Ramp 是一家企业，现在他们的数据是：

AI 使用率比去年增长 6300%。99.5% 的员工活跃使用 AI 工具。84% 每周使用编码 Agent。在自己搭建的内部平台上，6 周内 1500 多个应用被构建出来，来自 800 多个不同的构建者。非工程师现在占据了生产代码库所有人工发起 PR 的 12%——每个月成千上万条。他们还举办了史上最大规模的 AI Hackathon：700 人参与，100 位教练，一周内交付的东西比他们过去一整年还多。

这不是工具采购的结果，是组织和文化转型的结果。

四级 AI 能力模型

Ramp 把员工的 AI 能力分成四个级别：

L0 是偶尔用 ChatGPT，但没有改变任何工作流。 Geoff 说了一句很直接的话：如果你还在这个级别又不主动自学，你大概率不会继续留在公司。

L1 是开始探索但还没有形成复利效应。建过几个自定义 GPT，用过 Notion Agent，试用过 Claude Code，开始看到可能性，但还没有把 AI 嵌进日常工作流程。

L2 是真正开始产生价值的阶段。自己动手做了一个自动化部分工作的应用，提交了代码或者给他人的工作贡献了反馈。这个级别开始，AI 从"有意思"变成"真实产出"。

L3 是系统构建者。不只是自己用 AI，而是建基础设施来提升身边所有人的能力。这些人是杠杆，是 force multipliers。

让所有人升级的三件事

工具要匹配人所在的位置。Ramp 最初做的是把全公司转向 Claude 和 Notion AI，接入所有工作工具——门槛足够低，所有人都有机会参与并获得实际收益。这把 L0 推到 L1。

随着工具成熟提高预期。AI 能力进了招聘筛选、入职流程和绩效谈话。不是把会用 AI 当成最终目标，而是把它表达成一种必须达到的期望：把这些工具用好，是做好 Ramp 任何工作的必要条件。这把 L1 推向 L2。

预期必须和工具成熟度匹配。如果工具还没到位就提高预期，消耗的是信任感，人们会停止听你的。

组织架构：既要集中也要分散

他们走过两个弯路。最初是集中化——一个小团队给全公司建工具，需求马上超过产能。然后是去中心化——每个团队自己建自己的，结果是大量重复学习和冗余。

最后的答案是两者结合：一个小而强的中心团队负责平台、连接器、跨 LLM 和数据的管道建设，以及培训、赋能和变革管理。业务团队在平台上构建，给出反馈驱动中心团队的路线图。

这产生了真实的结果：风险分析师每个月自动化了 16 小时的手工财务建模。销售运营负责人 48 小时内替换了三个组织的基于表格的薪酬模型。L&D 负责人用 15 分钟建了一个培训模拟器。财务某人建了一个合同审查工具，每个合同节省 45 分钟。这些人没有一个是工程师。

数据民主化的四个阶段

Ramp 的数据使用路径是这样的：第一阶段，用 Notion AI，把重要数据导入 Notion 数据库。第二阶段，推出 Ramp Research，一个基于 Slack 的 Snowflake 研究工具。第三阶段，随着编码 Agent 成熟，把 Snowflake 研究编码成 Agent 可以直接调用的 Skills。第四阶段，正在做：让数据研究变成交互式和自我改进的。

每一代都打开了上一代打不开的门，然后上一代就被悄悄淘汰了。他们说了一句话很有代表性：今天在跑的工具？我们真心希望它们到六月就过时了。

文化比指令更持久

"指令会衰减。文化才会留下。"

他们的策略是：点燃尽可能多的小火苗，然后看哪些烧起来了。一个 Slack 频道 #uses-ai，现在有 1000 多成员，衍生出 40 多个团队专属频道，每个月总共产生 20000 条消息。每周五有 AI office hours，经常有 40 到 50 人以上参加。全员会议上让从 CEO 到一线运营的每个人演示他们用 AI 建了什么。

早期采纳者比任何东西都重要。每个团队里都有一个人——有野心的销售运营负责人、受挫的产品运营、渴望的数据科学家——他们开始好奇，被吸引，然后成为团队的 contagion。公司让他们被看见：全员大会 spotlight，给他们建团队级工具的资源，配对合作。公开构建创造了一种竞争动态，没有人愿意成为那个什么都没建的团队。当一个 CSM 看到风险分析师交付了一个每月节省 16 小时的东西，TA 想的不是"风险团队做得好"，而是"我能建什么？"