Ramp 以 440 亿美元估值完成 7.5 亿美元融资，Stripe 则据报以超过 70 亿美元买下 OpenRouter。BlockTempo 引述 Simon Taylor 最新专栏称，这两笔动作押注的重点，不是传统支付业务的自然扩张，而是围绕 AI 新需求形成的业务护城河。
Taylor 在文中写道，真正被投资人买单的，是企业能否持续抓住 AI 原生需求，包括 token 支出、代理身份、模型路由等在 AI 出现前几乎不存在的客户任务。他认为，这些任务正在成为金融科技最肥厚的新利润来源。
AI 原生不是口号：Ramp 与 Stripe 的估值逻辑
文章称，Ramp 最近完成 7.5 亿美元融资，估值达到 440 亿美元。Taylor 认为，Ramp 也许并不一定需要这笔钱，但这轮融资买入的不只是增长数据，更是一套关于成为 AI 原生公司的完整叙事。
他给出的理由是，AI 正在重塑客户任务。以模型路由为例，Router 会为每一次请求寻找成本最低、质量最高的模型。按 Ramp 的说法，这项能力可为客户节省 40% 成本。
Stripe 也在搭建类似结构：底层是支付，Metronome 负责按使用量计量和计费，OpenRouter 则在 400 多个模型之间分发流量。文章写道，Stripe 为这一顶层能力支付了超过 70 亿美元。
Taylor 还提到，成长型基金都在寻找既能受益于 AI 爆发、又更具韧性的企业。他本周与 3 位接近完成大额融资的创始人交流后发现，对方反复提到的问题很接近：该怎样把自己定位为 AI 原生，公司产品又该长成什么样。
他的回答是，问题看似是定位，本质仍然在产品。
任务阶梯：旧任务、新任务与公司所处位置
Taylor 借用克莱顿·克里斯滕森的观点：客户不是购买产品，而是“雇佣”产品完成某项任务。
在金融领域，传统任务包括报销费用、核对发票、管理欺诈。这些需求在 AI 出现前就存在。现代模型可以把其中一部分做得更快、更便宜、所需人工更少，但客户想完成的事情本身没有变。
另一类任务则由 AI 直接催生，例如监控 token 支出、将每次推理请求路由到最佳模型、让代理在不交出完整身份和银行账户的前提下完成购买。Taylor 说，在 AI 把这些问题带到台前之前，客户并不存在这类任务。
他用一个 2×2 矩阵来理解“AI 原生”：一条轴是任务，区分老客户任务与 AI 创造的新任务；另一条轴是公司，区分 AI 之前就存在的公司和只有在现代 AI 条件下才可能成立的公司。
按照他的划分，Nubank 借助 NuFormer 提升信贷决策，属于“深度采用”，因为承销仍是传统银行任务。Harvey、Hebbia 和 Rogo 则是在现代模型出现后才有可能成立，但服务的仍是法律研究、金融研究等老任务。Ramp 和 Stripe 位于更受关注的区域：公司原本已经存在，同时 AI 又在原有业务旁边创造出新任务。OpenRouter 和 fal 的意义，则建立在推理成为独立产业这一前提上。
他也提醒，现实中的公司往往不会只落在一个格子里。Ramp 的支出管理业务属于旧任务，而它的 token 面板和 Router 已经进入新任务区域。Stripe 的支付业务仍在旧任务一侧，Metronome 和 OpenRouter 则把它推向矩阵右侧。
在此基础上，Taylor 又给出 3 个标签：
- 采用者：用 AI 服务已有需求，可能加入副驾驶式能力，能提升速度、降低成本、减少人力，但销售逻辑没有变。
- 受益者：既把旧任务做得更好，也抓住 AI 在相邻位置创造出的新需求。Ramp 和 Stripe 被列为最典型案例。
- 原住民：因新需求而存在。OpenRouter 在 400 多个模型间路由请求，fal 则大规模执行生成式媒体推理。若没有推理市场，这类公司就不会成立。
代理身份与模型路由，成了金融科技的新利润池
Taylor 认为，真正的机会来自任务层级的上移。底部仍是熟悉任务，顶部则是尚未被完整解决的新难题。
他写道，AI 驱动的运营模式正在改造公司的组织方式、治理结构和操作系统。团队开始围绕员工构建插件，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编写线程式代码，工程师则更深入地进入产品环节，团队也在搭建自己的内部工具。不过他强调，这只是入场券，只能带来加速，本身并不会改变企业售卖的核心内容。
文章随后举出多家企业，说明“AI 原生产品也可以服务非常老的任务”。合规筛查、文档与邮件对账、法律研究、财务报告，在 AI 出现前都是繁琐的文书工作。Beacon、Sardine、Gradient Labs、Harvey、Hebbia 和 Rogo 借助现代模型汇总数百份文档和数据源，再给出答案或管理流程。Taylor 在文中注明，他本人是 Sardine 的顾问。
对支出管理、账户管理和支付类企业而言，旧任务依然存在，但旁边已经生出一批新任务。
第一类是“帮我管理 AI 使用”。Taylor 把 Ramp 的 token 面板视为典型案例。虽然成本面板并不新鲜，Vantage 和 Datadog 多年来都在处理云和计算支出，但 token 账单带来了新的分类、预测和成本归属问题，例如区分 COGS 与 OpEx。按文中数据，Ramp 平台上的 AI token 支出在 2025 年 6 月到 2026 年 6 月间增长了 20.7 倍。被 Stripe 收购的 Metronome，正好落在同一任务链条的另一端，负责使用量计量和计费。
第二类是“帮我的智能体连接你的产品并完成任务”。Mercury、Visa、Ramp 等公司都在推出命令行界面（CLI）。Taylor 提到，Stripe 7 年前就已发布自家 CLI，但自 Claude Code 推出后，使用量激增。CLI 作为一种以终端为主的界面，对智能体更友好，且 token 消耗更低。以 Ramp CLI 为例，在 --agent 模式下，一笔交易以 JSON 返回，大约消耗 105 个 token；同一笔交易若用 --human 模式运行，需要 280 个 token 来完成格式化展示。
第三类是“帮我的商店被 AI 智能体发现”。文中提到，大约三分之一 Z 世代用户现在会用 AI 而非 Google 来研究买什么。如果商店和 SKU 没有出现在这些入口中，商家就可能错失机会。Taylor 认为，Shopify、WooCommerce 以及服务电商商家的支付服务提供商也在朝这个方向优化。
他的结论是，AI 在现有业务边上创造出整类新需求，企业的机会在于围绕这些需求打造界面，而不是立刻把整个业务完全重做一遍。
控制平面之争：谁来编排智能体
Taylor 进一步提出一个假设：如果未来智能体占据互联网流量、商业活动和经济活动的 80% 到 90%，企业该如何重新定义自身价值与叙事。
在这个设定里，问题不再是“把 AI 当作现有业务上的附加功能”，而是如何处理原本不存在的新问题。
其一是，如何信任一个智能体处理数据和做出决策。文章称，随着第三方开发的智能体越来越多地与企业互动，企业需要机制来确保其安全、可靠、隐私合规，并能追溯到某个承担责任的法律实体。简单模式是把智能体放在已有企业协议覆盖的 SaaS 供应商内部，但随着智能体越来越成为产品本身，来源可能是 Anthropic 这样的实验室、创业公司或企业内部团队。Taylor 提到，他看到一些公司在构建或采购外壳或控制平面，例如 Primitive，用于封装这些智能体；另一个方向则是 AIUC，目标是为智能体提供承保和认证。
其二是，如何信任智能体完成交易。如果一个智能体来到商店尝试购物，商家需要知道它的声誉、其创建者是谁，以及用户是否授权它购买。文章列出几项仍处早期阶段的新标准，包括 Google 的 A2A、Visa 的 Trusted Agent Protocol，以及 FIDO 正在构建的身份标准。Taylor 同时提到，Natural Payments、Skyfire 和 A-comm 正在布局这一领域，负责管理智能体商务工作流中真正动用资金的环节。
其三是，如何获得更低成本的推理和算力。Taylor 援引 Brex 的说法称，企业在首次产生 OpenAI 或 Anthropic API 费用后的 5 个月内，就会增加第一家开放计算供应商。也就是说，企业很快就会从直接向模型实验室支付 API 成本，转向比较 Together AI、Fireworks 和 Baseten 等选项，决定工作负载放在哪运行，并与财务团队讨论怎样对冲成本。文章写道，AI 已经创造出一条软件供应链，并开始在其下方形成资本结构；Nvidia 与华尔街正试图围绕这一层调动 5000 亿美元。
这类任务不再只是一个功能点，而是横跨产品、数据、身份与资金。Taylor 的判断是，一旦问题跨越多个产品层面，关键就变成客户愿意信任谁站在这一层之上。
他用一句话概括这种变化：客户并不想要“你的智能体”，而是希望“我的智能体进入你的产品”。
按他的看法，大多数商业客户最终都会运行某种控制平面或外壳，用来统一编排他们拥有的智能体与使用的工具。CFO 的财务智能体、工程师的编码智能体、运营团队的采购智能体，都将在产品之上的一层里被统一预算、授权与观察。消费者端也会出现类似形态，无论是 Grokbot、Instinct，还是来自 OpenAI、Google 的新消费应用，或者未来被 Apple 改造后的 Siri，都会有某种跨产品为用户行动的代理层。
下一步：选任务、做界面、定分发
文章最后将问题收束到 3 个战略选择。
- 拥有编排层：成为客户查看、授权和管理每个智能体的入口。
- 拥有可信控制点：即便外壳属于别人，身份、声誉、路由、采购和结算这些关键环节仍可保持价值。
- 成为最容易被重要外壳调用的产品：CLI、API 和智能体界面本身就是分发渠道。Taylor 认为，对很多公司来说，这可能才是更现实的答案。
他指出，Salesforce 和银行核心系统不会轻易放弃既有粘性优势，但记录系统可以变成外壳，专业服务可以掌握控制点，产品也可以穿过这些层完成分发。真正的奖品，也许是控制平面本身，也可能是每个控制平面都离不开的那个组件。
回到他与 3 位创始人的对话，Taylor 给出的答案始终没有变化：先找到 AI 在现有价值交付旁边新创造的任务，再为它构建界面，最后决定它如何传播。企业可以自己拥有外壳，可以在外壳内部拥有一个可信控制点，也可以把自己打造成能被所有外壳优雅调用的产品。
文末他再次强调，Ramp 估值达到 440 亿美元，并不只是因为它把费用管理做得最好，而是因为投资人相信，AI 会持续在其核心业务旁边创造新需求，而 Ramp 有能力快速抓住这些需求。
文章还补充称，按金融公司标准，Ramp 的增长“很离谱”：截至 3 月，其 TPV（总处理量）同比增长 170%，为 3 年来最快增速，而业务规模已经扩大 20 倍。