Eric Glyman:给 AI 有用工作所需的上下文与权限

原标题Eric Glyman: Give AI the Context and Authority to Do Useful Work

Ramp 联合 CEO 介绍如何将智能体连接到公司流程,并按创造的价值衡量 AI 支出。

EGEric Glyman嘉宾 · Ramp
频道
Y Combinator
发布
2026年11月18日
视频
54:19
阅读
13 分钟
原文
英语
在 YouTube 打开
往下滚动阅读时,视频会缩到右下角继续播放。字幕跟随阅读语言。
阅读语言共 2 种语言可读
由 AI 从英语原文翻译。打开“对照原文”可以逐段核对。
摘要

30 秒看懂

Ramp 联合 CEO Eric Glyman 说,当 AI 模型可以使用人获准访问的数据和工具时,它会有用得多。他介绍了内部编程和知识系统、共享 skill,以及旨在给员工学习新工作流程留出空间的一个季度招聘暂停。他认为,AI 支出应按结果衡量,而不是按固定 token 预算。类似原则也塑造了 Ramp 早期的金融产品:发现浪费很有用,但帮助客户阻止不需要的付款更进一步。

  1. 1发现浪费与阻止付款是两件事Paribus 可以通过客服请求退款。Ramp 的创始人希望在更接近资金流动的位置采取行动。
  2. 2采用速度不一致可能把瓶颈转移到其他团队Glyman 说,工程师提速的幅度与设计和产品岗位不同,暴露了现有交接中的摩擦。
  3. 3模型需要权限和集成才能使用公司上下文他把简单聊天框与 Inspect 作比较;他说后者可以使用工程师获准访问的代码、数据、虚拟机和浏览器。
  4. 4不看创造的价值,token 预算说明不了多少Glyman 把能够带来回报的 AI 支出,与同样金额用于低价值工作的情况进行比较。
  5. 5共享 skill 可以让有效流程传遍公司他介绍 Glass 如何按个人权限连接业务系统,并复用一个团队摸索出来的做法。
  6. 6面向客户的员工可以自己提出修复Glyman 称非工程师在一个季度里创建了 7000 个拉取请求,并描述客户故障报告到建议修改之间更短的路径。

要点建议

  1. 让智能体连接到它获准使用的信息和工具,而不是期待仅靠聊天窗口改变工作流程。
  2. Glyman 认为,应根据产生的结果衡量 AI 支出,而不是只看统一预算。
  3. 当一个职能采用 AI 的速度快于它所依赖的团队时,留意新出现的瓶颈。
  4. 招聘时寻找已经展现出的主动性,问题不清楚时明确寻求帮助。
全文

按章节阅读整理后的全文

只看原始文稿
01

从机票退款到 Paribus

一次降价促使 Glyman 和 Atiyeh 建立查找并申请退款的服务。与客户交谈帮助他们解释产品并设计推荐机制。

Eric Glyman 和联合创始人 Karim Atiyeh 最初想解决的问题是:网购商品降价后,如何帮买家拿回差价。他们的第一家公司 Paribus 会连接邮箱、找到收据、检查价格,并代表客户申请符合条件的退款。两人申请了两次 Y Combinator 才被录取。

Glyman 说,公司迅速增长,后来被 Capital One 收购。在银行工作时,他学到了大型金融企业如何使用信息,也看到某些流程和激励会阻碍好想法,或让公司利益先于客户利益。这段经历促使他思考帮助客户减少支出的产品。

Paribus 的想法来自 Glyman 自己的生活。朋友们订完机票后,他发现价格下降了 100 美元。他读了航空公司的政策,在规定期限内打电话申请;他说,一行人因此拿回了近 1000 美元。他开始想,类似情况有多少次发生了,却没人注意到?

创始团队花了大约一年尝试从哪里获取购买信息。银行卡记录没有逐项收据,邮箱里却有。他们最早用脚本检查价格并发送退款请求,接着请朋友连接账户,帮助他们测试。

早期用户来之不易:创始人举着牌子宣传,也向朋友介绍。一篇发在 Reddit 赚钱社区的帖子带来了几百位用户。在 YC 期间,他们专注于用户增长,并尽量用简单的话解释服务:商店欠消费者的钱,Paribus 会帮忙拿回来。

但这个服务听起来好得让人难以相信。Glyman 说,团队观察用户如何同时解释好处和代价——Paribus 会收取节省金额的 25%。他们推出双向推荐优惠,让推荐人和新用户的费率都降低,方便客户向朋友解释。

Glyman 说,客户向朋友介绍 Paribus 时,自然会同时提到好处和 25% 的费用。听了这些解释后,创始人意识到推荐方案应该回应用户的顾虑,而不只是要求他们推广服务。

02

围绕客户节省设计信用卡

Glyman 介绍金融激励和对支出采取行动的能力如何塑造 Ramp。公司从信用卡扩展到更广泛的财务流程。

Ramp 从类似的承诺出发:省时省钱。在 Capital One,Glyman 看到盈利丰厚的金融业务,其激励并不总与客户的需求一致。他和 Atiyeh 希望建立一家公司,让客户和服务提供商都能从减少浪费中受益。

Glyman 说,传统信用卡业务希望客户增加消费,同时控制奖励成本。在客户调研中,人们谈论积分和返现的多少,远不如谈论希望账户里多留些钱。他认为,取消一项不用的 100 美元订阅,可能比获得 1% 的返现更有意义。

Glyman 用一个简单例子解释其中的区别:取消企业不再使用的 100 美元订阅,账户里留下的钱可能远多于一笔小额信用卡奖励。他说,这让节省开支成为比增加消费额更有吸引力的产品目标。

Glyman 认为,这首先是商业模式上的认识:把金融产品产生的收入投入帮助客户的软件,而不是只在有限利润中切出更多返利来竞争。Ramp 从信用卡和费用报销扩展到账单支付等财务流程。

Paribus 可以通过邮件发现潜在节省,却必须向客服申请退款。Ramp 的创始人希望更接近资金流动本身:发现一项不需要的订阅,与能够阻止付款,是两个不同层次的行动。

Garry Tan 问,先向初创公司销售是否有帮助。Glyman 说,Cursor 和 Cognition 等企业最初都是规模很小的 Ramp 客户,后来不断成长。如果必须选择,他更愿意为未来而非过去构建产品。

03

下一章:连接工作并帮助增长

Ramp 希望连接零散的财务系统,并称正从减少支出扩展到帮助客户更有效使用时间和金钱。

Glyman 将 Ramp 的第一章描述为连接零散的财务流程。企业在工资系统与会计记录之间,往往分别使用信用卡、费用、账单、采购和差旅系统。他说,这种割裂的视图既耗时,也让浪费更难被发现。

Glyman 说,财务团队可能只为了让员工购买软件,就得教他们使用好几套系统。支出信息不完整又加重了管理负担。Ramp 的第一章试图把这些流程放进一个更简单、相互连接的视图。

他说,Ramp 现在衡量客户节省的金额和时间,并报告称客户的年度费用节省中位数为 7.5%。他说,下一章将增加应收账款和 AI 工具等功能,帮助客户收取收入,让支出产生更高效果。这些是公司的衡量结果和计划。

Glyman 问,面对 AI 能力的提升,组织是否重新设计了自身,而不是只在现有工作中加一个聊天机器人。尽管多数组织仍在适应变化速度,他认为 Ramp 的下一阶段是为另一种运营方式构建工具。

04

让 AI 在全公司发挥作用

Glyman 描述采用不均、招聘暂停以及非工程师面临的实际障碍。集成让智能体能够使用获准访问的公司上下文。

Tan 提到 Ramp 的一个统计:前 1% 的用户占了 80% 的 token 支出。Glyman 表示认同,并认为挑战在于把有效做法传播到最活跃用户之外。两人把采用问题视为组织问题,而不只是让人用上模型。

即便任务本身很熟悉,换工具也可能困难。Glyman 把让习惯 Windows 上 Excel 的财务人员转用 Mac,与要求一个人改变已沿用 20 年的工作流程作比较。他说,学习 AI 需要时间,也需要适应空间。

Glyman 说,这种转变需要耐心。让人改变熟悉的日常做法,比换一台设备提出的要求大得多;组织必须给员工时间弄清新工具能做什么。

他说,在 Ramp,一小部分人的生产力大幅提高,而不同职能采用 AI 的速度各不相同。如果工程师的速度远快于设计师或产品经理,旧组织依赖的人员比例和交接方式就可能成为瓶颈。他把这描述为协调问题,而不是所有岗位均匀提效。

Glyman 说,尽管公司仍在增长,Ramp 暂停了一个季度的招聘。招聘本身需要面试和入职培训,但他也希望学习 AI 成为核心能力,而不是一个小小的业余项目。他想创造条件,让人们找到不愿放弃的用途。

对非工程师而言,安装命令行工具并把它连接到公司数据,可能是很大的障碍。Glyman 把基础聊天界面比作隔着墙传纸条:模型可能很有能力,但它无法对触及不到的信息和系统采取行动。

Glyman 说,Ramp 的编程智能体 Inspect 可以使用工程师获准访问的数据和代码,以及虚拟机与浏览器。他称,它参与了公司超过 85% 的拉取请求,并描述了一种可能的流程:读取客户故障报告、定位改动并作出回复。

他说,Inspect 有用,是因为它连接了代码和工程师已经使用的工具,而不只是一个孤立的文本来源。在他举的例子中,客户投诉可以与近期代码变更及建议修复联系起来。

除了模型,这种工具还需要集成与身份验证。Glyman 说,Ramp 将部分内部流程标准化,但也让员工选择其他工具,公司曾试用多个 AI 实验室的产品。他并没有把一家公司的配置说成适合所有人的答案。

05

根据结果衡量 AI 支出

他认为统一的支出上限忽视了价值差异。共享数据、权限和可复用 skill 是 Ramp 的 Glass 系统的核心。

谈到预算,Glyman 反对只按支出金额判断 AI 的使用。他愿意支持花 1000 美元创造 1 万美元价值的工作,却会质疑同样金额用在回报很低的任务上。他希望把模型支出与结果联系起来,比如新落地页是否提高转化率。

Tan 问起 Glass——Ramp 共享公司知识和工作流程的系统。Glyman 说,它连接了数据仓库、分析和客户支持等核心系统,个人访问范围则遵循其应有权限。他称,在约 1930 名员工中,前 24 小时有 1925 人使用过它。

Glass 连接数据仓库、分析和支持软件等系统,让公司获得更完整的视图。Glyman 说,并非所有员工都能看到所有内容:访问应反映每个人的权限,不同公司的设置也可能不同。

共享 skill 可以让一个团队发现的有效流程供其他人使用。系统也允许员工选择模型,在成本与延迟之间权衡。Glyman 举了一个后台编程的例子:如果价格降低 50%,耗时增加 10% 有时是可以接受的。

Glyman 希望系统保留的不只是事实,还包括让公司与众不同的推理方式和做法。有人离职后,skill 文件可以保留一部分有用流程。Tan 问,这样的共享视图是否也有助于管理者发现全公司不一致的程序。

作为例子,Glyman 介绍了一个费用政策智能体:它读取公司规则,建议批准、拒绝或要求澄清。他说,这一产品达到 99% 的准确率,并能从人工覆盖结果和不完整规则中学习。这是他对 Ramp 产品的描述;其效果取决于权限,以及组织如何定义和监控准确率。

06

重新思考大型公司如何运转

两位讲者讨论信息壁垒、协调问题,以及 AI 是否能帮助大型组织加快行动。他们也讨论了企业未来的不同可能。

Tan 和 Glyman 讨论了组织中的信息壁垒如何限制信息流动、拖慢决策。Glyman 将其与年轻公司作比较:后者尚没有太多需要保护的东西,重点在创造价值。随着公司成长,协调成本和不愿作出艰难决策可能成为严重障碍。

Glyman 认为,AI 或许能让一些大型组织重新加快行动。他说 Ramp 的年收入已超过 20 亿美元,增长速度比一年前快了 25% 以上。他以公司的经历为例,同时认为其他企业也可以重新审视自己的结构。

Glyman 认为,企业有时会执着于正在销售的产品形式,却没有理解其背后的目的。当旧工具不再符合客户需求时,他认为这种区分很有用。

他以 American Express 为例:这家公司在漫长历史中改变了产品,却保持了更广泛的信任目标。Glyman 想说的是,企业应理解自己为客户完成什么工作,而不是永远用第一款产品定义自己。

Tan 描绘了 AI 未来的两种可能:少数实验室获取大部分价值,或者智能体让成千上万家高度专业化的企业成为可能。他说,不同行业的结果可能不同。Glyman 更看好分散化的可能性,但同意人们必须努力才能实现。

Glyman 认为,AI 消费量不再必然增加到足以抵消每一次降价,他把这种现象称为 Jevons 悖论的失效。他强调这是近期观察,未必持久,并推测社会吸收新能力的速度可能是一个限制。他认为成本下降正在为新创公司打开可能性。

他认为模型成本下降有机会让原本不划算的业务变得可行。他也指出,近期观察到的 AI 消费变化可能是暂时的,新模型系列可能再次改变这种规律。

07

让最接近客户的员工改变产品

Glyman 说非工程师贡献增加,发布节奏加快。他也介绍了向客户提供部分 Ramp 内部工具的计划。

Tan 回到 Glass,询问内部工具如何影响 Ramp 产品。Glyman 说,非工程师在一个季度里创建了 7000 个拉取请求,其中许多来自客户体验团队;而在两年前,这个数字几乎为零。他将此与一份故障报告经过漫长的工单和优先级排序流程作比较。

传统支持流程可能从客户投诉经过工单、产品排序、设计再到工程,有时需要几个月,或者永远排不上日程。Glyman 说,如果合适的人获得访问权限,AI 辅助修改可以缩短这条路径。

Glyman 说,如果最接近客户问题的员工能在几分钟内提出修复,产品就能持续改进,员工也有更大的行动空间。Tan 把这比作工人直接改进生产流程。Glyman 说,当同事知道一项改动可以快速完成时,彼此的期望也会提高。

Glyman 说,Ramp 最近每个月都会推出一次重大产品更新,而过去在顺利的年份可能只有一到两次。他把这一速度与增长,以及公司报告的客户节省中位数从 5% 提高到 7.5% 联系起来;这些是他对公司结果的描述,而非受控比较。

Tan 问,维护记录的公司最终是否都要成为 AI harness。Glyman 认为对 Ramp 是这样:他把 Ramp 描述为一家帮助客户更有效使用金钱和时间的生产力公司。他说,Ramp 正开始让客户使用 Glass,并预计基于智能体的界面会成为使用其产品的更重要方式。

08

寻找创造的证据,并主动求助

Glyman 在招聘中寻找实际展现出来的主动性。他建议年轻创始人说清问题并寻求帮助,而不是假装拥有所有答案。

招聘时,Glyman 寻找一个人喜欢并能够创造东西的直接证据。创建 Minecraft 服务器生意的少年,或在相关竞赛中表现出色的学生,可能比简历更具体地展示一项能力。他补充说,传统招聘方式也能找到尚未获得这些机会的人。

他的招聘方法并不局限于某一项资历。Glyman 说,做出有人使用并愿意付费的产品,可以证明一个人的主动性;竞赛则可能展示另一种解决技术问题的能力。

被问到会给年轻时的自己什么建议时,Glyman 再次提到求助的困难。人们即使遇到阻碍,也常常表现得很有把握;创始人可以说清问题、解释自己的思路,再向别人寻求指导。他记得 YC 的办公时间围绕三个问题:增长如何、最大的问题是什么,以及准备怎样解决。

同频道的其他文章

5 张幻灯片1:00:06EN → 简体中文
Y Combinator· 2026年11月14日AI 同事需要逐步建立的信任、可靠检查和清晰目标Lauren Tan, Roman Ugarte · SpaceXSIGrok Bot 开发者 Lauren Tan 与 Roman Ugarte 介绍共享机器人如何参与团队工作,以及产品方向为何依然重要。编程智能体Human-AI Collaboration开发流程与测试+2
3 张幻灯片1:00:06EN → 简体中文
Y Combinator· 2026年11月14日Grok Bot 团队:先让智能体能自查,再扩大自主权Lauren Tan, Roman Ugarte · Grok BotLauren Tan 和 Roman Ugarte 解释共享机器人、代码库约束与人类产品判断如何融入他们的工作流。智能体工程开发流程与测试Code review & verification+2
6 张幻灯片1:21:42EN → 简体中文
Y Combinator· 2026年11月8日AI 生物研究目前能做什么:从癌症数据到 DNA 设计Alfredo Gonzalez, Yusuf Roohani, Garyk Brixi, Divya Nori四位研究者介绍患者个体分析、虚拟细胞和基因组模型,区分早期实验与拟议中的临床应用。AI for scienceDrug DiscoveryFoundation Models+1
44:15EN → 简体中文
Y Combinator· 2026年11月7日Amjad Masad 与 Paul Graham 谈 Replit 如何走向 AI 编程Paul Graham, Amjad Masad · Y CombinatorReplit 联合创始人从用户观察与云基础设施谈起,介绍智能体编程的起步和他对企业工作的设想。编程智能体Vibe CodingCompany Building+2
47:14EN → 简体中文
Y Combinator· 2026年11月6日Blake Scholl:超音速飞行与可能为其提供资金的燃气轮机Jessica Livingston, Carolynn Levy, Blake SchollBoom 创始人讲述发动机合作受挫、无地面音爆飞行的物理原理,以及拟议的发电业务。EnergyEntrepreneurship
48:45EN → 简体中文
Y Combinator· 2026年10月30日Paul Copplestone:为 AI 构建者和智能体提供数据库Paul Copplestone · SupabaseSupabase 联合创始人讨论公司增长、个人数据库、便于智能体使用的工具,以及如何适应新一类构建者。基础设施与部署AI agents智能体工程+2