跳到正文
Y Combinator Startup Podcast(youtube.com)· Garry Tan·· 4 天前品質評分58

AI 能讓大企業像新創一樣敏捷嗎?

AI 能讓大企業像新創一樣敏捷嗎?

重點導讀

Ramp 共同執行長 Eric Glyman 說明 Ramp 如何圍繞 Glass 等內部 AI 工具重新打造自身,暫停招募讓非工程師也能送出數千個 pull request,客戶節省幅度從 5% 提升到 7.5%。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Ramp 共同創辦人暨共同執行長 Eric Glyman 認為,AI 價值的下一階段不會由實驗室獨攬,而是由數千家把智慧直接嵌入金流與工作流的專業公司瓜分。這場對談大部分時間花在 Ramp 內部的 AI 建置——編碼代理 Inspect、公司大腦系統 Glass,以及一場為期一季、用來強迫全員採用的凍結招聘——也談到創立初衷,把 Ramp 連結回 Glyman 更早的 YC 公司 Parabus。標題所謂「如何打造未來」其實只是寬鬆的框架;這一集本質上是一份 AI 時代組織重設計的個案研究,中間短暫岔題到智慧定價的經濟學。

Glyman 與共同創辦人 Kareem 帶著 Parabus 走過 2015 年夏季的 YC,後來賣給 Capital One,並在錄製本集約七年前創立 Ramp。這段歷史之所以重要,是因為 Glyman 用它來解釋 Ramp 的核心主張:金融產品可以被設計成讓客戶花得更少、而不是更多,而既有業者砸在點數與回饋上的利潤池,可以改為支撐軟體。讀者讀完應該能掌握 Ramp 目前的規模、Inspect 與 Glass 的具體運作機制、Glyman 的用人判斷準則,以及他對「99% 的公司尚未採用 AI,而 1% 的人吃掉 80% Token」的解讀。

Ramp 的優勢來自商業模式的反轉,而非卡片本身

Glyman 對 Ramp 的核心主張是:它的優勢來自決定「想要客戶想要的東西」——讓更少的錢流出企業——而不是來自卡片經濟。他在 Capital One 時看著一個流程極佳的組織如何扼殺好點子,也看到激勵機制如何讓客戶處境略為變差、以換取公司處境變好。他描述的具體機制是:發卡機構在點數上競爭,點數是他們最大的成本專案之一,於是機構的誘因變成說服客戶點數很有價值,同時悄悄讓點數貶值,或指望它們不被使用。這些團隊分屬不同部門,各自最佳化不同的東西。

產品洞察來自使用者研究。當被問到想要點數還是現金回饋時,客戶說他們「只想要銀行帳戶裡的錢多一點」。Glyman 的算術是:取消一筆被遺忘的 100 美元訂閱,月底帳戶裡就多 99 美元;而 1% 現金回饋只多 1 美元。他稱這幾乎是好上 100 倍的價值主張,並說金融產品帶來的利潤池,可以用來支撐既有業者投資不足的軟體。

指標數字(依 Glyman 所述)
Ramp 估值600 億美元
年營收逾 20 億美元
員工人數1,930 人
成長率每年超過 100%
成長加速目前比一年前快約 25%
客戶年度支出節省中位數7.5%(一年前約 5%)
美國企業平均利潤率(背景參考)8%

Glyman 說,7.5% 這個數字比成長率更讓他自豪,因為它是交換手續費收入再怎麼努力也達不到的數倍。他把第一章形容為把破碎的財務堆疊——卡片、費用、帳單、採購、差旅各自獨立的系統——「吃成一塊」,像小精靈 Pac-Man 一樣。第二章他稱為「開始的結束」,從阻止錢流出,轉向提高已花出去的錢的乘數效果,其中包括一項新的應收帳款產品。

Parabus 是史前時代的 AI 代理,教訓在於「採取行動」

Parabus 建於本集錄製的十年前,會掃描 Gmail 與 Yahoo 信箱找收據、檢查價格是否下跌,並寄信給商家要求退款——Glyman 稱它是「史前時代的 AI 代理之一」。這個點子來自一次個人的挫折:他用無痕模式訂了機票,隔天發現同一班機便宜 100 美元,讀了航空公司的退款政策、打電話,為自己和朋友拿回近 1,000 美元。他的電腦科學底子足以判斷,寫個指令碼就能爬價格、解析結構化的政策條文。

早期的推廣並不光鮮。創辦人們在紐約街頭舉牌、把朋友騷擾到極限,並靠 Reddit 一個叫 Beer Money 的子版上的一篇貼文,帶來幾百名使用者。他們把複雜度收斂到單一指標——使用者數——並以每週 10% 以上的成長為目標。進 YC 一年內,他們每天已有近一百萬使用者,並收到 Capital One 的收購要約;他們在那裡待了約兩年半。

最可轉移的教訓,是「看見」與「行動」之間的落差。Parabus 每天能在數億封 email 中看見浪費,但它唯一的補救方式是寄信給客服、然後祈禱。Glyman 說,正是這個限制,逼得 Ramp 必須坐得「離金屬夠近」,才能真正阻止錢流出去。他也談到一個推薦機制的修正:使用者研究(包括假裝成市場調查的訪談與 Craigslist 測試)顯示,人們在推薦這個 app 時,會把 25% 的費用當成但書一併說明,於是 Parabus 把推薦改成雙向——推薦別人,自己的費率就降到 20%——推薦量於是「爆量」。

「看見自己在浪費錢是一回事,能阻止那筆消費是另一回事。」

一季的凍結招聘,把 1% 與 99% 的落差攤在陽光下

Glyman 描述 Ramp 內部的分化,與他在整體市場看到的一致:1% 的人用掉 80% 的 Token,生產力變得極高。工程師的生產力提升 10 倍到 100 倍,設計師大約 2 倍,產品經理約 5 倍,這打破了傳統上每位 PM、每位設計師搭配六到八名工程師的比例。招聘需求整個反轉——團隊用 AI 用得越多,需要的人越少,但喊得最大聲的,卻是不用 AI 的團隊。

今年初,業務成長超過 100% 之際,Ramp 整整一季停止招聘。Glyman 的理由是:招聘會先消耗時間、拉低生產力,之後才提升生產力,而他不希望「學 AI」只佔用任何人 5% 的時間。他要的是那種讓人再也不想回頭的頓悟時刻。

他講得很明白,障礙不在智力,而在管線。一個被要求使用 Claude Code 的業務,會撞上終端機提示字元、套件安裝,然後發現接不上 Databricks、Snowflake、Google、Slack 或 Stripe。Glyman 對多數人 AI 體驗的形容是:一道牆後面關著一個難以置信的外星智慧,你只能隔著牆遞紙條。那些 100 倍的工程師則不一樣——他們有一套與團隊融合在一起的駕馭工具。

Inspect 與 Glass 就是那套駕馭工具,非工程師現在也能交付程式碼

Inspect 是 Ramp 的背景編碼代理,處理公司內 85% 以上的 pull request,而每位工程師的 pull request 數量仍以每月約 40% 的速度成長。它看得見工程師看得見的一切,有程式碼存取權,有自己的虛擬機器與瀏覽器。Glyman 舉的例子是:客戶的 bug 回報進來,Inspect 讀信、知道最近的程式碼變更、定位問題、寫好修正,然後回信給客戶——十五分鐘的迴圈,而不是一張招聘需求單。

最驚人的數字是,今年第二季非工程師建立了 7,000 個 pull request,兩年前這個數字基本上等於零,其中大多來自客戶體驗團隊。Glyman 把這比作豐田的改善(kaizen):離問題最近的人,可以即時改動流程。他點出的二階效應是期待值被拉高——「這件事你為什麼要等到週一才做,而不是今天」不再是個合理的問題。Ramp 過去五個月每個月都推出一個大型產品發布,而歷史上一年只有一、兩個。

Glass 是公司大腦這一層:它自動連線資料倉儲、分析套件與 Zendesk 之類的工具,套用個別使用者的許可權,支援共享技能檔,讓一套好的業務研究技巧成為所有人的預設做法,並允許在 Claude、OpenAI 與開源模型之間選擇模型。Glyman 說,1,930 名員工中有 1,925 人在過去 24 小時內用過它。更聰明的預設值對成本很重要——他推測,多數前沿模型的支出其實可以用更簡單的模型處理,而 Inspect 願意接受多花 10% 的處理時間,換取 50% 的價格降幅。

flowchart TD
    A["客戶 bug 回報"] --> B["Inspect 讀取郵件與最近的程式碼變更"]
    B --> C["定位問題、寫好修正"]
    C --> D["回信給客戶"]
    D --> E["幾分鐘內完成修正,無須開招聘需求"]
    F["員工發現更好的工作流程"] --> G["存成 Glass 中的共享技能"]
    G --> H["成為同事的預設做法"]
    H --> I["組織知識在人員離職後仍留存"]

費用政策代理是最清楚的產品範例。沙賓法案(Sarbanes-Oxley)與稽核要求,逼得必須有人審核每一筆採購,在大型組織裡這意味著高薪的人對所有東西蓋章放行或一律駁回。Ramp 的代理熟知整套政策,以 99% 的準確率核准、拒絕或標記資料不完整,並在發現政策衝突或漏洞時改寫政策。Glyman 的重點是:公司不是離散的規則引擎,它們會演化,而推理脈絡始終可追溯。

傑文斯悖論兩個月前失效了,而這就是採用現況的故事

Glyman 說,過去兩個月,傑文斯悖論(Jevons' paradox)對 AI 不再成立。歷史上,智慧價格下降 10%,會帶來超過 10% 的用量成長——鐵路與電信業的典型模式。這個關係已經斷了,他解讀為:即使模型能力持續攀升,社會的吸收能力已碰到天花板。他自己也提出但書:這可能只是區域性高點,而非永久斷裂。

他的能力時間軸是:GPT-3.5 不會算術;GPT-4 系列達到大約人類平均水準;GPT-5 與 GPT-6 已經超越。他引用納維-斯托克斯方程(Navier-Stokes)的成果,以及幾週後接連出現的數百個額外證明,作為「多數人還沒意識到這個速度」的證據。但他主張,真正的綁制約束是組織性的,不是技術性的——很少有公司問過,在這樣一個智慧已然存在的世界裡,自己的組織設計對不對。

「未來已經來了,只是分佈得極不平均,這點毋庸置疑。」

談到 Token 預算,Glyman 說得很直白:一刀切的上限是看世界的不完整方式。花 1,000 美元去賺 10,000 美元,值得再砸更多錢;花 1,000 美元在每週的準備工作上卻毫無價值,就不值得。Ramp 的立場是買 Token 而不是賣 Token,並正在建立一套衡量方式,從語意上把 AI 支出連結到成果——例如某個落地頁轉換率提升 3%、每月多帶來 5,000 美元。

未來屬於眾多專業公司,而非單一贏家

Garry Tan 提出兩個極端結局:某個實驗室能力一騎絕塵,吃下未來所有價值的錐體,那麼理想的公司數量就是一家;或者代理促成極度專業化,出現數千、數萬家各值數十億美元的公司。Glyman 強烈傾向後者,並說 Ramp 押注的就是這個。他的論據是:歷史上,發明對生態系的價值,一直超過發明者自身所捕獲的價值。

他也主張,AI 能讓笨重的組織重新像輕量級選手一樣移動。他的企業死亡理論是「消化不良」——協調成本上升、資訊被切割成孤島、該做的艱難決定沒人做。有了 AI,大型公司開始無視「越大越慢」的重力法則而成長得更快。他舉美國運通(American Express)為例:這家公司理解自己真正的產品是信任,所以一項 1850 年的運送馬車服務,才會順理成章地變成旅行支票、再變成信用卡。

到工作看得見的地方招人,並大聲開口求助

Glyman 的用人準則是薩頓定律(Sutton's Law)——往錢多的地方去。想要會打造東西的人,就去看那些經營付費 Minecraft 私服的青少年;想要演算法人才,就去看 16 歲的 MathCounts、IMO、IOI 得主。他對履歷的興趣,遠不如對「某人靠自己做出過了不起的事」的證據,但也承認標準機制仍會篩出一些還沒逼過自己的人。

他給 18 歲自己的時光機建議,是關於開口求助。每個人都表現得好像自己遊刃有餘,這讓人不敢承認自己卡住了。他把 YC 的 office hours 濃縮成三個問題:你這週成長了多少、你最大的問題是什麼、你打算怎麼做。他說自己花了很多時間在等待開口。

「身為創辦人、執行長,或單純作為一個人,你能說出口最有力量的話之一,其實就是:我需要你的幫忙。」

值得觀察的重點

這一集有兩個說法值得追蹤,而不是照單全收。傑文斯悖論失效只是兩個月的觀察,Glyman 自己也標記它可能只是暫時現象,而且這與他對 Ramp 內部生產力加速的描述互相矛盾——如果吸收能力才是綁制約束,那已經身處 1% 的公司也該慢下來,但他說的正好相反。第二個是費用政策代理 99% 的準確率,這類數字決定了自主核准究竟是一項產品,還是一項負債。同時,Glass 本週起對外部公司開放,把一個內部生產力工具變成了一條有競爭力的產品線;而 MCP 使用量兩年來以每週約 10% 的速度成長,意味著代理式介面可能成為客戶接觸 Ramp 的主要方式。這一集留下的未解問題是:Ramp 自身的轉型,對於那些一開始就沒有 100 倍工程核心、無法自行打造這套駕馭工具的公司而言,是否可複製。

讀者討論

理性交流 · 即時討論