Ramp dan Stripe Membina Aliran Pendapatan Baru Berdasarkan Tugas yang Digerakkan oleh AI

Penulis: Simon Taylor

Diterjemahkan oleh Deep潮 TechFlow

Pengenalan DeepCha: AI tidak hanya membawa peningkatan kecekapan, tetapi juga tugas pelanggan baru yang sebelumnya tidak wujud: perbelanjaan token, identiti agen, dan penghalaan model. Ramp dan Stripe telah membina kolom pendapatan baru berdasarkan tugas-tugas ini, dan naratif penilaian mereka bukan sekadar pertumbuhan, tetapi bertaruh pada asal-usul AI. Memahami peta "tugas baru" ini dapat membantu pelabur mengenal siapa yang mendapat manfaat dan siapa yang akan tersingkir.

🧠 AI menciptakan soalan pelanggan baru

Menyelesaikan masalah-masalah ini adalah di mana produk keuangan generasi berikutnya terbentuk. Perbelanjaan Token, identiti agen, dan penjajaran model hampir tidak wujud sebelum AI.

Ramp baru-baru ini memperoleh pendanaan sebesar US$750 juta dengan valuasi sebanyak US$44 bilion. Ia mungkin tidak memerlukan dana ini, tetapi pendanaan ini membeli sesuatu yang lebih besar daripada pertumbuhan yang menarik*. Pendanaan ini membeli narasi yang konsisten tentang menjadi asli AI.

Cerita ini boleh dipercayai kerana ia sedang dibina semula di sekitar tugas pelanggan yang dicipta oleh AI. Sebagai contoh, Router mencari model dengan kos paling rendah dan kualiti tertinggi untuk setiap permintaan, yang menurut Ramp mampu menghemat 40% kos kepada pelanggan. Stripe sedang menyusun tatanama serupa: lapisan bawah ialah pembayaran, Metronome bertanggungjawab atas pengukuran dan penagihan berdasarkan penggunaan, manakala lapisan atas ialah OpenRouter yang menghala trafik di antara lebih daripada 400 model. Dilaporkan, ia membayar lebih daripada US$7 bilion untuk lapisan atas.

Setiap pelabur, terutamanya pelabur pertumbuhan, sedang mencari syarikat yang mendapat faedah daripada lonjakan pantas AI dan dengan itu menjadi lebih tahan lama. Mereka ingin memegang penerima faedah, dan sebanyak mungkin mengelakkan penerima mangsa.

Minggu ini saya telah berbual dengan tiga orang pendiri. Ketiga-tiganya hampir selesai memperoleh pendanaan besar dengan nama asli AI. Soalan yang mereka tanyakan kepada saya hampir sama:

Bagaimana kita seharusnya menempatkan diri kita sebagai AI-native? Apakah produk kita seharusnya apa?

Mereka bertanya tentang masalah pelokalan. Saya rasa jawapannya adalah masalah produk.

Artikel ini adalah jawapan saya.

Peta pantas:

Anda berada di mana: penerima, penerima faedah, atau penduduk asli

AI menciptakan tangga tugas: tugas lama dilakukan lebih baik; tugas baru di sebelah inti; tugas baru yang belum diselesaikan oleh siapa pun

Mengapa agen anda memerlukan strategi pengagihan?

Apa yang perlu dilakukan sekarang

Pandangan paling berguna dari Clayton Christensen terhadap artikel ini ialah: pelanggan tidak membeli produk anda, mereka menyewa produk untuk menyelesaikan satu tugas.

Tugasan yang perlu dilakukan dalam bidang kewangan termasuk: melaporkan perbelanjaan saya, menyepadukan invois saya, dan membantu saya mengurus penipuan. Tugasan-tugasan ini wujud sebelum AI. Model moden boleh melaksanakan sebahagian daripadanya dengan lebih pantas, lebih murah, dan memerlukan lebih sedikit tenaga manusia, tetapi apabila pelanggan bangun, mereka masih menginginkan perkara yang sama.

AI juga menciptakan tugas kelas kedua: memantau perbelanjaan token saya; menghala setiap permintaan inferens ke model terbaik; membolehkan agen saya membeli barang tanpa perlu memberikan seluruh identiti dan akaun bank saya.

Sebelum AI membawa masalah-masalah ini, tiada siapa yang mempunyai tugas-tugas ini.

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

Tugas: Tugas pelanggan lama sentiasa wujud (contohnya, mengurus penipuan), manakala tugas yang dicipta oleh AI muncul bersama teknologi (contohnya, mengurus perbelanjaan token saya).

Syarikat: Sebuah syarikat atau produk yang wujud sebelum AI, atau sebuah syarikat yang hanya wujud kerana AI.

Letakkan keduanya bersama, jadi macam ini?

Tugas pelanggan lama

Tugasan pelanggan yang dicipta oleh AI

Syarikat / produk yang sudah ada

Nubank / NuFormer

Ramp dan Stripe

Tidak mungkin wujud tanpa AI moden

Harvey, Hebbia, dan Rogo

OpenRouter dan fal

Kiri atas adalah penggunaan kedalaman. Nubank menggunakan NuFormer untuk membuat keputusan kredit yang lebih baik, tetapi underwriting adalah tugas perbankan lama.

Di kiri bawah adalah lokasi Harvey, Hebbia, dan Rogo: produk-produk ini tidak mungkin wujud sebelum model moden, dan mereka melakukan kerja penyelidikan undang-undang dan kewangan yang sudah ada sejak lama.

Di sebelah kanan adalah tempat angin mendukung. Ketika AI memberikan pelanggan sesuatu yang baru untuk dibeli, Ramp dan Stripe sudah mempunyai perniagaan. OpenRouter dan fal bermakna kerana inferens kini menjadi satu industri.

Ini juga bermakna sebuah syarikat boleh mengisi lebih daripada satu petak. Produk perbelanjaan Ramp berada di kiri atas. Panel token dan Router-nya berada di kanan atas. Perniagaan pembayaran Stripe berada di kiri atas; Metronome dan OpenRouter menariknya ke sisi kanan jadual. Jarang sekali sesuatu boleh dimasukkan dengan bersih ke dalam matriks 2x2.

Jadi, izinkan saya mengemukakan satu konsep lagi kepada anda.

Saya menemui tiga label yang sesuai untuk menggambarkan sikap syarikat:

Pengguna mengambil alih perkhidmatan AI untuk memenuhi keperluan sedia ada mereka. Mungkin mereka menambahkan penumpang sisi penumpang. Terdapat nilai sebenar di sini. Mereka boleh lebih pantas, lebih murah, dan lebih ringkas, tetapi struktur saluran jualan tetap sama. Kebanyakan syarikat SaaS yang menambahkan agen adalah jenis ini.

Penerima manfaat melakukan tugas lama dengan lebih baik dan menangkap keperluan baharu yang diciptakan oleh AI di sebelahnya. Ramp atau Stripe adalah contoh paling bersih. Pengurusan perbelanjaan masih merupakan tugas utama; pengurusan kos token dan penghalaan model pula merupakan sumber pendapatan baharu di sebelahnya.

Indigenous ada kerana permintaan baru. OpenRouter menghala permintaan di antara lebih daripada 400 model. Fal menjalankan inferensi media generatif dalam skala besar. Dalam dunia tanpa inferensi yang boleh dijual, kedua-dua syarikat ini tidak akan memiliki perniagaan.

Gambar ini menunjukkan dari mana permintaan berasal.

Tugas memberitahu anda di mana peluang mungkin berada. Menjadi native AI adalah sebuah tangga: di bahagian bawah adalah yang sudah dikenali, di bahagian atas adalah masalah cemerlang yang belum diselesaikan. Mari kita memanjatnya bersama.

Model operasi berasaskan AI mengubah bentuk, tata pentadbiran, dan sistem operasi syarikat. Pasukan membina ekstensi berpusatkan pekerja, menghubungkan data dalaman, berkongsi kemahiran, dan mengubah siapa yang boleh melakukan apa. Pengurus produk dan reka bentuk mula memuatkan kod. Jurutera pula masuk lebih jauh ke dalam produk. Pasukan membina alat dalaman sendiri. (Lihat Laporan Model Operasi AI untuk lebih lanjut.)

Ini adalah tiket masuk. Ia membolehkan anda mempercepat, tetapi ia sendiri tidak akan mengubah apa yang anda jual.

Beberapa produk asli AI melayani tugas-tugas yang sangat lama. Ini tidak mengurangkan tahap keaslian mereka.

Pemeriksaan kepatuhan, penyelarasan dokumen dan e-mel, penyelidikan undang-undang, dan laporan kewangan sebelum kehadiran AI adalah kerja penting yang menyusahkan. Beacon, Sardine*, Gradient Labs, Harvey, Hebbia, dan Rogo menggunakan model moden untuk merangkum ratusan dokumen dan sumber data, kemudian memberikan jawapan atau mengurus proses. Produk-produk ini tidak mungkin wujud beberapa tahun yang lalu. Tetapi tugas itu sendiri adalah tua.

Saya adalah penasihat Sardine.

Jika anda melakukan pengurusan perbelanjaan, pengurusan akaun, atau membantu orang membayar, tugas pelanggan lama masih ada, tetapi tugas baru juga muncul di sampingnya. Terdapat beberapa jenis yang berbeza.

Tugas: Bantu saya mengurus penggunaan AI. Panel token Ramp adalah tugas yang diciptakan oleh AI, yang berada di dalam produk yang sudah ada. Anda mungkin berargumen bahawa panel kos bukanlah sesuatu yang baru. Vantage dan Datadog telah lama menetapkan harga untuk perbelanjaan awan dan komputasi. Perbezaannya ialah bil. Sebelum AI memberi anda bil token, tiada siapa yang perlu mengklasifikasikan, meramal, atau membezakan kos token sebagai COGS dan OpEx. Di Ramp, perbelanjaan token AI meningkat sebanyak 20.7 kali antara Jun 2025 hingga Jun 2026. Metronome kini milik Stripe, yang berada di hujung tugas yang sama, bertanggungjawab untuk mengukur dan membuat bil terhadap penggunaan ini.

Tugas: Bantu agen saya menyambungkan ke produk anda dan menyelesaikan tugas. Syarikat-syarikat seperti Mercury, Visa, dan Ramp sedang melancarkan antaramuka baris arahan (CLI). Stripe yang sudah lama beroperasi telah melancarkan CLI sendiri tujuh tahun lalu. Tetapi selepas pelancaran Claude Code, penggunaannya meningkat tajam. CLI adalah antaramuka pengguna yang menggunakan baris arahan (terminal), bukan aplikasi atau laman web. Agen merasa antaramuka ini lebih mudah dinavigasi. Selain itu, penggunaan CLI menghabiskan jauh lebih sedikit token. Sebagai contoh, menjalankan Ramp CLI dalam mod --agent, transaksi akan dipulangkan dalam format JSON, sekitar 105 token. Menjalankan transaksi yang sama dalam mod --human memerlukan 280 token untuk pemformatan dan paparan. Inilah antaramuka produk yang direka khas untuk “pelanggan bukan manusia”.

Tugas: Bantu kedai anda ditemui oleh agen AI. Sekitar sepertiga generasi Z kini menggunakan AI berbanding Google untuk menyelidik apa yang hendak dibeli. Jika kedai dan SKU anda tidak ada di sana, anda mungkin akan kehilangan peluang. Syarikat-syarikat seperti Shopify, WooCommerce, serta penyedia perkhidmatan pembayaran (PSP) yang membantu peniaga e-dagang, kini juga sedang mengoptimumkan aspek ini.

AI menciptakan satu kelas keperluan baru di samping perniagaan anda yang sedia ada. Peluang anda ialah membina antaramuka untuk memenuhi keperluan ini. Tidak perlu mentransformasikan keseluruhan perniagaan segera.

Tetapi bayangkan sebuah masa depan: agen menguasai 80% hingga 90% trafik internet, perniagaan, dan ekonomi. Jika ini sedikit pun benar, bagaimana anda akan menyesuaikan semula perusahaan dan naratif anda? Apakah unit nilai utama yang anda cipta? Bagaimana ia sesuai dengan pelanggan itu?

Dalam eksperimen pemikiran ini, kita mesti melepaskan pemikiran bahawa AI sebagai fungsi tambahan di atas perniagaan yang sedia ada.

Beberapa masalah tidak wujud sebelum ledakan AI. Ia juga bukan hanya datang daripada penggunaan AI yang mudah.

Bagaimana saya boleh mempercayai agen ini dalam menangani data saya, atau keputusan yang dibuatnya? Kita sedang memasuki dunia di mana agen yang dibangun oleh pihak ketiga mungkin berinteraksi dengan perniagaan anda. Anda memerlukan cara untuk memastikan bahawa agen-agen ini selamat, boleh dipercayai, mengurus privasi, dan terdapat entiti undang-undang yang bertanggungjawab di belakangnya. Pola yang mudah ialah agen berada di dalam penyedia SaaS yang sudah anda gunakan dalam perjanjian perniagaan anda. Tetapi agen semakin menjadi produk itu sendiri. Ia mungkin datang dari laboratorium seperti Anthropic, syarikat rintisan, atau jabatan dalaman. Saya melihat syarikat-syarikat membina atau membeli bungkusan atau lapisan kawalan (seperti Primitive) untuk membungkus agen-agen ini. Kaedah lain ialah AIUC, yang bertujuan untuk mengesahkan dan mengesahkan agen-agen tersebut.

Bagaimana saya boleh mempercayai agen ini untuk melakukan transaksi? Jika sebuah agen muncul di kedai anda dan cuba membeli sesuatu, bagaimana anda mengetahui reputasinya, atau siapa penciptanya? Adakah pengguna mengesahkan agen tersebut untuk membeli barang? Terdapat beberapa standard baru yang muncul, seperti A2A milik Google, Trusted Agent Protocol milik Visa, dan FIDO yang sedang membina standard identiti. Namun, kita masih berada pada peringkat yang sangat awal. Syarikat-syarikat seperti Natural Payments, Skyfire, dan A-comm sedang menanam bendera di sini. Mereka menguruskan bahagian di mana agen sebenarnya menggerakkan wang dalam alur kerja perniagaan agen.

Bagaimana saya mendapatkan inferens dan pengiraan dengan kos yang lebih rendah? Brex menyatakan bahawa syarikat akan menambahkan penyedia komputasi terbuka pertama dalam tempoh lima bulan selepas menghasilkan kos API OpenAI atau Anthropic pertama. Lima bulan. Satu minit sebelumnya anda membayar kos API kepada makmal model. Minit seterusnya anda membandingkan Together AI, Fireworks, dan Baseten. Anda menentukan di mana beban kerja berjalan dan bertanya kepada kewangan bagaimana untuk mengimbangi kos. AI mencipta satu rantai bekalan perisian, kemudian bermula membina tumpukan modal di bawahnya. Nvidia dan Wall Street cuba menggerakkan 500 bilion dolar AS di sekitar lapisan ini.

Sumber: Brex Benchmark; Data kad dan pembayaran bil Brex, Januari 2021–Jun 2026

Pekerjaan ini lebih besar daripada fungsi. Ia merangkumi produk, data, identiti, dan dana. Sekali ia merangkumi produk, masalahnya menjadi siapa yang dipercayai pelanggan berada di atasnya.

Saya tidak mahu agen anda. Saya mahu agen saya masuk ke dalam produk anda.

Kebanyakan pelanggan perniagaan akhirnya akan menjalankan sesuatu yang berupa platform kawalan atau shell: satu tempat untuk mengatur agen-agen yang mereka miliki, melintasi alat-alat yang mereka gunakan. Agen kewangan untuk CFO, agen pengkodean untuk jurutera, dan agen pembelian untuk pasukan operasi akan menguruskan belanjawan, mengesahkan, dan memantau dari satu lapisan di atas produk.

Pengguna juga akan mempunyai versi mereka sendiri. Sama ada Grokbot atau Instinct, aplikasi pengguna baru dari OpenAI atau Google, atau Apple akhirnya membuat Siri tidak lagi seburuk dulu, pasti akan ada sesuatu yang mempertimbangkan pengguna di seluruh produk.

Garry Tan menyatakan dengan tepat mengenai ancaman yang dihadapi perisian semasa:

Sistem rekod telah memiliki data, kebenaran, dan pengagihan yang diperlukan untuk shell. Masalah mereka ialah, lapisan pengaturan baharu boleh diletakkan di atasnya, menjadikan setiap produk di bawah sebagai penyedia yang boleh dipanggil.

Ini membawa tiga pilihan strategik:

Miliki pengurusan. Jadi tempat pelanggan melihat, mengesahkan, dan mengurus setiap agen.

Memiliki titik kawalan yang boleh dipercayai. Walaupun orang lain memiliki kulit luar, identiti, reputasi, penghalaan, pembelian, dan penyelesaian tetap mempertahankan nilainya.

Jadikan produk yang paling mudah dipanggil untuk setiap cangkang penting. CLI, API, dan antaramuka agen adalah penyaluran. (Ini adalah jawapan yang betul untuk lebih ramai daripada yang anda sangka)

Salesforce dan sistem inti perbankan tidak akan melepaskan keunggulan merekat yang telah mereka miliki dengan mudah. Ini bukan semata-mata teori agregasi. Sistem rekod boleh menjadi cangkang; pakar boleh memiliki titik kawalan; produk boleh diedarkan melalui semua ini.

Ketegangan ini adalah intinya. Hadiahnya mungkin merupakan bidang kawalan. Ia juga mungkin merupakan perkara penting yang diperlukan oleh setiap bidang kawalan.

Kembali kepada tiga pengasas yang saya bincangkan sebelum ini.

Jawapan sentiasa berfungsi. Gunakan produk ikutan.

Cari kerja yang dicipta oleh AI di samping nilai yang telah anda serahkan. Bina antaramuka untuknya.

Kemudian tentukan bagaimana ia disebarkan. Anda boleh memiliki kulit luar, dengan titik kawalan yang boleh dipercayai di dalamnya, atau menjadi produk yang boleh dipanggil dengan lancar dari semua kulit luar.

Inilah maksud mencipta semula diri sendiri. Anda bermula dengan menggunakan AI untuk mengendalikan diri sendiri. Anda menggunakannya untuk membuat pekerjaan lama menjadi lebih baik. Kemudian, anda mendaki ke pekerjaan yang tidak wujud sebelum model menyebabkan masalah kepada pelanggan.

Ramp mencapai 44 bilion dolar bukan kerana pengurusan caj yang paling baik. Ia sampai ke sana kerana pelabur percaya bahawa AI mampu mencipta permintaan baru secara berterusan di samping intinya. Dan Ramp mampu menangkap kelajuan itu.

Pilih kerja. Pilih antaramuka. Agihkan ia.

(Secara standard perusahaan kewangan, pertumbuhan Ramp sangat luar biasa: TPV (jumlah pemprosesan keseluruhan) meningkat 170% secara tahunan sehingga Mac, laju tercepat dalam tiga tahun, sementara skala perniagaannya telah meningkat sebanyak 20 kali ganda.)