🏢Ramp deu IA pronta pra 4.500 funcionários no primeiro dia
A Ramp, fintech americana de gestão de gastos, revelou algo ambicioso: 99% dos funcionários já usam IA diariamente. Mas o CEO Eric Glyman percebeu que a maioria estava travada. Não porque os modelos fossem ruins, mas porque configurar tudo era doloroso demais - terminais, servidores, cada um se virando sozinho. --- A solução foi criar o Glass, uma plataforma interna onde todo funcionário ganha um ambiente de IA pré-configurado desde o primeiro dia. São mais de 350 automações reutilizáveis criadas pelos próprios colegas, memória persistente, integrações prontas. Quando alguém descobre um jeito melhor de trabalhar, a equipe inteira ganha acesso. --- A lógica é simples e poderosa: a maioria das empresas espera que fornecedores resolvam a adoção de IA. A Ramp decidiu resolver por conta própria. Quem tornar cada funcionário eficiente com IA vai acumular vantagens que os concorrentes não conseguem copiar. Me impressionou a clareza da tese.
99% of Ramp uses ai daily. but we noticed most people were stuck — not because the models weren't good enough, but because the setup was too painful and unintuitive for most. terminal configs, mcp servers, everyone figuring it out alone. so we built Glass. every employee gets a fully configured ai workspace on day one — integrations connected via sso, a marketplace of 350+ reusable skills built by colleagues, persistent memory, scheduled automations. when one person on a team figures out a better workflow, everyone on that team gets it and gets more productive. the companies that make every employee effective with ai will compound advantages their competitors can't match. most are waiting for vendors to solve this. we decided to own it.
— @eglyman View on X
A Ramp, fintech americana de gestão de gastos, resolveu o problema de adoção de IA em larga escala não por meio de modelos mais poderosos, mas eliminando a fricção técnica da configuração. Com 4.500 funcionários, a empresa atingiu **99% de uso diário de IA** ao implementar o **Glass**, plataforma interna que entrega workspaces totalmente provisionados desde o primeiro dia de trabalho.
O gargalo era a infraestrutura, não a inteligência
A revelação do CEO Eric Glyman expõe um padrão negligenciado na maioria das corporações: os funcionários não evitam IA por limitação técnica, mas porque o setup é fragmentado e solitário. Terminal configs, servidores MCP (Model Context Protocol), integrações pontuais. Cada colaborador precisava reinventar a roda individualmente, criando silos de produtividade.
O Glass opera como um layer de abstração enterprise. Via SSO, todo novo empregado recebe acesso a um ambiente com memória persistente entre sessões, automações agendadas e um marketplace interno com mais de 350 *skills* reutilizáveis. Quando um membro da equipe otimiza um workflow — seja para análise de dados, geração de relatórios ou integrações — ele é imediatamente disponibilizado como módulo padronizado para toda a célula.
Arquitetura de produtividade composta
O diferencial está na inversão do modelo tradicional de ferramentas de IA. Em vez de scripts locais presos a máquinas individuais, a Ramp construiu uma infraestrutura de transferência de conhecimento. O ganho de eficiência de um funcionário propaga-se instantaneamente através do sistema, criando um efeito de rede interno onde o aprendizado se acumula.
Como observou Glyman: "As empresas que tornarem cada funcionário eficiente com IA vão acumular vantagens que seus concorrentes não conseguem igualar." A lógica é matemática: enquanto concorrentes dependem de vendors externos para resolver integrações, quem internaliza essa camada de infraestrutura captura valor de produtividade composta que não pode ser replicado rapidamente por rivais.
Implicações para o ecossistema brasileiro
Para *builders* e desenvolvedores no Brasil, o caso Ramp sinaliza uma mudança de paradigma na estratégia de deployment de IA corporativa. A barreira crítica raramente é o modelo de linguagem em si, mas o *onboarding* técnico e a governança de integrações.
A aposta na construção interna de plataformas — versus a espera por soluções prontas do mercado — exige investimento em engenharia de plataforma e arquitetura de dados, mas cria moats defensíveis. Em um mercado onde a escassez de talento em IA é real, maximizar a alavancagem de cada profissional existente torna-se vantagem estratégica maior que o acesso aos últimos modelos do mercado.