作者：Simon Taylor
編譯：深潮 TechFlow
深潮導讀：AI 帶來的不只是效率提升，還有一批此前不存在的新客戶任務：token 支出、代理身份、模型路由。Ramp 和 Stripe 已圍繞這些任務建立新收入池，它們的估值敘事並非單純增長，而是押注 AI 原生。看懂這張「新任務」地圖，能幫投資者分清誰在受益、誰會被淘汰。
🧠 AI 創造了新的客戶問題
解決這些問題正是下一代金融產品形成的所在。Token 支出、代理身份和模型路由在 AI 之前幾乎不存在。
Ramp 最近以 440 億美元估值融資 7.5 億美元。它可能並不需要這筆錢，但這輪融資買入的是一個比亮眼增長更大的東西*。這輪融資買入的是一個關於成為 AI 原生的連貫敘事。
這個故事可信，因為它正圍繞 AI 創造的客戶任務重建自身。例如，Router 為每個請求找到成本最低、品質最高的模型，據 Ramp 稱能為客戶節省 40% 的成本。Stripe 正在組裝類似的技術棧：底層是支付，Metronome 負責按使用量計量和計費，頂層是 OpenRouter 在 400 多個模型之間路由流量。據報導，它為頂層支付了超過 70 億美元。
每位投資者，尤其是成長型投資者，都在尋找受益於 AI 快速起飞並因此變得更持久的公司。他們想持有受益者，盡量別持有受害者。
這週我與三位創始人聊過。三人都以 AI 原生為名，即將完成大額融資。三人問我的問題都差不多：
我們應該如何將自己定位為 AI 原生？我們的產品應該是什麼？
他們問的是定位問題。我認為答案是產品問題。
這篇專欄是我的回答。
快速地圖：
你處於哪個位置：採納者、受益者還是原住民
AI 創造了一個任務階梯：更好地完成舊任務；核心旁邊的新任務；無人解決的新任務
為什麼你的代理需要分發策略
現在該做什麼
你處於哪個位置：採納者、受益者還是原住民
克萊頓·克里斯滕森對本文最有用的觀點是：客戶不是購買你的產品，而是僱用產品來完成一項任務。
金融領域的待辦事項包括：報銷我的費用、核對我的發票、幫我管理詐欺。這些任務早在 AI 出現之前就已存在。現代模型能更快、更便宜地完成其中一部分，且所需的人工更少，但客戶醒來後想要的仍是同一件事。
AI 也創造了第二類任務：監控我的 token 支出；將每個推理請求路由至最佳模型；讓我的代理購物，而無需交出整個身份和銀行帳戶。
在 AI 帶來這些問題之前，沒人有這些任務。
AI-native 描述的是產品。AI-generated 描述的是需求。
我透過一個 2x2 矩陣來思考如何成為 AI 原生。
任務：老客戶任務一直存在（例如管理欺詐），而 AI 創造的任務則是隨著技術出現的（例如管理我的 token 支出）。
Company: A company or product that existed before AI, or a company that exists solely because of AI.
把兩者放在一起，長這樣？
老客戶任務
AI-created customer tasks
已存在的公司／產品
Nubank / NuFormer
Ramp 和 Stripe
沒有現代 AI 就不可能存在
Harvey、Hebbia 和 Rogo
OpenRouter 和 fal
左上為深度採用。Nubank 使用 NuFormer 做出更好的信貸決策，但承銷是古老的銀行業任務。
左下是 Harvey、Hebbia 和 Rogo 的位置：這些產品在現代模型出現前不可能存在，從事的是早已存在的法律和金融研究工作。
右側是順風所在。當 AI 為客戶提供新購買選擇時，Ramp 和 Stripe 已經有業務了。OpenRouter 和 fal 之所以有意義，只是因為推理已成為一個行業。
這也意味著一家公司可以佔據不止一個格子。Ramp 的支出產品位於左上角；其代幣面板和 Router 位於右上角。Stripe 的支付業務位於左上角；Metronome 和 OpenRouter 將其推向了表格的右側。事物很少能乾淨地塞進 2x2 矩陣中。
所以請允許我再拋一個概念給你。
我發現有三個標籤非常適合描述公司的姿態：
採用者利用 AI 服務他們已有的需求。也許他們加了個副駕駛。這裡有真實價值。它們可以更快、更便宜、更精簡，但銷售管道結構不變。大多數加了代理的 SaaS 公司都屬於這類。
受益者把舊任務做得更好，並抓住鄰近由 AI 創造的新需求。Ramp 或 Stripe 是最清晰的例子；支出管理仍是核心任務；代幣成本管理與模型路由則是旁邊的新收入來源。
原住民因新需求而存在。OpenRouter 在 400 多個模型之間路由請求。fal 大規模運行生成式媒體推理。在一個沒有推理可賣的世界裡，這兩家都沒有生意。
This chart shows you where the demand comes from.
任務告訴你機會可能在哪裡。成為 AI 原生是有階梯的：底部是熟悉的，頂部是尚未解決的輝煌難題。那就跟我一起往上爬吧。
前提：用 AI 運營你自己
AI 驅動的運營模式改變了公司的形態、治理和操作系統。團隊圍繞員工構建外掛，接入內部數據、共享技能，並改變誰能做什麼。產品經理和設計師開始上線代碼。工程師進一步進入產品。團隊構建自己的內部工具。（更多內容見 AI 運營模式報告。）
這是入場券。它能讓你加速，但單靠它不會改變你賣什麼。
第 1 級：舊任務，用 AI 做得更好
一些 AI 原生產品服務於非常傳統的任務。這並不會降低它們的原生程度。
在 AI 出現之前，合規篩查、文件與郵件對賬、法律研究和財務報告都是繁瑣的文書工作。Beacon、Sardine*、Gradient Labs、Harvey、Hebbia 和 Rogo 利用現代模型彙總數百份文件和數據來源，並提供答案或管理流程。這些產品在幾年前根本無法實現，但任務本身卻非常古老。
我是 Sardine 的顧問。
第 2 級：核心旁的新任務
如果你從事支出管理、賬戶管理或協助人們付款，舊客戶任務依然存在，但旁邊也出現了一些新任務，有多種不同類型。
任務：幫我管理 AI 使用。Ramp 的 token 面板是一個 AI 創造的任務，嵌入在一個已存在的產品中。你可能會反駁，成本面板並非新鮮事物。Vantage 和 Datadog 多年來一直為雲端和計算支出定價。區別在於帳單。在 AI 給你一張 token 帳單之前，沒有人需要對 token 成本進行分類、預測或區分 COGS 和 OpEx。在 Ramp 上，AI token 支出在 2025 年 6 月到 2026 年 6 月間增長了 20.7 倍。Metronome 現已歸屬 Stripe，它位於同一任務的另一端，負責衡量和計費此類使用。
工作：幫我的智能體連接你的產品並完成工作。Mercury、Visa、Ramp 等公司都在推出命令行界面（CLI）。老牌 Stripe 七年前就發布了自家 CLI。但自 Claude Code 推出後，使用量暴增。CLI 是一種用戶界面，使用命令行（終端），而不是應用或網頁。智能體覺得這些界面更好導航。而且使用 CLI 消耗的 token 少得多。例如，以 --agent 模式運行 Ramp CLI，交易會以 JSON 返回，約 105 個 token。以 --human 模式運行同一筆交易，需要 280 個 token 做格式化展示。這就是為「非人類客戶」設計的產品界面。
工作：讓我的商店被 AI 智能體發現。大約三分之一的 Z 世代現在使用 AI 而非 Google 來研究購買什麼。如果你的商店和 SKU 不在那裡，你可能會錯過機會。Shopify、WooCommerce 等公司，以及協助電商商家的支付服務商（PSP），現在也在優化這一方面。
AI 在你現有的業務旁創造了一整類需求。你的機會是構建滿足這類需求的介面。無需立即讓整個業務轉型。
但想像一個未來：智能體佔據互聯網流量、商業和經濟的 80% 到 90%。如果這有幾分真實，你將如何重新定位公司和敘事？你創造的核心價值單位是什麼？它如何適用於該客戶？
在這個思想實驗中，我們必須擺脫將 AI 視為現有業務之上附加功能的思維。
第 3 級：因 AI 而存在的新工作
有些問題在 AI 爆發前並不存在。它們也不只是來自簡單使用 AI。
我如何信任這個智能體處理我的數據，或它所做的決定？我們正進入一個世界：第三方開發的智能體可能會與你的業務互動。你需要某種方式確保它們安全、可靠、管理隱私，並且有某個法律實體在背後負責。簡單的模式是智能體位於你已有的企業協議中的某個 SaaS 提供商內部。但智能體正越來越成為產品本身。它可能來自 Anthropic 這樣的實驗室、一家初創公司，或內部部門。我看到公司正在構建或購買外殼或控制平面（如 Primitive）來包裝這些智能體。另一種方法是 AIUC，它的目標是承保和認證智能體。
我如何信任這個智能體進行交易？如果一個智能體出現在你的商店試圖購買東西，你如何了解它的聲譽，或它的創建者是誰？用戶是否認證了那個智能體去買東西？目前有一些新興標準，比如 Google 的 A2A、Visa 的 Trusted Agent Protocol，以及 FIDO 正在構建身份標準。但我們仍處於非常早期階段。Natural Payments、Skyfire 和 A-comm 這類公司正在此領域插旗。它們管理智能體商務工作流中智能體實際動錢的環節。
我如何獲得更低廉的推理與算力？Brex 表示，公司在首次產生 OpenAI 或 Anthropic API 費用後，五個月內就會增加第一家開放計算供應商。五個月。前一秒你還在向模型實驗室支付 API 費用，下一秒你就在比較 Together AI、Fireworks 和 Baseten。你決定工作負載在哪裡運行，並詢問財務如何對沖成本。AI 創造了一條軟體供應鏈，然後開始在其下方構建資本堆疊。Nvidia 與華爾街正試圖在這一層調動 5000 億美元。
來源：Brex Benchmark；Brex 卡及賬單支付數據，2021 年 1 月–2026 年 6 月
這些工作比功能更廣泛，它們橫跨產品、數據、身份和資金。一旦涉及產品，問題就變成客戶信任誰坐在這些工作之上。
你的智能體需要分銷策略
我不想要你的智能體。我想要我的智能體進入你的產品。
大多數商業客戶最終會運行某種控制平面或殼層：一個用於協調他們所擁有的智能體及跨其所使用工具的平台。財務長的財務智能體、工程師的編碼智能體和運營團隊的採購智能體，將從產品之上的一層進行預算、授權和監控。
消費者也會有他們的版本。無論是 Grokbot 還是 Instinct，來自 OpenAI 或 Google 的新消費者應用，還是 Apple 最終讓 Siri 不再那麼糟糕，總會有某個東西跨產品為用戶著想。
Garry Tan 對現有軟體面臨的威脅說得很到位：
記錄系統已擁有外殼所需的數據、權限和分發。它們的問題在於，一個新的編排層可以位於其上，將下面的每個產品轉變為可調用的供應商。
這帶來三個戰略選擇：
擁有編排。成為客戶查看、授權和管理每個智能體的地方。
擁有一個可信的控制點。即使他人擁有外殼，身份、聲譽、路由、採購和結算仍能保持價值。
成為每個重要外殼最容易調用的產品。CLI、API 和智能體介面就是分發。（這對你們中更多人來說是正確答案，比你想的要多）
Salesforce 和銀行核心系統不會輕易放棄他們已擁有的黏性楔子。這並不純粹是聚合理論。記錄系統可以變成外殼；專家可以掌握控制點；產品可以透過所有這些進行分發。
這種張力正是重點。獎品可能是控制平面。它也可能是每個控制平面都不可或缺的東西。
現在該構建什麼，以及無人攻克的難題
回到我聊過的那三位創始人。
答案永遠是工作。定位跟隨產品。
在你已交付的價值旁邊，找到 AI 創造的工作，並為其建構介面。
然後決定它如何傳播。你可以擁有外殼，在其中擁有一個可信的控制點，或者變成能從所有外殼中被優雅調用的產品。
這就是重新定義自己的意義。你從用 AI 運營自己開始。你用它把舊的工作做得更好。然後你朝著那些在模型為客戶帶來問題之前並不存在的工作攀登。
Ramp 達到 440 億美元，並不是因為費用管理做得最好。它到達那裡，是因為投資者相信 AI 能在核心旁邊持續創造新需求。而 Ramp 有抓住它的速度。
選擇工作。選擇介面。為其分發。
（按金融公司標準，Ramp 的增長極為驚人：截至 3 月，TPV（總處理量）同比增長 170%，為三年來最快增速，其業務規模已擴大 20 倍。）