帕克·康拉德希望您相信，大量的数据分析应该纳入人力资本管理系统——这一说法巧妙地将Rippling定位为直接与专用商业智能工具竞争的公司，Rippling最初是一家HR软件公司。他的主张是，现代数据堆栈——公司目前从多个供应商临时拼凑而成的工具星系——可以整合成一个。将各种业务系统中的数据移动到仓库本身就是一个巨大的行业；这正是Fivetran和Airbyte等公司所做的。然后您需要一个地方来存储和查询这些数据，比如Snowflake，然后是一些用于转换和清理数据的工具，比如dbt Labs，而后是一个像Tableau这样的可视化层。康拉德的论点是，Rippling将所有这些整合成一个系统，并且包裹在其他工具缺乏的东西里：对您的组织、其不断变化的报告结构以及任何指标上升或下降时所影响的一切的内置理解。这就是今天发布的Rippling Data Cloud所旨在提供的功能。为了展示其实际运作，康拉德在他的旧金山办公室分享了他的屏幕，然后展示了Rippling在启动产品时对自己员工进行分析所发现的结果。“有员工做这样的事情，‘克劳德对我帮助很大——它分析我的日历和电子邮件，为我制订计划，’”他说。“那个人每年的支出达到30,000美元。”他迅速补充道，没有人做错什么，但投资回报率根本不存在。这是一种发现，目前大多数公司根本无法揭示。然后，他向我展示了一个实时仪表板，他只是要求Rippling AI分析他公司的最新薪酬审查周期——绩效评分的分布、各部门的晋升率、薪酬比例，所有这些都能精确到个人水平。接着他调出另一个仪表板，该仪表板交叉参考了Salesforce的支持票量和员工调度数据——足以一目了然地显示出哪个团队在忙碌，哪个团队相对轻松。他指出，注册团队的人手严重不足，而旅行团队未解决的票据数量是平台团队的两倍多。不过，康拉德似乎最兴奋的例子是一项现在很多高管都在关注的问题：AI代币支出。他展示了一个仪表板，结合了Anthropic的使用日志、GitHub请求数据以及Rippling自身的绩效评分，以窥视哪些工程师实际上在其AI工具中获得价值，哪些则是在烧钱却没有明显成果。“高绩效者支出最多，这在某种程度上是可以预见的，”康拉德说。但该仪表板还标记出那些支出高、代码审查中同行拒绝率高的工程师——这些人是经常被同事要求重新做某些工作的。“如果您的同行一直告诉您要重做，那您可能只是在制造很多废物，”他说。这一分析已经促使Rippling削减了一些员工的支出限制。该产品还可以配置为在员工超过支出阈值时提醒经理——或者自动关闭访问权限。在客户超过其代币配额时对Rippling自身利润的影响问题上，康拉德并没有具体说明——“这有点早，”他说——但他否定了Rippling在补贴客户使用的想法。“我们没有亏钱，”他说，并补充说目标是尽可能让客户“负担得起”。基础SKU与Rippling AI捆绑在一起，月费约为20美元，对于高消费用户还会产生基于使用量的收费。目前约有560家公司在使用该产品，新收入约为每月500万到700万美元。至于哪些AI模型实际上推动了Rippling日益增长的AI套件，康拉德表示公司目前有了一个新的最爱。“我们最近确实将很多东西从Anthropic转移到了OpenAI，”他说，认为OpenAI的5.5模型“在执行Rippling的工作时更好且更具成本效益”。他还小心地指出，这种平衡一直在变化，公司会针对不同的任务使用不同的模型。Rippling Data Cloud是本周最显著的发布，但这并不是唯一的发布。本周早些时候，该公司还宣布了商业银行业务，提供高收益支票账户和同日薪资处理，康拉德形容这一功能为消除同时管理两个时间线的心理负担。大多数薪资系统要求提前处理两到四天；Rippling的银行产品允许公司在员工支付当天运行薪资，并且在发薪日的下午1点之前接受变更。这一功能是对金融科技公司Ramp的挑战，后者刚刚以440亿美元的估值融资7.5亿美元——几乎是Rippling估值的三倍，即168亿美元。