Anda melakukan manajemen pengeluaran, manajemen akun, atau membantu orang membayar, tugas pelanggan lama masih ada, tetapi di sampingnya muncul beberapa tugas baru. Ada beberapa varian berbeda.

Tugas: Bantu saya mengelola penggunaan AI. Panel token Ramp adalah tugas yang diciptakan oleh AI, yang hidup di dalam produk yang sudah ada. Anda mungkin berargumen bahwa panel biaya bukan hal baru—Vantage dan Datadog telah lama memberikan harga untuk pengeluaran cloud dan komputasi. Perbedaannya ada pada tagihan. Sebelum AI memberi Anda tagihan token, tidak ada yang perlu mengklasifikasikan, memprediksi, atau membedakan biaya token sebagai COGS dan OpEx. Di Ramp, pengeluaran token AI meningkat 20,7 kali lipat antara Juni 2025 hingga Juni 2026. Metronome sekarang menjadi bagian dari Stripe, yang berada di ujung tugas yang sama, bertanggung jawab atas pengukuran dan penagihan penggunaan tersebut.

Tugas: Bantu agen saya menghubungkan produk Anda dan menyelesaikan tugas. Perusahaan seperti Mercury, Visa, dan Ramp sedang meluncurkan antarmuka baris perintah (CLI). Stripe yang sudah mapan merilis CLI mereka tujuh tahun lalu. Namun, penggunaannya melonjak setelah peluncuran Claude Code. CLI adalah antarmuka pengguna yang menggunakan baris perintah (terminal), bukan aplikasi atau web. Agen merasa antarmuka ini lebih mudah dinavigasi. Selain itu, penggunaan CLI mengonsumsi jauh lebih sedikit token. Sebagai contoh, menjalankan Ramp CLI dalam mode --agent menghasilkan transaksi dalam format JSON, sekitar 105 token. Menjalankan transaksi yang sama dalam mode --human memerlukan 280 token untuk pemformatan dan tampilan. Inilah antarmuka produk yang dirancang untuk "pelanggan non-manusia".

Pekerjaan: Bantu toko Anda ditemukan oleh agen AI. Sekitar sepertiga generasi Z sekarang menggunakan AI daripada Google untuk meneliti apa yang akan dibeli. Jika toko dan SKU Anda tidak ada di sana, Anda bisa kehilangan peluang. Perusahaan seperti Shopify, WooCommerce, serta penyedia layanan pembayaran (PSP) yang mendukung pedagang e-commerce, kini juga sedang mengoptimalkan aspek ini.

AI menciptakan seluruh kelas kebutuhan di samping bisnis Anda yang sudah ada. Peluang Anda adalah membangun antarmuka untuk memenuhi kebutuhan tersebut. Tidak perlu segera mengubah seluruh bisnis Anda.

Tetapi bayangkan sebuah masa depan: agen menyumbang 80% hingga 90% dari lalu lintas internet, bisnis, dan ekonomi. Jika ini sebagian benar, bagaimana Anda akan menyesuaikan kembali perusahaan dan narasi Anda? Apa unit nilai inti yang Anda ciptakan? Bagaimana hal itu berlaku bagi pelanggan tersebut?

Dalam eksperimen pemikiran ini, kita harus melepaskan pemikiran bahwa AI adalah fitur tambahan di atas bisnis yang ada.

Beberapa masalah tidak ada sebelum ledakan AI. Mereka juga bukan hanya berasal dari penggunaan sederhana AI.

Bagaimana saya bisa percaya agen ini dalam menangani data saya, atau keputusan yang dibuatnya? Kita sedang memasuki dunia di mana agen yang dikembangkan pihak ketiga mungkin berinteraksi dengan bisnis Anda. Anda memerlukan cara untuk memastikan bahwa mereka aman, andal, mengelola privasi, dan ada entitas hukum yang bertanggung jawab di belakangnya. Pola sederhananya adalah agen berada di dalam penyedia SaaS yang sudah Anda gunakan dalam perjanjian bisnis Anda. Namun, agen semakin menjadi produk itu sendiri. Agen tersebut mungkin berasal dari laboratorium seperti Anthropic, perusahaan rintisan, atau departemen internal. Saya melihat perusahaan membangun atau membeli wadah atau kontrol plane (seperti Primitive) untuk membungkus agen-agen ini. Metode lain adalah AIUC, yang bertujuan untuk menanggung dan mensertifikasi agen.

Bagaimana saya bisa mempercayai agen ini untuk melakukan transaksi? Jika sebuah agen muncul di toko Anda dan mencoba membeli sesuatu, bagaimana Anda mengetahui reputasinya, atau siapa penciptanya? Apakah pengguna telah mengautentikasi agen tersebut untuk membeli? Saat ini ada beberapa standar baru yang muncul, seperti A2A dari Google, Trusted Agent Protocol dari Visa, dan FIDO yang sedang membangun standar identitas. Namun kita masih berada pada tahap yang sangat awal. Perusahaan-perusahaan seperti Natural Payments, Skyfire, dan A-comm sedang menanamkan bendera di sini. Mereka mengelola bagian di mana agen benar-benar menggerakkan uang dalam alur kerja agen bisnis.

Bagaimana cara mendapatkan inferensi dan daya komputasi dengan biaya lebih rendah? Brex menyatakan bahwa perusahaan akan menambahkan penyedia komputasi terbuka pertama dalam lima bulan setelah pertama kali menghasilkan biaya API OpenAI atau Anthropic. Lima bulan. Satu menit sebelumnya Anda membayar biaya API ke laboratorium model. Menit berikutnya Anda membandingkan Together AI, Fireworks, dan Baseten. Anda memutuskan di mana workload dijalankan dan menanyakan kepada keuangan bagaimana mengelola risiko biaya. AI menciptakan rantai pasokan perangkat lunak, lalu mulai membangun tumpukan modal di bawahnya. Nvidia dan Wall Street berusaha menggerakkan 500 miliar dolar di sekitar lapisan ini.

Sumber: Brex Benchmark; Data kartu dan pembayaran tagihan Brex, Januari 2021–Juni 2026

Pekerjaan-pekerjaan ini lebih besar daripada fitur. Mereka mencakup produk, data, identitas, dan dana. Setelah mereka mencakup produk, masalahnya menjadi siapa yang dipercaya pelanggan berada di atasnya.

Saya tidak menginginkan agen Anda. Saya ingin agen saya masuk ke produk Anda.

Sebagian besar pelanggan bisnis pada akhirnya akan menjalankan某种 kontrol plane atau shell: tempat untuk mengoordinasikan agen-agen yang mereka miliki, melintasi alat-alat yang mereka gunakan. Agen keuangan CFO, agen pemrograman insinyur, dan agen pengadaan tim operasional akan mengelola anggaran, otorisasi, dan pengawasan dari lapisan di atas produk.

Konsumen juga akan memiliki versi mereka sendiri. Baik itu Grokbot atau Instinct, aplikasi konsumen baru dari OpenAI atau Google, atau Apple akhirnya membuat Siri tidak lagi buruk, pasti akan ada sesuatu yang memperhatikan pengguna di seluruh produk.

Garry Tan dengan tepat menggambarkan ancaman yang dihadapi perangkat lunak saat ini:

Sistem pencatatan telah memiliki data, izin, dan distribusi yang diperlukan untuk shell. Masalahnya adalah, lapisan orkestrasi baru dapat ditempatkan di atasnya, mengubah setiap produk di bawahnya menjadi pemasok yang dapat dipanggil.

Ini membawa tiga pilihan strategis:

Miliki pengaturan. Jadikan tempat bagi pelanggan untuk melihat, memberikan otorisasi, dan mengelola setiap agen.

Memiliki titik kontrol yang dapat dipercaya. Bahkan jika orang lain memiliki shell, identitas, reputasi, routing, pembelian, dan penyelesaian tetap mempertahankan nilainya.

Jadikan produk yang paling mudah diakses untuk setiap shell penting. CLI, API, dan antarmuka agen adalah distribusinya. (Ini adalah jawaban yang benar untuk lebih banyak dari kalian daripada yang kalian kira)

Salesforce dan sistem inti perbankan tidak akan melepaskan kaitan kaku yang sudah mereka miliki. Ini bukan semata-mata teori agregasi. Sistem pencatatan dapat berubah menjadi cangkang; para ahli dapat memiliki titik kendali; produk dapat didistribusikan melalui semua ini.

Tekanan ini justru menjadi fokusnya. Hadiahnya mungkin adalah control plane. Atau mungkin sesuatu yang tak tergantikan yang dibutuhkan setiap control plane.

Kembali ke tiga pendiri yang saya bahas sebelumnya.

Jawabannya selalu berfungsi. Posisikan produk pelacak.

Temukan pekerjaan yang diciptakan oleh AI di samping nilai yang telah Anda serahkan. Bangun antarmuka untuknya.

Kemudian tentukan bagaimana ia menyebar. Anda dapat memiliki shell, dengan titik kontrol tepercaya di dalamnya, atau menjadi produk yang dapat dipanggil dengan elegan dari semua shell.

Inilah makna menciptakan ulang diri sendiri. Anda memulai dengan menggunakan AI untuk mengelola diri Anda sendiri. Anda menggunakannya untuk melakukan pekerjaan lama dengan lebih baik. Kemudian Anda mendaki menuju pekerjaan-pekerjaan yang sebelumnya tidak ada sebelum model menyebabkan masalah bagi pelanggan.

Ramp mencapai $44 miliar bukan karena manajemen biaya terbaik. Ia sampai ke sana karena investor percaya bahwa AI dapat terus menciptakan permintaan baru di samping intinya. Dan Ramp mampu menangkap kecepatannya.

Pilih pekerjaan. Pilih antarmuka. Distribusikan.

*(Menurut standar perusahaan keuangan, pertumbuhan Ramp sangat luar biasa: TPV (total payment volume) pada Maret meningkat 170% secara tahunan, kecepatan tercepat dalam tiga tahun terakhir, sementara skala bisnisnya telah membesar 20 kali lipat.)*