Ramp CPO 分享：25 個 PM 一年上線 500 功能、50% 程式碼是 AI 寫的、員工 AI 熟練度分 L0-L3
原文摘要
title: "Ramp CPO 分享：25 個 PM 一年上線 500 功能、50% 程式碼是 AI 寫的、員工 AI 熟練度分 L0-L3" date: 2026-03-30 author: cooljerrett source: https://www.threads.com/@cooljerrett/post/DWfsioGiU6- category: threads tags:
- Ramp
- AI 工作流
- PM
- 企業 AI
- Claude Code created: 2026-03-31 updated: 2026-03-31
原文摘要
作者整理 Ramp CPO Geoff 在 Peter Yang YouTube 頻道的訪談。Ramp 是估值超過 $100 億的金融科技公司，營收超過 $10 億，用約 25 個 PM 就出了超過 500 個功能。
六大 AI 實作場景
1. 客戶研究：8 天變 8 分鐘
建了 Voice of the Customer agent（跑在 Slack），可存取 Gong 通話錄音、Salesforce、App 問卷、客服工單、Snowflake 資料庫。PM 用自然語言問，8 分鐘整理完 90 天的資料，同樣的事人來做要 8 天。
2. 資料分析：任何人都能自己查數據
用 Claude Code + 自建 data analyst skill，理解資料庫 schema，一句話產出完整 HTML 績效報告。觀察：當查資料變容易，問問題的人變多，公司整體更 data-driven。
3. PM 的 Claude Code Skill：對話式需求收斂
Claude 可存取 Notion 裡的 persona 研究、調研紀錄、進行中的專案，像資深同事一樣反問 trade-off 和目標。Geoff 說他們已不在意 spec 文件本身，spec 只是過程中的一步。
4. 5 分鐘做出 production feature
用內部 Inspect 工具（基於 Claude Code），輸入需求後自動理解任務、讀取 codebase、載入 design component library、實作前後端。5 分鐘出完整 feature，直接開 PR。目前 50% 程式碼是 AI 寫的（2024/12 是 30%，預估很快到 80%）。
5. Slack 回報到 PR 合併，全自動
有人在 Slack 回報「搜尋應該支援大小寫不分」→ Inspect 自動分析 → 找到 codebase 對應位置 → 建立 PR → 合併。客服工單也走同樣流程。
6. 上線流程自動化
Release bot 自動：拉完整上下文 → 產生產品預覽 → 撈 Snowflake 影響數據 → 整理 Slack 討論摘要 → 合成 release report → 產出 help center 文章 → 內部教育訓練文件 → Slack 公告。
全公司 AI 導入框架：L0-L3
- L0：偶爾用 ChatGPT。Geoff 直說，停在 L0 不願學的人很可能不會留在公司。
- L1：建過 custom GPTs、用過 Claude Code 做過事
- L2：能做出自動化部分工作的 app、能對別人程式碼提 commit
- L3：系統層級建造者，設計和維護影響整個團隊的 AI 工作流
推廣做法：L3 當內部推廣者、不設 token 預算限制、all-hands 讓非工程師展示 AI 成果、固定 office hours、AI evangelist 角色專門幫人 onboarding。
面試和績效
- 面試 PM 要求現場 demo 自己做的產品
- 內部工具追蹤每人 token 使用量（Notion AI、ChatGPT、Claude Code 等）
- Geoff 的成本觀：token 費用不到薪水雙位數百分比，如果 agent 能做 10 倍工作，花 2 倍薪水的 token 也合理
PM 角色分化
- Builder：自己動手做產品、快速迭代、直接測試
- 商業策略：市場定位、定價、通路、商業模式
主管角色變化：減少會議和 1:1，親自操作 AI 工具。把「重複在講的事」寫進系統規則，下次就不用再講。
規劃週期：一年縮到三個月
三個月內能做完的事，已經等於過去三年的量。
規劃重點：對齊策略方向、讓團隊有承諾和當責、給業務團隊即將上線的功能資訊。第三點也自動化了。
核心觀點
1. 這是目前看到最完整的「企業全面 AI 化」案例
從客戶研究、資料分析、需求收斂、寫程式、測試、上線、文件，全部有 AI 介入。不是某個環節用 AI，是整條價值鏈。
2. L0-L3 分級是很好的組織導入框架
特別是「L0 不願學的人不會留」這句話——直接把 AI 能力變成留任標準。
3. 「Token 費用不到薪水雙位數百分比」重新定義了成本觀
很多公司在算 AI 成本時盯著 token 帳單看。Ramp 的思路是：跟人的薪水比，token 便宜到可以忽略。