Ramp e Stripe criam novas fontes de receita em torno de tarefas impulsionadas por IA

Autor: Simon Taylor

Tradução: Deep潮 TechFlow

Leitura da Shenchao: A IA não traz apenas aumento de eficiência, mas também uma nova série de tarefas de cliente que antes não existiam: gastos em tokens, identidade de agente, roteamento de modelos. Ramp e Stripe já construíram novos poços de receita em torno dessas tarefas; suas narrativas de avaliação não se baseiam apenas no crescimento, mas na aposta em nativos da IA. Compreender este mapa de “novas tarefas” ajuda os investidores a identificar quem está se beneficiando e quem será eliminado.

🧠 A IA criou novas perguntas dos clientes

Resolver esses problemas é exatamente onde os produtos financeiros da próxima geração estão sendo formados. Despesas em tokens, identidade de agente e roteamento de modelos quase não existiam antes da IA.

Ramp recentemente arrecadou US$ 750 milhões com uma avaliação de US$ 44 bilhões. Ela talvez não precise desse dinheiro, mas este round de financiamento comprou algo maior do que um crescimento impressionante*. Este round de financiamento comprou uma narrativa coerente sobre se tornar nativo da IA.

Essa história é credível porque está se reestruturando em torno de tarefas de clientes criadas por IA. Por exemplo, o Router encontra, para cada solicitação, o modelo com o menor custo e a melhor qualidade, o que, segundo a Ramp, pode economizar 40% nos custos para os clientes. A Stripe está montando uma pilha tecnológica semelhante: na base estão os pagamentos, o Metronome é responsável pela medição e faturamento conforme o uso, e na camada superior está o OpenRouter, direcionando tráfego entre mais de 400 modelos. Relata-se que mais de US$ 7 bilhões foram pagos na camada superior.

Cada investidor, especialmente os investidores de crescimento, está procurando empresas que se beneficiem do rápido impulso da IA e, por isso, se tornem mais duradouras. Eles querem detentar os beneficiários e evitar ao máximo os vitimados.

Esta semana, conversei com os três fundadores. Todos estão quase concluindo um grande financiamento sob o nome de AI-native. As perguntas que os três me fizeram foram parecidas:

Como devemos nos posicionar como nativos da IA? Qual deve ser o nosso produto?

Eles estão perguntando sobre o problema de posicionamento. Acho que a resposta é um problema de produto.

Este artigo é a minha resposta.

Mapa rápido:

Em qual posição você está: adotante, beneficiário ou nativo?

A IA criou uma escada de tarefas: realizar melhor as tarefas antigas; tarefas novas ao lado do núcleo; tarefas novas que ninguém resolveu

Por que o seu agente precisa de uma estratégia de distribuição?

O que fazer agora

A visão mais útil de Clayton Christensen para este artigo é: os clientes não compram seu produto; eles contratam o produto para realizar uma tarefa.

As tarefas pendentes no setor financeiro incluem: reembolsar minhas despesas, conciliar minhas faturas e ajudar-me a gerenciar fraudes. Essas tarefas existiam antes da IA. Modelos modernos podem realizar parte delas mais rápido, mais barato e com menos intervenção humana, mas assim que o cliente acorda, ainda quer exatamente a mesma coisa.

A IA também criou uma segunda categoria de tarefas: monitorar meus gastos com tokens; rotear cada solicitação de inferência para o melhor modelo; permitir que meu agente compre itens sem precisar entregar toda a minha identidade e conta bancária.

Antes da IA trazer esses problemas, ninguém tinha essas tarefas.

Penso em como me tornar nativo da IA por meio de uma matriz 2x2.

Tarefas: Tarefas de clientes antigos sempre existiram (como gerenciar fraude), enquanto tarefas criadas por IA surgiram junto com a tecnologia (como gerenciar meus gastos com tokens).

Empresa: uma empresa ou produto que existia antes da IA, ou uma empresa que existe apenas devido à IA.

Colocando os dois juntos, fica assim?

Tarefa para clientes antigos

Tarefas de cliente criadas por IA

Empresa / produto existente

Nubank / NuFormer

Ramp e Stripe

Não é possível existir sem a IA moderna

Harvey, Hebbia e Rogo

OpenRouter e fal

No canto superior esquerdo está a adoção de profundidade. O Nubank usa o NuFormer para tomar melhores decisões de crédito, mas a underwriting é uma tarefa bancária antiga.

Na parte inferior esquerda estão as posições de Harvey, Hebbia e Rogo: esses produtos não poderiam existir antes da aparição dos modelos modernos, pois realizam trabalhos de pesquisa jurídica e financeira que já existiam há muito tempo.

O lado direito é onde está o vento a favor. Quando a IA oferece aos clientes algo novo para comprar, Ramp e Stripe já tinham negócios estabelecidos. OpenRouter e fal só fazem sentido porque a inferência se tornou uma indústria.

Isso também significa que uma empresa pode ocupar mais de uma célula. O produto de despesas da Ramp está no canto superior esquerdo. Seu painel de tokens e o Router estão no canto superior direito. O negócio de pagamentos da Stripe está no canto superior esquerdo; Metronome e OpenRouter puxaram-no para a direita da tabela. Coisas raramente se encaixam limpa e facilmente em uma matriz 2x2.

Então, permita-me lançar mais um conceito para você.

Encontrei três rótulos que se adequam perfeitamente para descrever a postura da empresa:

Os adotantes usam IA para atender às suas necessidades existentes. Talvez tenham adicionado um co-piloto. Há valor real aqui. Eles podem ser mais rápidos, mais baratos e mais enxutos, mas a estrutura da linha de vendas permanece a mesma. A maioria das empresas de SaaS que adicionaram um agente pertence a esta categoria.

Os beneficiários aprimoram as tarefas antigas e aproveitam as novas demandas criadas pela IA ao lado. Ramp e Stripe são os exemplos mais claros. A gestão de despesas ainda é a tarefa central; a gestão de custos de tokens e o roteamento de modelos são novas fontes de receita ao lado.

Indígenas existem por causa de novas demandas. O OpenRouter encaminha solicitações entre mais de 400 modelos. O fal executa em larga escala inferência de mídia gerativa. Em um mundo onde não há inferência para vender, nenhuma dessas duas empresas teria negócio.

Este gráfico mostra de onde vem a demanda.

A tarefa te diz onde estão as oportunidades. Ser nativo da IA é um processo em etapas: na base estão o familiar, no topo estão os grandes desafios ainda não resolvidos. Então, suba comigo.

O modelo operacional impulsionado por IA alterou a forma da empresa, sua governança e seus sistemas operacionais. As equipes criam extensões em torno dos funcionários, conectam-se a dados internos, compartilham habilidades e redefinem quem pode fazer o quê. Product managers e designers começaram a implantar código. Engenheiros avançaram ainda mais no produto. As equipes construíram suas próprias ferramentas internas. (Para mais informações, consulte o relatório sobre o modelo operacional de IA.)

Este é o ingresso. Ele permite que você acelere, mas por si só não altera o que você vende.

Alguns produtos nativos de IA atendem a tarefas muito antigas. Isso não reduz seu grau de natividade.

Antes da chegada da IA, triagem de conformidade, reconciliação de documentos e e-mails, pesquisa jurídica e relatórios financeiros eram tarefas administrativas complicadas. Beacon, Sardine*, Gradient Labs, Harvey, Hebbia e Rogo utilizam modelos modernos para resumir centenas de documentos e fontes de dados, fornecendo respostas ou gerenciando processos. Esses produtos não seriam possíveis há alguns anos. Mas a própria tarefa é antiga.

Sou consultor da Sardine.

Se você está gerenciando despesas, contas ou ajudando as pessoas a fazer pagamentos, as tarefas para clientes antigos ainda existem, mas ao lado delas surgiram novas tarefas. Há vários tipos diferentes.

Tarefa: Ajude-me a gerenciar o uso de IA. O painel de tokens do Ramp é uma tarefa criada por IA, hospedada dentro de um produto já existente. Você pode argumentar que painéis de custo não são novidade — Vantage e Datadog têm cobrado por despesas em nuvem e computação há anos. A diferença está na fatura. Antes da IA lhe entregar uma fatura de tokens, ninguém precisava classificar, prever ou distinguir custos de tokens entre COGS e OpEx. No Ramp, as despesas com tokens de IA aumentaram 20,7 vezes entre junho de 2025 e junho de 2026. O Metronome, agora pertencente à Stripe, está na outra ponta dessa mesma tarefa, responsável por medir e faturar esse uso.

Trabalho: Conecte meu agente ao seu produto e conclua a tarefa. Empresas como Mercury, Visa e Ramp estão lançando interfaces de linha de comando (CLI). A consolidada Stripe lançou sua própria CLI há sete anos. Mas, desde o lançamento do Claude Code, o uso disparou. CLI é uma interface de usuário que utiliza linha de comando (terminal), em vez de aplicativos ou páginas da web. Agentes acham essas interfaces mais fáceis de navegar. Além disso, o uso de CLI consome muito menos tokens. Por exemplo, executar a CLI da Ramp no modo --agent retorna a transação em JSON, com cerca de 105 tokens. Executar a mesma transação no modo --human requer 280 tokens para formatação e exibição. É exatamente esse tipo de interface projetada para “clientes não humanos”.

Trabalho: Faça com que minha loja seja descoberta por agentes de IA. Aproximadamente um terço da Geração Z agora usa IA em vez do Google para pesquisar o que comprar. Se a sua loja e seus SKU não estiverem lá, você pode perder oportunidades. Empresas como Shopify, WooCommerce e provedores de serviços de pagamento (PSP) que ajudam comerciantes de comércio eletrônico também estão otimizando isso agora.

A IA criou uma nova categoria de demandas ao lado do seu negócio atual. Sua oportunidade é construir interfaces que atendam a essas demandas. Não é necessário transformar todo o seu negócio imediatamente.

Mas imagine um futuro em que agentes inteligentes representam 80% a 90% do tráfego da internet, dos negócios e da economia. Se isso tiver algum fundamento de verdade, como você reposicionaria empresas e narrativas? Qual é a unidade de valor central que você cria? Como ela se aplica a esse cliente?

Neste experimento mental, devemos nos livrar da ideia de ver a IA como uma função adicional sobre negócios existentes.

Alguns problemas não existiam antes da explosão da IA. Eles também não surgem apenas do uso simples da IA.

Como posso confiar nesse agente para lidar com meus dados ou suas decisões? Estamos entrando em um mundo em que agentes desenvolvidos por terceiros podem interagir com seu negócio. Você precisa de alguma maneira de garantir que eles sejam seguros, confiáveis, gerenciem privacidade e tenham uma entidade legal responsável por trás deles. O modelo simples é que o agente esteja dentro de um provedor SaaS com o qual você já tem um acordo empresarial. Mas os agentes estão se tornando cada vez mais o produto em si. Eles podem vir de laboratórios como a Anthropic, uma startup ou um departamento interno. Vejo empresas construindo ou comprando invólucros ou planos de controle (como o Primitive) para embrulhar esses agentes. Outra abordagem é a AIUC, cujo objetivo é underwrite e certificar agentes.

Como posso confiar nesse agente para realizar transações? Se um agente aparecer na sua loja tentando comprar algo, como você conhece sua reputação ou quem o criou? O usuário autenticou esse agente para fazer compras? Atualmente, existem alguns padrões emergentes, como o A2A do Google, o Trusted Agent Protocol da Visa e os padrões de identidade que o FIDO está construindo. Mas ainda estamos em estágios muito iniciais. Empresas como Natural Payments, Skyfire e A-comm estão plantando suas bandeiras aqui. Elas gerenciam a parte do fluxo de trabalho de comércio de agentes em que os agentes realmente movem dinheiro.

Como obter inferência e capacidade de processamento com custos mais baixos? A Brex afirma que, após a empresa gerar pela primeira vez despesas com API da OpenAI ou Anthropic, em cinco meses adicionará o primeiro fornecedor de computação aberta. Cinco meses. Um minuto você está pagando taxas de API para laboratórios de modelos; no próximo, está comparando Together AI, Fireworks e Baseten. Você decide onde executar sua carga de trabalho e pergunta ao financeiro como hedgeear os custos. A IA criou uma cadeia de suprimentos de software e começou a construir abaixo dela uma pilha de capital. Nvidia e Wall Street estão tentando mobilizar US$ 500 bilhões em torno dessa camada.

Fonte: Brex Benchmark; Dados de cartões e pagamentos de faturas da Brex, janeiro de 2021 – junho de 2026

Esses trabalhos são maiores do que funções. Eles abrangem produto, dados, identidade e fundos. Uma vez que cruzam o produto, a questão se torna: quem os clientes confiam como sendo responsável por eles?

Eu não quero o seu agente. Quero que o meu agente entre no seu produto.

A maioria dos clientes comerciais acabará executando algum tipo de plano de controle ou shell: um local para orquestrar os agentes que possuem, através das ferramentas que utilizam. O agente financeiro do CFO, o agente de codificação do engenheiro e o agente de aquisição da equipe de operações serão orquestrados, orçados, autorizados e monitorados a partir de uma camada acima do produto.

Os consumidores também terão suas versões. Seja o Grokbot ou o Instinct, novos aplicativos consumidores da OpenAI ou Google, ou mesmo a Apple finalmente tornando o Siri menos ruim, sempre haverá algo que pense no usuário em todos os produtos.

Garry Tan expressou bem bem as ameaças enfrentadas pelo software existente:

O sistema de registro já possui os dados, permissões e distribuição necessários para o shell. O problema é que uma nova camada de orquestração pode ser colocada sobre eles, transformando cada produto abaixo em um fornecedor chamável.

Isso traz três opções estratégicas:

Tenha controle. Seja o local onde os clientes visualizam, autorizam e gerenciam cada agente.

Possua um ponto de controle confiável. Mesmo que outros tenham acesso ao shell, identidade, reputação, roteamento, aquisição e liquidação mantêm seu valor.

Seja o produto mais facilmente acessível para cada importante shell. CLI, API e interfaces de agentes são a distribuição. (Isso é a resposta correta para mais pessoas entre vocês do que imaginam)

Salesforce e os sistemas centrais de bancos não desistirão facilmente das cunhas de fidelidade que já possuem. Isso não é puramente a teoria da agregação. Sistemas de registro podem se tornar carcaças; especialistas podem possuir pontos de controle; produtos podem ser distribuídos por meio de todos esses.

Essa tensão é exatamente o ponto. O prêmio pode ser o plano de controle. Também pode ser o elemento indispensável que cada plano de controle precisa.

Volte aos três fundadores com quem eu conversei.

A resposta sempre é o trabalho. Posicione o produto de acompanhamento.

Encontre o trabalho que a IA cria ao lado do valor que você já entregou. Construa a interface para ela.

Então decida como ele se espalhará. Você pode ter um shell, com um ponto de controle confiável dentro dele, ou se tornar um produto que possa ser chamado elegantemente de todos os shells.

Essa é a essência de se reinventar. Você começa usando IA para operar a si mesmo. Você a usa para fazer melhor seu trabalho antigo. Depois, sobe para cargos que não existiam antes de o modelo causar problemas aos clientes.

O Ramp atingiu US$ 44 bilhões não porque gerenciou taxas da melhor maneira. Ele chegou lá porque os investidores acreditam que a IA pode criar continuamente novas demandas ao lado do núcleo. E o Ramp capturou essa velocidade.

Escolha o trabalho. Escolha a interface. Distribua-o.

*(Segundo padrões de empresas financeiras, o crescimento da Ramp é absurdo: o TPV (volume total processado) aumentou 170% em relação ao mesmo período do ano passado até março, o ritmo mais rápido em três anos, e seu tamanho de negócio já expandiu 20 vezes.)*