让你公司财务自动化的440亿美元公司

摘要

• Eric Glyman 用市场份额来定义 Ramp 的规模：平台服务超过70,000家企业，承载美国企业卡交易量的3%以上，以及所有企业交易的近1%。 Ramp 的核心指标与行业相反：客户采用产品后少花了多少美元、少耗了多少小时，而不是多花了多少。典型客户每年削减超过5%的开支，收入中位数增长16%，而美国平均增速仅为3%–4%。“省下的一美元，胜过赚到的一美元。”
• 本期最值得交易的判断是，Glyman 认为 token 支出将成为企业开支的第三个超大类，与薪资和供应商并列。 他援引市场传闻称，Anthropic 在拿到第一笔收入3年后，年化收入已超过500亿美元；他认为，预计约1年内 OpenAI 加 Anthropic 的年收入将超过3,000亿美元“相当保守”，相当于 token 支出约占美国GDP的1%。软件的边际成本可以为零，但每一项工作都对应边际成本，因此必须被管理。
• Ramp 正围绕一个已观察到的套利机会，构建 token 支出管理能力：最新、最强的模型出现约6个月后，开放权重模型可能达到同等水平，而成本只有前者的1/100。 Ramp 等公司正专注于把工作路由到更低成本的模型，并帮助客户分类 AI 支出——究竟属于运营费用还是研发、由谁产生、带来了什么回报。据称 Uber 的 CTO 曾表示，公司一个季度就花完了已拨付的 AI 预算；5年前，没有企业会为这类支出单独做预算。
• 当被问及 Ramp 的真正竞争对手时，Glyman 点名的是 AI 实验室，而不是传统金融机构——因为金融机构卖的是资金、奖励、贷款或收益率，而“我们真正想卖给你的其实是时间”。 两者都在提供知识劳动和智能，Ramp 的防线是成为“资金真正流动的那一层”。与此同时，Ramp 已连续5个季度加速增长，在数十亿美元规模上实现业务翻倍。
• 谈到 AI 和人才时，他说“幂律正在变得更加极端”——在某个具体领域，最优秀的人可能比其他人高效1,000倍；而 LLM 让“极其坚定的通才”能够越过专业边界，这使传统专业化组织架构受到质疑。 他的巴别塔例子是：10个人时，员工会说“我在 Ramp 工作，我是一名工程师”；到了200人或500人，大家主要以销售、设计师或工程师自我定位，信息必须通过越来越复杂的结构“向上传、再向下”传递。
• 招聘看重实际产出而非简历，也是一次有意利用定价错位的交易：Glyman 认为，可以在市场给他们定价之前，合理识别出 MIT 大一新生中最聪明的人，因为到了大三或大三暑假，他们就会直接与量化公司和 AI 实验室竞争。 他最常举的例子，是一名通过痴迷于搭建 Minecraft 服务器而被发现的工程师；这名工程师靠此赚出数十万美元支付大学学费，同时还认识其他 Minecraft 开发者。
• 最终目标不是堆叠一组软件产品，而是打造自动驾驶的财务基础层：Glyman 希望 Ramp 替客户完成重复、低价值的工作，让企业主可以雇用 Ramp 记账、以最低成本向供应商付款，并优化营运资本。 这样，企业主和财务团队就能把精力放在客户、产品以及下一美元应该投向哪里。他还预计，未来代理会按照程序化政策彼此谈判，代表企业完成采购。
• 值得保留的 AI 价值框架，是空调类比：空调行业没有什么“伟大的强盗资本家家族”，但拉斯维加斯和迈阿密的存在都离不开它。 生态系统创造的价值远远超过发明者捕获的价值，因此问题在于：在“智能极其充足的世界里”，应该建设什么。Glyman 的判断是，充足的智能会推动人和代理进行更多支付，从而提高基础设施对每一美元、每一小时的追踪、控制和使用效率要求。

精读

1. 计分板：少花钱、少耗时，覆盖美国企业卡交易量的3%

• Glyman 对业务的概括是：Ramp 已服务超过70,000家公司，承载美国企业卡交易量的3%以上，以及所有企业交易的近1%。公司给自己设定的指标与行业相反：客户采用 Ramp 后少花了多少美元、少耗了多少小时。
• 典型客户每年削减超过5%的开支，客户收入中位数增长16%，而美国平均增速为3%–4%——“省下的一美元，胜过赚到的一美元。”
• “零触发费用”背后的产品机制，是让政策驱动行为的智能卡：刷卡后实时完成政策校验，抓取商户数据，自动填写备注，推送至会计系统，流程结束。它取代了纸质收据、另一个独立系统，以及一个月后再手工处理的一小时工作。Glyman 的类比是，Tesla 的设计目标是从A点开到B点而不占用你的注意力；“Ramp 想对财务流程做同样的事。”

2. 创业时的逆向选择：在一个靠推动支出来赚钱的行业里卖节省

• Ramp 进入的是一个人们认为它“晚了175年”的信用卡行业，行业标准模式是积分和倍数奖励——“去多花钱”。这与 CFO 想要的东西“完全相反”。Glyman 的逆向思考是：“如果我不再想办法让你因为花超出计划的钱而稍微变得更糟，而是非常努力地帮你少花钱，会怎样？”
• 这又引出了后续问题：为什么每笔采购都要经过两个系统？为什么账单、采购和资金管理要使用不同工具？Glyman 说，Elon 的算法——质疑需求、删掉步骤、简化、加速，然后自动化——一直在激励 Ramp，也为其指明方向。产品“说到底只是脚手架和形态”，用来交付节省美元和时间的服务。
• Senra 总结出的北极星指标得到 Glyman 确认：每个新产品首先都要回答一个问题——它是否为客户节省了时间或金钱。

3. AI 放大坚定的通才，也在挤压组织架构

• 过去一年“最让我大受震动”的判断是：LLM 读过的代码比任何在世工程师都多，读过的医疗病例文本比任何曾经或可能存在的医生都多，也看过比任何会计师都多的申报文件和科目表。因此，“只要我能提出一个好问题，我这辈子就是自己做过的最好的医生，尽管我根本不是医生。”一个足够执着的通才可以越过某项专业的边界，而不是立刻把问题交给另一位专家。
• 与此同时，“幂律正在变得更加极端”：在某个具体领域，最高效的人可能比其他人高效1,000倍，人才回报也因此比以往任何时候都高。Glyman 要找的既是能力上的尖峰，也是足够强的决心。
• 他的组织诊断是：10个人时，有人会说“我在 Ramp 工作，我是一名工程师”；到了200人或500人，身份会变成“我是在 Ramp 做销售的人”。人们按专业自我定位，主要在专业内部互动，最终形成一座“巴别塔”，信息必须“向上传，再一路向下”传递。当产品人员可以借助工具完成销售、跟进客户和路演时，组织可能不再需要那么多专业分工，也应该重新审视自身是否适配正在进入的世界。

4. 招聘：实际产出、被低估的大一新生，以及动机匹配

• Glyman 认同 Tobi Lütke 的人生故事筛选法，并给出了自己的例子：Ramp 的一批工程师，是通过他们青少年时期对 Minecraft 的痴迷被发现的，其中有人每周玩80–100小时，并搭建私人服务器。有人靠搭建有趣的产品赚出数十万美元支付大学学费，很年轻时就成了小企业经营者。没有大学学位，或不够“全面”等传统筛选条件，都可能错过这样的人。“我没那么在意简历写了什么，更在意实际产出。”
• Ramp 会寻找活跃的 GitHub 贡献者，以及“古怪边缘社区”中的领头人，并高度依赖内部推荐。Glyman 说，和一个人共事2个工作日，提供的信息比15小时的面试流程更多。
• 他把招聘视为利用定价错位的策略：一个学期内，完全可以合理识别出 MIT 最具资质的前50名学生，而传统招聘往往要等到大三或大三暑假。到那时，“市场已经定价完成”，竞争者包括量化公司和 AI 实验室。更早找到有潜力的大一新生，交给他们责任，就能形成良性循环，让其他优秀新生跟着加入。
• 第二道筛选是动机。“如果他们可以去让人类成为多星球物种，或者研究人工通用智能，我不该自大到以为他们就应该想来 Ramp 工作。”Glyman 会把一个人希望自己在5年、10年或15年后处于什么位置，与 Ramp 的使命进行对照；如果看不到两者目标之间的明确联系，“就别浪费彼此的时间”。

5. 长期任职意味着吞吐量；搭便车者会损害标准

• 在 Senra 提出的 Spotify 式任期与 Elon 式任期之争上，Glyman 的结论是两者兼顾：尽早找到优秀的人，并让他们“长期、长期、长期”留下来。信任让同事能够替对方把话说完、相互依赖，并以更高速度行动。Senra 讲到的辅助案例包括 MrBeast 的运营负责人在片场提前回答所有反对意见——“这不是100小时能做到的事”——以及 Munger 和 Buffett 最终无需打电话就知道彼此在想什么。
• Glyman 的总结是：在强文化和高信任的组织里，“不一定是人才水平不同，而是这个组织每一个小时的吞吐量都高得多。”
• 反面同样明显：薪酬相近、持股相近，却不承担应有工作的人。Glyman 认为，这是组织最不该容忍、也最具破坏性的现象之一，因为它传递出组织并不“真正尊重不断提高标准的追求”。“铁要靠铁来磨。”他对自己的定位是：“我不认为自己是 Ramp 最聪明的人，差得远，遗憾的是……我的工作是为这些人扫清障碍。”

6. 自动驾驶财务：把重复劳动变成资源配置

• Glyman 说，许多学习会计和金融的人，原本希望做资源配置、改善决策、处理有意义的问题，但由于底层系统碎片化且难以操作，最终把80%或90%的时间耗在重复性的费用、账单、流动性滚动结转和预测上。
• Ramp 正试图压缩工具栈，同时连接支付、审计轨迹、政策和完整财务数据。系统应该能够判断一美元究竟带来了收益、保持中性，还是被浪费，从而让财务团队不再只回顾过去，而是把注意力放在客户、产品，以及下一美元应该投向哪里。
• 他的终局是自动驾驶式的财务工作：“这些重复、低价值的工作由系统替你完成。”一个擅长制作优质播客、却不想记账、以最低成本向供应商付款或优化营运资本的小企业主，可以雇用 Ramp“替你、也和你一起”完成这些工作。目标是通过移除繁琐劳动，让创业变得更容易。

7. 用挂在墙上的实体计分板落实激励一致

• “客户赢，我们才赢”是 Ramp 6条价值观之一；相比之下，Glyman 小学有20条让人记不住的价值观，这里的数量是经过刻意控制的。Ramp 接入客户的会计软件，将其作为事实来源，并衡量拦截的金额、自动化的费用报告数量和节省的小时数。公司每月查看计分板：它挂在墙上，数据会发布到最大的 Slack 频道，也可以通过内部 Ramp Research agent 查询，还会出现在面向潜在客户会议的第一页幻灯片上。
• 一个具体例子是商户匹配。像“UBR STAR 478”这样的账单描述，曾迫使财务团队运行数据透视表，才能确认自己在 Uber 花了50,000美元。Ramp 把这项工作自动化，并将每家公司节省的一小时在20,000家公司范围内持续累加。Glyman 对自家产品也留有余地：“Ramp 已经很不错了，但我不认为它已经足够好。”
• Senra 将这一做法与 Ken Griffin 受 Saudi Aramco 启发、用巨型屏幕展示的仪表盘联系起来；那套系统帮助 Citadel 降低了风险。Bezos 关于投资于不变之物的理念也与此相通。Glyman 认同这一点：100年前，人们就希望每一美元、每一小时发挥更大价值；100年后也仍会如此。“我希望这是我此生最后参与的一家公司。”

8. Token 支出、代理支付，以及为什么 AI 实验室才是真正的竞争对手

• Glyman 的空调类比是在问：如果AGI几乎已经到来，我们应该建设什么？空调行业没有什么“伟大的强盗资本家家族”，但拉斯维加斯和迈阿密之所以存在，都离不开这项技术；这些生态系统创造的价值远远超过发明者捕获的价值。他的问题是，在“智能极其充足、易于获得且价格低廉的世界里”，什么会变得可能。
• 他认为，充足的智能将引发人类、代表人类行动的代理，以及一般意义上的代理之间的支付爆发。这会进一步提升对基础层的需求：追踪、控制每一美元和每一小时，并从中获取更多价值。他预计 token 支出会成为继薪资和供应商之后的第三大企业开支类别，因为通过 token 完成的知识工作，每项任务都有边际成本。
• 这些数字让问题不再抽象：市场传闻称，Anthropic 在拿到第一笔收入3年后，年化收入已超过500亿美元。Glyman 认为，预计约1年内 OpenAI 加 Anthropic 的年收入将超过3,000亿美元“相当保守”，相当于 token 支出约占美国GDP的1%。据称 Uber 的 CTO 曾表示，公司一个季度就花完了已拨付的 AI 预算；5年前，没有企业会为这类支出做预算。
• 路由机会在于：最新、最强的模型出现约6个月后，开放权重模型可能达到同等水平，而成本只有前者的1/100。编辑一封邮件并不需要先进到像外星文明的智能。Ramp 等公司正专注于观察请求和输出，把工作路由到成本更低的模型，并帮助客户判断支出属于运营费用还是研发、由谁产生，以及带来了什么回报。
• 同样的代理结构也会延伸到软件续费。Glyman 预计，更多组织会以程序化方式跟踪1,000个付费席位中哪些实际被使用，以及每席位价格高于还是低于市场；他说，一些组织已经在朝这个方向发展。最终，“代理会与代理谈判，代表企业采购。”
• 之所以是 AI 实验室而不是银行成为竞争对手，是因为金融机构卖的是资金——奖励、贷款和收益率——而“我们真正想卖给你的其实是时间”。Ramp 同样提供知识劳动和智能，其防线是成为“资金真正流动的那一层”，在美元流出前拦截浪费。Glyman 不认为 AI 会放缓，但他说竞争令人振奋：Ramp 已连续5个季度加速增长，在数十亿美元规模上实现业务翻倍，而这也是“我人生中最有趣的经历之一”。