Новость об оценке Ramp в $60 млрд может звучать как далекий сюжет с американского венчурного рынка. Но для владельца бизнеса здесь есть очень практичный смысл. Компании уже тратят деньги не только на людей, софт и рекламу, но и на AI-инструменты, агентов, токены и автоматизации. И рано или поздно кто-то должен понять, что именно купили, зачем и окупается ли это.

Скажем, в интернет-магазине маркетинг подключил несколько AI-сервисов для контента, поддержка тестирует чатбота, а операционный менеджер собирает сценарии в Make или n8n. На первый взгляд, всё хорошо: команда экспериментирует. Но финансовый директор быстро теряет прозрачность. Кто что оплачивает? Какой сервис действительно помогает, а какой просто висит в подписках? Где дублирование? И вот тут начинается самое интересное.

Ramp уже продает не просто контроль расходов, а контроль AI-денег

Как пишет TechCrunch Startups, Ramp привлекла $1,85 млрд в новом раунде, который оценил компанию в $60 млрд. Это произошло всего через четыре месяца после предыдущего раунда на $750 млн с оценкой $44 млрд.

Раунд возглавили Dragoneer Investment Group, Thrive Capital, Founders Fund, Sands Capital и Avenir Growth. В общей сложности Ramp уже привлекла около $5 млрд.

Операционные цифры тоже показательны. Компания заявляет, что ее годовая выручка в пересчете на темп роста превысила $2 млрд. В июне она сообщала о $1,5 млрд. Клиентская база выросла до 85 000 компаний против 70 000 в июне. Среди клиентов названы Visa, Uber, Shopify, Robinhood, Anduril, Notion, Cursor и Figma. Ramp также говорит, что проводит более $275 млрд годового объема покупок, на 175% больше, чем годом ранее.

Но главное не сама оценка. Ramp давно вышла за рамки классического expense management. Компания заходит в платежи, выявление мошенничества, закупки, управление поставщиками и бухгалтерию. Параллельно она встраивает AI-агентов в закупки, расходы, бюджетирование и другие продукты.

Отдельный сигнал для рынка: Ramp запустила корпоративную карту, рассчитанную на использование AI-агентами. В августе компания также вышла в model routing, чтобы работать с рынком AI inference. Логика понятна: помочь клиентам управлять использованием моделей, контролировать AI-токены и расходы на них.

Еще один продукт, Glass, собирает и запоминает AI-автоматизации, промпты и навыки, которые сотрудники создают внутри компании. То есть знания не теряются в личных чатах и документах, а становятся общим активом.

Что из этого полезно малому и среднему бизнесу

Украинской агентстве, клинике или службе доставки не обязательно уже завтра заводить корпоративную карту для AI-агента. Но направление понятно: AI-расходы нужно учитывать так же внимательно, как рекламу, зарплаты или складские остатки.

Представим маркетинговое агентство. Один специалист платит за генерацию изображений, другой тестирует AI для аналитики, третий покупает доступ к модели, которая помогает делать отчеты. Без правил это быстро превращается в хаос из подписок. С правилами видно, какие инструменты экономят часы, а какие просто хорошо выглядят на демо.

Начать можно без сложной системы:

  • собрать все AI-сервисы и автоматизации, которыми уже пользуется команда;
  • привязать расходы к процессам: поддержке, продажам, маркетингу, финансам;
  • определить, кто имеет право запускать платные интеграции и AI-агентов;
  • настроить базовый мониторинг результата: время, деньги, качество, риски.

Есть и неприятная часть, о которой лучше подумать до первой ошибки. AI-агент с доступом к платежам или закупкам не должен работать без лимитов и журнала действий. Автоматизация финансов без согласований может создать больше проблем, чем пользы. А model routing и контроль токенов имеют смысл тогда, когда компания уже реально использует LLM в процессах, а не просто экспериментирует раз в месяц.

Наша позиция проста: история Ramp не о том, что всем нужно копировать американский финтех. Она о взрослении AI в бизнесе. Сначала компании восхищаются возможностями. Потом приходит вопрос контроля. И выигрывают те, кто умеет сочетать автоматизацию с финансовой дисциплиной.