Ramp

資料來源#

• 2026 State of Scaling: The Great Sorting
• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment
• Ramp's latest data on China vs. the American AI Labs
• September 2026 Ramp AI Index: Cracks in the AI thesis, part 2

它是什麼#

這是一個美國企業用信用卡與帳單支付平台。它出現在本 Wiki 中，並非作為一項產品，而是作為一種測量工具：Ramp 的逐筆交易紀錄是資料集中唯一能觀察哪些公司何時向哪些 AI 供應商付款，以及支付多少的來源；其研究部門則以 Ramp AI Index 品牌發布這些資料的切分結果。資料集中有三份原始文件以此為基礎，且都由相同的供應商／逐筆項目分類器分類（基礎 LLM、GPU 雲端、模型服務與推論、程式碼代理程式、API 權杖、AI 圖像／影片、AI 搜尋）。

Ara Kharazian 是 Ramp 的首席經濟學家，也是下方兩封指數說明信的作者；他先前曾領導 Square 的經濟研究。Ramp 對該指數的定位——「我們的旗艦研究……追蹤美國企業如何使用 AI」——用一句話點出了相關利益衝突：這份資料集既是行銷資產，也是測量工具。

它為本資料集發布的內容#

Cracks in the AI thesis 系列的第一部分（2026 年 8 月版）不在資料集中，因此 9 月說明信歸於「上個月」的每個數字，Wiki 都是間接取得的。

這項測量工具的三項特性#

抽樣與利益衝突。 Ramp 衡量的是自己的客戶——一個積極使用企業支出服務、且樣本偏向風險投資支持企業的客群，而非美國企業的隨機樣本；它也有商業利益，希望掌握具權威性的 AI 採用資料集。指數所顯示的付費採用率（2026 年 8 月約為符合資格企業的 56%）遠高於 Census BTOS 按企業加權的 18%，也高於 OECD 所列歐洲企業的 20.2%；這項差距主要來自母體不同，而非方法差異。Wiki 採用的原則是：趨勢方向遠比絕對水準更站得住腳，每個關鍵數字都會在文中標明來源。

觀測範圍。 這條支付軌道能看到經由信用卡或帳單支付流程的採購。它適合衡量按席位及按 API 的採購，卻不適合觀察企業協議、議價後的發票，以及雲端承諾支出的提領情形——這也解釋了為何企業合約業務規模最大的兩家供應商 Microsoft（2.01%）和 Google（6.15%），在 Anthropic 為 43.8% 的序列中反而是占比最小的兩家。由於其設計所限，它也看不到自行託管的開放權重模型；這是 The Open-Weight Frontier Gap 中最重要的限制。不同切分的分母會變動，也很容易混淆：供應商占比是符合資格企業中的占比，模型服務與支出序列則是有 AI 支出的企業中的占比。

修訂。 最新月份在首次公布時資料尚未齊全，隨著延遲交易陸續入帳，數字會向上修訂。2026 年 9 月的說明信直接披露了一例——7 月最高 1% 群組的每位員工支出，從約 7.4K 美元修訂為約 8.0K 美元；比較已納入的兩個版本在重疊月份的數據，也可在其他美元與計數序列中看到相同現象（2026 年 6 月每位員工支出中位數從 $10.59 升至 $10.94；模型服務採用率從 5.77% 升至 6.00%），而二元供應商占比序列幾乎沒有變化（6 月整體採用率從 54.96% 變為 54.95%）。這會造成一種機械性的偏差，而且很容易被忽略：若以此指數最新資料點計算月對月變化，結果必然偏低，因為最新月份的資料最不完整。相關計算詳見 Firm AI-Spend Intensity and Headcount Growth。

為何它對本 Wiki 重要#

Ramp 是 Telemetry vs. Survey Measurement 所整理的 platform-administrative-records 測量工具家族中的第二個成員——營運支付軌道的人可以免費、近乎即時地計算經手交易，而且資料恰好涵蓋在該平台上進行交易的母體。Indeed 仲介職缺並計算勞動需求；Ramp 仲介付款並計算企業向哪些對象支付 AI 費用。兩者都是由營運者自己的研究部門發布資料，因此供應商誘因與測量工具都集中在同一方。相較於同一時期採用率估計介於 18%–78% 的調查，付款軌跡反映的是行為，而不是感受；相較於遙測資料，它能看到採購，卻看不到使用情況。

相關連結#

• Firm AI-Spend Intensity and Headcount Growth — 這項測量工具的主要整理處：與 Revelio 連結的人數面板、每月指數的採用率與每位員工支出切分、觀測範圍論點，以及跨版本修訂結果

• Telemetry vs. Survey Measurement — 定義這個測量工具家族，並將 Ramp 與調查、遙測及隨機化方法比較之處

• The Open-Weight Frontier Gap — 需求面切分，以及其中最關鍵的限制：支付軌道看不到自行託管的開放權重模型，而模型路由平台也會販售封閉模型

• Cost-per-Task Over Cost-per-Token — 混合權杖價格與模型層級序列，可視為買方對模型選擇的判斷

• Standardize the Infrastructure, Not the Tools — 對相同層級序列的組織層面解讀：企業統一採用全公司的模型預設值；結果可被觀察到，但此支付軌道看不見背後機制

• Anthropic, OpenAI — 這兩家供應商的企業採用競賽最常被此指數引用；指數將交叉點定在 2026 年 5 月，這是資料集中首次有跨測量工具結果一致確認這項排名變化

• 第三方於 2026-09-22 引用作為基準。 ICONIQ's 2026 State of Scaling 以 Ramp AI Index 作為 AI 採用廣度的來源——2023 年 1 月有 7.5% 的美國企業付費使用 AI，到 2026 年 7 月已升至 50% 以上——並逐字重述 Ramp 自己對低估情形的提醒（企業信用卡面板看不到免費工具，也看不到員工透過個人帳戶支付的支出）。成長型投資者在需要採用率數字時選擇信用卡支出指數而非調查，雖然只是個小訊號，卻確實反映了這項測量工具如今的地位；詳見 Telemetry vs. Survey Measurement。

資料來源#

• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment — Kharazian、Simon 與 Stevens（Ramp × Revelio Labs，2026 年 6 月），empirical：以分類器進行研究的案例。完整分析與證據說明見 Firm AI-Spend Intensity and Headcount Growth
• Ramp's latest data on China vs. the American AI Labs — Ara Kharazian，Ramp AI Index 每月說明信，2026-07-08，empirical。四張 Datawrapper 圖表沒有靜態備用版本；資料擷取流程從每張圖表取回 dataset.csv
• September 2026 Ramp AI Index: Cracks in the AI thesis, part 2 — Ara Kharazian，September 2026 Ramp AI Index: Cracks in the AI thesis, part 2，2026-09-09，empirical。取回五份 Datawrapper 資料集；兩項來源追溯陷阱（一是 CSV 中經修訂版本的 7 月支出儲存格，與正文按當時公布數字不一致；二是由 CDN 快取的價格序列，其尾端資料落後於正文）記錄在原始資料的 note: 欄位與來源註記中
• Ramp 的方法——分母定義、資格規則與供應商分類器——只記載於 ramp.com/data/ai-index，該頁面不在資料集中
• 2026 State of Scaling: The Great Sorting — ICONIQ Venture & Growth，2026 State of Scaling: The Great Sorting（2026 年 9 月，empirical）。僅作第三方引用：AI 採用序列（7.5% → 50%+）及該指數的方法說明框，轉載於第 17 頁