Financement et indicateurs financiers
Ramp a levé 1,85 milliard de dollars lors d’un tour de table mené par Dragoneer, Thrive Capital et d’autres fonds, portant sa valorisation à 60 milliards de dollars. Cette opération suit une levée de 750 millions de dollars quatre mois plus tôt, qui avait fixé la valorisation à 44 milliards. Le chiffre d’affaires annualisé a franchi la barre des 2 milliards de dollars, contre 1,5 milliard en juin, et la croissance du revenu est 25 % plus rapide que l’an passé. Ramp indique également un volume d’achats annuel de 275 milliards de dollars, en hausse de 175 % sur un an, et une base client de 85 000 entreprises, contre 70 000 en juin.
Intégration de l’IA dans l’offre produit
Le financement soutient l’expansion de Ramp au‑delà de la gestion des dépenses vers les paiements, la détection de fraude, les achats, la gestion des fournisseurs et la comptabilité. L’entreprise a introduit des agents IA intégrés aux modules de procurement, de dépenses, de comptabilité et de budgétisation. Ces agents automatisent les flux de travail en interprétant des prompts et en exécutant des actions transactionnelles, ce qui nécessite une orchestration fiable entre les API bancaires et les modèles de langage.
Ramp a également lancé une carte de crédit d’entreprise dédiée aux agents IA. Cette carte attribue des identifiants de facturation aux processus automatisés, permettant de suivre les dépenses d’API et les frais de transaction générés par les modèles. Le suivi du consommation de tokens IA et la gestion du budget token sont intégrés au tableau de bord financier, offrant une visibilité granulaire sur le coût des appels de modèles d’inférence.
Service de routage de modèles et plateforme Glass
En août, Ramp a introduit un service de routage de modèles d’inférence destiné aux clients souhaitant exploiter des modèles d’IA à grande échelle. Le service agit comme un proxy qui sélectionne dynamiquement le fournisseur (par ex. Anthropic, OpenAI) en fonction du coût, de la latence et de la conformité, tout en appliquant les politiques de dépenses définies par l’entreprise. Cette couche ajoute une complexité supplémentaire en termes de gestion de la latence réseau et de la sécurité des données d’entreprise transitant par les points d’accès du modèle.
Parallèlement, Ramp a déployé Glass, un espace de travail qui capture les automatisations, prompts et compétences créés par les employés. Glass agit comme un référentiel partagé, facilitant la réutilisation des flux d’automatisation et réduisant la duplication d’efforts. Le stockage de ces artefacts nécessite des mécanismes de versionnage et de contrôle d’accès afin d’éviter la propagation d’erreurs ou de comportements non conformes.
Enjeux techniques et concurrentiels
Le passage de Ramp à une plateforme financière alimentée par l’IA soulève plusieurs défis. D’une part, la sécurité des transactions automatisées dépend de la robustesse des modèles de détection de fraude, qui doivent identifier des comportements anormaux générés par des agents IA. D’autre part, la gestion du token spend implique la mise en place de quotas et d’alarmes pour prévenir des dépassements budgétaires imprévus, surtout lorsqu’un grand nombre d’utilisateurs déclenche des appels d’API simultanés.
Sur le plan concurrentiel, Ramp se positionne face à Rippling, qui propose également des cartes d’entreprise et des outils de dépenses. La stratégie de Ramp d’intégrer l’IA dans chaque couche du produit vise à créer une dépendance fonctionnelle qui pourrait limiter la migration vers des solutions concurrentes. Enfin, la déclaration de vouloir « être le principal moyen de gestion du token spend » indique une ambition de rivaliser directement avec des fournisseurs de modèles comme Anthropic, ce qui pourrait entraîner des tensions sur les prix d’accès aux API et sur les exigences de conformité.
