AI news

他把北美最大人工记账公司做到被收购,转身用1000万美元让AI替代它

By 深思圈1 viewsSource: 深思圈
他把北美最大人工记账公司做到被收购,转身用1000万美元让AI替代它

你有没有想过,作为一个软件创业者,你每个月到底在对账和财务事务上浪费了多少时间?银行流水要确认,薪资系统要对齐,Stripe 里的收款记录要归类,还有各种供应商发票要处理。这些事情不难,甚至可以说很机械,但它们每个月都会悄无声息地吃掉你好几个小时。

The full text has not been translated yet. The Chinese original is shown below.

你有没有想过,作为一个软件创业者,你每个月到底在对账和财务事务上浪费了多少时间?银行流水要确认,薪资系统要对齐,Stripe 里的收款记录要归类,还有各种供应商发票要处理。这些事情不难,甚至可以说很机械,但它们每个月都会悄无声息地吃掉你好几个小时。更烦的是,你不得不做,因为账目不能乱,税务申报等不了,投资人的尽调也等不了。你本来应该把时间花在产品上,花在用户上,花在增长上,但偏偏总有一部分精力要陷在这些繁琐的财务事务里出不来。

这个问题,创业者们已经忍了很多年了。要么自己硬撑,要么花钱雇人工会计,每个月等他们把账做出来。而现在,一家叫 Synthetic 的公司正在用 AI 尝试彻底解决这件事。他们刚刚宣布完成 1000 万美元种子轮融资,由 Khosla Ventures 领投,Basis Set Ventures 跟投,同时还有一批来自科技创业圈顶尖位置的 operator 投资人参与其中:Shopify CEO Tobi Lütke、Opendoor CEO 兼前 Shopify COO Kaz Nejatian、Bridge 联合创始人 Zach Abrams(Bridge 已被 Stripe 以 11 亿美元收购)、前 Brex CTO Cosmin Nicolaescu,以及前 Brex COO Michael Tannenbaum。这个投资阵容不寻常,这些人都是真正经历过创业痛苦的人,他们清楚地知道财务管理这件事有多让创始人头疼。

Synthetic 到底是怎么工作的

Synthetic 的产品逻辑其实不复杂,但实现起来的难度很高。你把公司的银行账户、薪资系统、账单系统还有邮箱全部授权连接给它,它就开始自动处理你的账目。在处理过程中,它不会闷头乱做,而是会在关键决策点主动向你提问,确保它真正理解每一笔交易背后的业务背景,然后再做分类。

文章配图

从他们的产品演示里可以看到一个很典型的场景。AI 发现有一笔 15 万美元的电汇打进来,同时在邮件里找到了一份来自某投资机构的 SAFE 协议,金额吻合。于是 AI 主动发来消息:"我看到这笔转账和这份协议金额一致,请确认一下,这笔钱是 SAFE 融资款吗?"用户回答"是的",AI 就会把这笔款项正确归入对应科目。这个交互设计很聪明,它不是在替你做决定,而是在信息存疑的时候主动确认,把最终判断权留给你,同时让自己的处理结果尽可能准确。

最终的产出是一套完整的权责发生制账目,整理好之后可以直接交给税务准备方使用。整个过程中,没有一个人类会计参与。Synthetic 目前支持接入 Mercury、Chase、Stripe、Gusto、Rippling、Ramp、Brex、Deel 等主流金融和薪资平台,基本涵盖了软件创业公司最常用的工具组合。

从可用性上看,AI 不会放假,不会积压工作,也不会因为业务量突然增长而跟不上节奏。对比人工会计在税季动辄等待数周的情况,这是一个非常实质性的优势。传统人工记账服务的定价大概是每月 200 美元左右,而 Synthetic 的起步价是 49 美元,大约是前者的四分之一。对于早期创业公司来说,这种差价很有吸引力,但我认为价格本身不是最核心的竞争力。真正的壁垒在于可靠性和持续可用性,这是人工服务从结构上就无法匹敌的地方。

创始人:十年做账经验,换来一个清醒的判断

了解一家公司,先要了解创始人。Ian Crosby 在这个领域的积累,很难找到比他更合适的人了。2012 年,他联合创立了 Bench Accounting,并把它做成了北美最大的面向小企业的人工记账服务,服务了数以万计的客户。他在那里深耕了将近十年,真正从一线理解了大规模提供记账服务到底难在哪里,瓶颈在哪里,人工模式的天花板在哪里。

文章配图

他离开 Bench 创立 Synthetic,出发点不是"AI 很酷,我们来做一个 AI 会计",而是一个更清醒的判断:人工记账模式在价格、速度和可用性上有结构性的天花板,靠运营优化是突破不了的,只有 AI 能从根本上解决这个问题。这种创始人与问题之间的深度匹配,是 Khosla Ventures 合伙人 Jon Chu 在谈到投资逻辑时特别强调的一点。他说,这是一个巨大且有价值的问题,AI 最终必然会解决它;而 Ian 在这个问题上投入了数十年,拥有极其罕见的创始人与市场契合度,加上他在多次创业和规模化过程中磨炼出来的韧性。

这也解释了为什么这轮融资能吸引到这么多来自创业圈一线的 operator 参与。他们不是做财务出身的,他们是真正经历过创业各种痛点的人,对"做账有多烦、雇人有多贵、账目出错有多严重"这些问题,有切身体会。这种投资人结构本身就说明了这个问题在创业圈里有多普遍、多真实。

为什么只做软件公司,而且从最小的开始做

Synthetic 的目标客户非常明确:只服务软件公司、SaaS 公司和 AI 公司,暂时不做其他行业。这个决策看起来保守,但我认为恰恰相反,这是一个非常清醒的战略选择。

软件公司的财务结构相对标准和可预测。收入主要来自订阅或服务费,支出大多是薪资、云服务、软件工具和少量运营开销,几乎没有实物库存、复杂的供应链或高度差异化的税务场景。这让 AI 的训练数据更集中,质量控制更可行。相比之下,如果一开始就想覆盖所有行业,光是处理餐饮业的食材成本、零售业的库存管理或者制造业的资产折旧,复杂度会指数级上升,AI 出错的概率也会大幅提高。

不仅如此,他们还进一步把初期客户锁定在最小规模的软件公司,也就是那些账目最简单的早期创业团队。这是一个先做深、再做广的策略:先把最简单的场景做到足够可靠,产品稳定了再逐步向更复杂的客户扩展。这需要克制,但在 AI 可靠性还存在不确定性的阶段,这是最稳健的方式,也是对用户负责任的态度。目前他们正在和早期种子用户一起迭代原型,还没有正式对外发布。

AI 做账,到底靠谱吗

这是整篇文章里我最想展开聊的问题,因为 Ian Crosby 自己的回答出乎意料地坦诚。他说:"我不确定这在技术上是否已经可行。AI 的可靠性是出了名的差,没有人愿意把自己的账务交给一个可能出错的系统。我们的重点是质量控制,我们不会在对产品的可靠性感到足够自信之前发布它。至于什么时候能达到这个标准,可能是 6 个月,也可能是 6 年,我真的不知道。"

文章配图

这段话让我印象非常深刻。一个创始人在融资宣布的时候说"我不确定这在技术上是否可行",需要相当大的诚实和底气。这说明他对这个问题的理解足够深:做账的核心不是速度,而是准确性。一旦出错,比如把一笔融资款错误计入收入,或者漏掉一笔关键支出,可能引发一系列连锁问题,包括税务申报出错、财报失真,甚至在投资人尽调时被发现历史账目有问题。这种错误的代价远高于一篇写得不够好的文章或者一行有 bug 的代码。

这也解释了为什么 Synthetic 在产品设计上特别强调"主动提问"的机制。AI 不会假装自己什么都懂,而是在遇到需要业务背景判断的节点主动确认。这种设计让用户始终处于知情状态,也把 AI 单独决策出错的风险降到最低。很多 AI 产品急于展示自主性,恨不得什么都自动完成,但在财务这件事上,适当的人工确认反而是赢得用户信任的正确方式。

从技术发展的角度看,现在的大语言模型已经具备了读懂邮件内容、匹配金额、理解业务上下文、判断交易分类的基本能力。五年前这些事根本做不到,但今天已经在可行的边界上了。Synthetic 要做的,是在这个刚刚打开的技术窗口里,把可靠性做到超过人类会计的水平,然后才真正推出产品。这不是一个激进的 AI 产品,而是一个对准确性有执念的产品团队。

比做账更大的野心

Synthetic 的长期愿景,比他们目前在做的事情大得多,也更有想象力。

他们真正想做的,是让创始人按一个按钮,就能看到一家真正运转的公司在自己眼前组装起来:网站、注册主体、银行账户、支付通道、会计账目,以及其他所有运营基础设施。用他们自己的话说,就是"让创办一家软件公司,像创建一个代码仓库一样简单"。

文章配图

这个愿景触碰到了一个很现实的矛盾。软件开发这件事,在过去二十年里变得越来越容易:云服务让你不需要自己管服务器,开源生态让你不需要从零写基础组件,各种 SaaS 工具让你不需要自己构建每个功能,AI 现在又让写代码本身变得更快。但与此同时,"运营一家公司"的复杂度几乎没有降低。注册主体、开银行账户、处理薪资、做账报税,这些事情依然需要大量人工介入,依然要求创始人花时间搞清楚一堆自己并不擅长的事情。这是一种奇怪的不对称:建产品越来越容易,但运营公司依然很繁琐。

如果 Synthetic 的愿景能够实现,这种不对称就会消失。创始人只需要专注于产品和业务本身,所有运营基础设施都有 AI 在背后撑着。这不只是效率提升,而是对创业门槛的根本性降低。当然,这个愿景的实现需要时间,也需要每个模块单独做到足够可靠。记账是他们的起点,因为这是他们最熟悉、也最能控制质量的领域。从这个起点出发,一步一步往外扩,是一个务实的路径。

我对这件事的看法

看完 Synthetic 的所有材料,我有几个判断想分享出来。

这个团队对时机的把握很准。AI 做账这件事,三到五年前几乎不可能,因为当时的模型能力还不足以处理财务场景里那种需要上下文推理的问题。但今天,模型已经能读懂邮件里的协议条款、匹配转账金额、理解业务背景并做出合理判断。技术窗口刚刚打开,而 Ian 带着十年的行业积累站在了入口处,这种时机的把握不是运气,是对行业趋势长期观察的结果。

我也非常认同他们"只做软件公司"的策略。很多 AI 创业公司犯的错误是一上来就想解决所有人的问题,结果谁的问题都没解决好。Synthetic 选择了一个边界清晰、需求高度一致的细分市场,让产品可以做得更深、更可靠。这种克制,对于一个容错率极低的产品来说格外重要。在质量还没有完全过关之前,宁可服务少一点客户,也要把每一个客户的账做对。

最让我印象深刻的,还是 Ian 的坦诚。他没有站出来说"我们已经解决了 AI 可靠性的问题",而是说"我不确定这是否已经技术上可行,但我们会做到足够好才发布"。这种清醒,在当前 AI 创业圈动不动就宣称要颠覆某个行业的风气里,显得格外踏实。一个知道自己在做什么、也知道自己在面对什么挑战的创始人,往往比一个盲目乐观的创始人更有可能真正解决问题。

文章配图

当然,挑战也是真实存在的。做账的可靠性要求极高,AI 出错的后果可能在几个月后才显现出来,到那时可能已经影响了税务申报或者投资人尽调。但从 Synthetic 展示的产品设计思路和创始人对这个问题的清醒程度来看,他们对挑战的理解比大多数 AI 创业公司都要深。AI 做账这件事,早晚会成为现实。问题只是谁来做、怎么做、做得多好。Synthetic 现在走在了最前面。

文章来自于"深思圈",作者 "深思圈"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)