作者：Simon Taylor

编译：深潮 TechFlow

深潮导读：AI 带来的不只是效率提升，还有一批此前不存在的新客户任务：token 支出、代理身份、模型路由。Ramp 和 Stripe 已围绕这些任务建立新收入池，它们的估值叙事并非单纯增长，而是押注 AI 原生。看懂这张“新任务”地图，能帮投资者分清谁在受益、谁会被淘汰。

🧠 AI 创造了新的客户问题

解决这些问题正是下一代金融产品形成的地方。Token 支出、代理身份和模型路由在 AI 之前几乎不存在。

Ramp 最近以 440 亿美元估值融资 7.5 亿美元。它可能并不需要这笔钱，但这轮融资买入的是一个比亮眼增长更大的东西*。这轮融资买入的是一个关于成为 AI 原生的连贯叙事。

这个故事可信，因为它正围绕 AI 创造的客户任务重建自身。例如，Router 为每个请求找到成本最低、质量最高的模型，据 Ramp 称能为客户节省 40% 的成本。Stripe 正在组装类似的技术栈：底层是支付，Metronome 负责按使用量计量和计费，顶层是 OpenRouter 在 400 多个模型之间路由流量。据报道，它为顶层支付了超过 70 亿美元。

每位投资者，尤其是成长型投资者，都在寻找受益于 AI 快速起飞并因此变得更持久的公司。他们想持有受益者，尽量别持有受害者。

本周我和三位创始人聊过。三人都在以 AI 原生为名接近完成大额融资。三人问我的问题都差不多：

我们应该如何把自己定位成 AI 原生？我们的产品应该是什么？

他们问的是定位问题。我认为答案是产品问题。

这篇专栏是我的回答。

快速地图：

你处在哪个位置：采纳者、受益者还是原住民

AI 创造了一个任务阶梯：老任务做得更好；核心旁边的新任务；没人解决的新任务

为什么你的代理需要分发策略

现在该做什么

你处在哪个位置：采纳者、受益者还是原住民

克莱顿·克里斯滕森对本文最有用的观点是：客户不买你的产品，他们雇佣产品来完成一项任务。

金融领域的待办任务包括：报销我的费用、对账我的发票、帮我管理欺诈。这些任务早于 AI 就存在。现代模型能把其中一部分做得更快、更便宜、需要的人工更少，但客户一醒来想要的还是同一件事。

AI 还创造了第二类任务：监控我的 token 支出；把每个推理请求路由到最佳模型；让我的代理买东西，而不必交出整个身份和银行账户。

在 AI 带来这些问题之前，没人有这些任务。

AI 原生描述的是产品。AI 创造描述的是需求。

我通过一个 2x2 矩阵来思考如何成为 AI 原生。

任务：老客户任务一直存在（比如管理欺诈），而 AI 创造的任务是随技术一起出现的（比如管理我的 token 支出）。

公司：一家在 AI 之前就存在的公司或产品，或者一家只因 AI 才存在的公司。

把两者放在一起，长这样？

老客户任务

AI 创造的客户任务

已存在的公司 / 产品

Nubank / NuFormer

Ramp 和 Stripe

没有现代 AI 就不可能存在

Harvey、Hebbia 和 Rogo

OpenRouter 和 fal

左上是深度采用。Nubank 用 NuFormer 做更好的信贷决策，但承销是古老的银行业任务。

左下是 Harvey、Hebbia 和 Rogo 的位置：这些产品在现代模型出现前不可能存在，干的是早就存在的法律和金融研究工作。

右侧是顺风所在。当 AI 给客户提供新东西可买时，Ramp 和 Stripe 已经有业务了。OpenRouter 和 fal 之所以有意义，只是因为推理变成了一个行业。

这也意味着一家公司可以占据不止一个格子。Ramp 的支出产品在左上。它的 token 面板和 Router 在右上。Stripe 的支付业务在左上；Metronome 和 OpenRouter 把它拖到了表格右侧。事物很少能干净地塞进 2x2 矩阵。

所以请允许我再抛一个概念给你。

我发现有三个标签很适合描述公司的姿态：

采纳者用 AI 服务他们已有的需求。也许他们加了个副驾驶。这里有真实价值。它们可以更快、更便宜、更精简，但销售管线结构不变。大多数加了个代理的 SaaS 公司都是这一类。

受益者把老任务做得更好，并抓住 AI 在隔壁创造的新需求。Ramp 或 Stripe 是最干净的例子。支出管理仍是核心任务；token 成本管理和模型路由则是旁边的新收入口袋。

原住民因新需求而存在。OpenRouter 在 400 多个模型之间路由请求。fal 大规模运行生成式媒体推理。在一个没有推理可卖的世界里，这两家都没有生意。

这张图告诉你需求从哪里来。

任务告诉你机会可能在哪里。成为 AI 原生是有阶梯的：底部是熟悉的，顶部是尚未解决的辉煌难题。那就跟我一起往上爬吧。

前提：用 AI 运营你自己

AI 驱动的运营模式改变了公司的形态、治理和操作系统。团队围绕员工构建外挂，接入内部数据、共享技能，并改变谁能做什么。产品经理和设计师开始上线代码。工程师进一步进入产品。团队构建自己的内部工具。（更多内容见 AI 运营模式报告。）

这是入场券。它能让你加速，但单靠它不会改变你卖什么。

第一级：老任务，用 AI 做得更好

一些 AI 原生产品服务于非常老的任务。这并不会降低它们的原生程度。

合规筛查、文档与邮件对账、法律研究和财务报告在 AI 出现前都是麻烦的文书工作。Beacon、Sardine*、Gradient Labs、Harvey、Hebbia 和 Rogo 用现代模型汇总数百份文档和数据源，然后给出答案或管理流程。这些产品几年前根本做不出来。但任务本身很古老。

我是 Sardine 的顾问。

第二级：核心旁边的新任务

如果你做的是支出管理、账户管理或帮助人们付款，老客户任务依然存在，但它们旁边也出现了一些新任务。有几种不同风味。

任务：帮我管理 AI 使用。Ramp 的 token 面板是一个 AI 创造的任务，住在一个已经存在的产品里。你可能会反驳，成本面板并不新鲜。Vantage 和 Datadog 多年来一直在给云和计算支出定价。区别在于账单。在 AI 给你一张 token 账单之前，没人需要给 token 成本分类、预测或区分 COGS 和 OpEx。在 Ramp 上，AI token 支出在 2025 年 6 月到 2026 年 6 月间增长了 20.7 倍。Metronome 现在属于 Stripe，它坐在同一个任务的另一端，负责计量和计费这种使用。

工作：帮我的智能体连接你的产品并完成工作。Mercury、Visa、Ramp 等公司都在推出命令行界面（CLI）。老牌 Stripe 七年前就发布了自家 CLI。但自 Claude Code 推出后，使用量暴增。CLI 是一种用户界面，使用命令行（终端），而不是应用或网页。智能体觉得这些界面更好导航。而且使用 CLI 消耗的 token 少得多。例如，以--agent 模式运行 Ramp CLI，交易会以 JSON 返回，约 105 个 token。以--human 模式运行同一笔交易，需要 280 个 token 做格式化展示。这就是为“非人类客户”设计的产品界面。

工作：帮我的商店被 AI 智能体发现。大约三分之一的 Z 世代现在用 AI 而不是 Google 来研究买什么。如果你的商店和 SKU 不在那里，你可能会错过机会。Shopify、WooCommerce 等公司，以及帮助电商商家的支付服务商（PSP），现在也在优化这一块。

AI 在你现有业务旁边创造了一整类需求。你的机会是构建服务这类需求的界面。无需立刻让整个业务转型。

但想象一个未来：智能体占互联网流量、商业、经济的 80% 到 90%。如果这有几分真实，你会如何重新定位公司和叙事？你创造的核心价值单位是什么？它如何适用于那个客户？

在这个思想实验中，我们必须摆脱把 AI 当作现有业务之上附加功能的思维。

第三级：因 AI 而存在的新工作

有些问题在 AI 爆发前并不存在。它们也不只是来自简单使用 AI。

我如何信任这个智能体处理我的数据，或它做出的决定？我们正进入一个世界：第三方开发的智能体可能会与你的业务互动。你需要某种方式确保它们安全、可靠、管理隐私，并且有某个法律实体在背后负责。简单的模式是智能体位于你已有企业协议的某个 SaaS 提供商内部。但智能体越来越成为产品本身。它可能来自 Anthropic 这样的实验室、一家创业公司，或内部部门。我看到公司在构建或购买外壳或控制平面（如 Primitive）来包装这些智能体。另一种方法是 AIUC，它的目标是承保和认证智能体。

我如何信任这个智能体进行交易？如果一个智能体出现在你的商店试图购买东西，你如何了解它的声誉，或它的创建者是谁？用户是否认证了那个智能体去买东西？目前有一些新兴标准，比如 Google 的 A2A、Visa 的 Trusted Agent Protocol，以及 FIDO 正在构建身份标准。但我们仍处于非常早期。Natural Payments、Skyfire 和 A-comm 这类公司正在这里插旗。它们管理智能体商务工作流中智能体实际动钱的环节。

我如何获得更低成本的推理和算力？Brex 表示，公司在首次产生 OpenAI 或 Anthropic API 费用后，五个月内就会增加第一家开放计算供应商。五个月。前一分钟你还在向模型实验室支付 API 费用。下一分钟你就在比较 Together AI、Fireworks 和 Baseten。你决定工作负载在哪里运行，并询问财务如何对冲成本。AI 创造了一条软件供应链，然后开始在它下面构建资本堆栈。Nvidia 和华尔街正试图围绕这一层调动 5000 亿美元。

来源：Brex Benchmark；Brex 卡及账单支付数据，2021 年 1 月–2026 年 6 月

这些工作比功能更大。它们横跨产品、数据、身份和资金。一旦它们横跨产品，问题就变成客户信任谁坐在它们之上。

你的智能体需要分销策略

我不想要你的智能体。我想要我的智能体进入你的产品。

大多数商业客户最终会运行某种控制平面或外壳：一个地方来编排他们拥有的智能体，跨他们使用的工具。CFO 的财务智能体、工程师的编码智能体和运营团队的采购智能体，将从产品之上的一个层进行预算、授权和观察。

消费者也会有他们的版本。无论是 Grokbot 还是 Instinct，来自 OpenAI 或 Google 的新消费者应用，或者 Apple 最终让 Siri 不那么糟糕，总会有某个东西跨产品为用户着想。

Garry Tan 对现有软件面临的威胁说得很到位：

记录系统已经拥有外壳所需的数据、权限和分发。它们的问题是，一个新的编排层可以坐在它们之上，把下面的每个产品变成一个可调用的供应商。

这带来三个战略选择：

拥有编排。成为客户查看、授权和管理每个智能体的地方。

拥有一个可信的控制点。即使别人拥有外壳，身份、声誉、路由、采购和结算也都能保持价值。

成为每个重要外壳最容易调用的产品。CLI、API 和智能体界面就是分发。（这对你们中的更多人来说是正确答案，比你想的要多）

Salesforce 和银行核心系统不会轻易放弃他们已经拥有的粘性楔子。这不纯粹是聚合理论。记录系统可以变成外壳；专家可以拥有控制点；产品可以通过所有这些进行分发。

这种张力正是重点。奖品可能是控制平面。它也可能是每个控制平面都需要的那件不可或缺的东西。

现在该构建什么，以及无人攻克的难题

回到我聊过的那三位创始人。

答案始终是工作。定位跟随产品。

找到 AI 在你已经交付的价值旁边创造的工作。为它构建界面。

然后决定它如何传播。你可以拥有外壳，在它里面拥有一个可信的控制点，或者变成能从所有外壳中被优美调用的产品。

这就是重新发明自己的含义。你从用 AI 运营自己开始。你用它把旧工作做得更好。然后你向那些在模型给客户带来问题之前不存在的工作攀登。

Ramp 达到 440 亿美元，并不是因为费用管理做得最好。它到达那里，是因为投资者相信 AI 能在核心旁边持续创造新需求。而 Ramp 有抓住它的速度。

选择工作。选择界面。给它分发。

*（按金融公司标准，Ramp 的增长很离谱：TPV（总处理量）截至 3 月同比增长 170%，这是三年来最快速度，而其业务规模已经扩大了 20 倍。）