企业AI的账本正在变得越来越厚，但能看懂它的人并没有变多。一家公司可以精确统计每天消耗多少代币、购买多少Copilot席位、运行多少次代理、生成多少行代码，却仍然无法回答董事会那个最直接的问题：这些钱到底换回了什么。当AI支出从实验预算变成经常性成本，从技术团队的采购决策变成CFO必须解释的损益项，计量方式的缺陷就从效率问题升级为治理问题。

2026年9月30日，前身为Pay-i的Ascerta宣布完成1800万美元A轮融资，同时把公司定位从AI成本管理扩展到它所谓的“企业AI管理”。这家总部位于华盛顿州贝尔维尤的公司试图用一个平台把AI的成本、采用率和业务价值放进同一张账本里。本轮融资由Dell Technologies Capital领投，Hitachi Ventures、BGV、Wipro Ventures及早期投资方参与，使公司累计融资达到2290万美元。

这笔钱投向的是一个正在快速膨胀但缺乏统一度量标准的市场。企业AI正从受控实验走向生产环境，代理开始嵌入编码、客服和运营流程，而成本与责任同时落在技术、财务和业务团队身上。Ascerta的论点很明确：如果企业无法把技术活动翻译成可读的业务绩效，AI投资就会继续在“堆代币”和“看仪表盘”之间反复摇摆。

字段 内容
公司 Ascerta（前身为Pay-i）
轮次 A轮
金额 1800万美元
投资方 Dell Technologies Capital（领投）、Hitachi Ventures、BGV、Wipro Ventures、早期投资方
总部 华盛顿州贝尔维尤
创始人 David Tepper（CEO）、Doron Holan（CTO）、Erik Winters（COO）
官网 未披露

从“花了多少钱”到“花得值不值”，Ascerta把AI账本拆到单次调用

Ascerta的产品逻辑建立在一个前提上：传统FinOps工具能显示AI花了多少钱，但不能显示这些钱对业务做了什么。据公司披露，其平台连接企业内部已经运行的AI系统，包括自研应用以及Microsoft Copilot、Amazon Bedrock AgentCore、Salesforce Agentforce、GitHub Copilot、Claude Code、Codex等工具。平台随后跟踪AI活动从人员使用、工作执行到业务结果的全过程。

这种跟踪的颗粒度是Ascerta与通用云成本仪表盘的关键差异。公司称，其平台将AI用例与业务KPI关联，按个人、团队和工具追踪采用率与成本，并能把单次模型调用对应到具体用例，纳入子代币成本、隐藏费用和企业折扣。这意味着两个部门使用同一个模型却产生截然不同业务回报的情况，理论上可以在聚合支出报告中被暴露出来。

这种颗粒度背后的工程含义比表面看起来更复杂。把单次模型调用对应到具体用例，意味着平台需要理解每次调用的上下文：它来自哪个应用、服务于哪个工作流、试图影响哪个业务指标。如果企业同时运行多个AI平台，Ascerta就必须在不同平台的日志格式、计费规则和身份体系之间建立统一映射。公司没有披露这种映射是实时完成还是事后批处理，也没有披露当模型调用跨多个系统串联时，成本如何在用例之间分摊。这些实现细节可能直接决定“单次调用级计量”在复杂生产环境中是真实能力，还是仅在特定集成条件下成立。

Ascerta把能力拆成三款产品。Atlas衡量单个工作流及更大组合中的AI价值、采用率和ROI；Forge面向工程团队，把编码代理的采用率与开发生产力关联；Convoy面向自行运营AI资源的组织，帮助其在不扰乱生产的前提下分配基础设施。三者共同构成一个从测量到优化的闭环，但闭环的成立依赖于一个尚未被独立验证的假设：企业愿意把AI价值评估从一次性咨询项目变成持续订阅的软件服务。

三款产品的边界也隐含一个商业问题：Atlas、Forge和Convoy是独立销售，还是必须打包购买。如果企业只需要编码代理的采用率分析，是否可以在不购买完整平台的情况下使用Forge。公司没有披露产品打包方式和定价结构。对于一家试图定义新品类的早期公司来说，产品切分方式可能比功能列表更能说明它实际瞄准的第一批买家是谁。

Wipro Ventures参与本轮融资，Wipro同时出现在Ascerta披露的客户名单中

Ascerta称其合作客户包括Atos、Wipro和全球保险公司，并列出了Microsoft、AWS、IBM、Slalom和Trace3作为技术和服务伙伴。其中Wipro Ventures参与了本轮融资，Wipro本身也出现在客户名单中。这种“客户兼投资方”的结构在早期企业软件公司中并不罕见，但对Ascerta而言，它同时意味着真实场景的验证机会和收入集中度的潜在风险。

从已披露的客户构成看，Ascerta的早期商业化明显偏向大型系统集成商和大型企业买家。这类客户通常拥有复杂的AI部署环境和较长的采购周期，能够为平台提供高价值的使用数据，但也可能让Ascerta的收入在短期内依赖少数几个大客户。Atos和Wipro作为系统集成商，其使用Ascerta的方式可能不仅是内部管理AI支出，还可能涉及把Ascerta嵌入它们为客户交付的AI项目中。如果存在这种嵌入，Ascerta的收入结构就会同时包含直接软件订阅和间接渠道分成，但公司没有披露这两种模式的占比。

待核验指标包括：Wipro和Atos各自贡献的收入占比、投资条款中是否包含与商业合作绑定的条件、以及这些客户是否以折扣或资源置换方式使用平台。另一个需要观察的维度是，Wipro Ventures的投资是否附带排他性安排，例如在特定区域或特定行业优先推广Ascerta。这类条款在系统集成商的企业风险投资中并不少见，但Ascerta没有披露相关细节。

47%、24%、86%：公司自述效果数据，样本范围与统计方法尚未披露

Ascerta称，其平台帮助客户将AI项目ROI提升47%，将代理上线时间缩短24%，将浪费的AI支出降低86%。这三个数字是理解Ascerta商业故事的核心，也是其最需要外部验证的部分。

从已披露的信息看，Ascerta没有说明这些数据的样本范围、时间窗口、基线定义或统计方法。47%的ROI提升是相对什么基线的提升？24%的上线时间缩短是否排除了客户自身流程优化的影响？86%的浪费支出削减是否包含那些本来就不会持续发生的异常支出？由于缺少这些定义，这三个数字不可直接用于跨公司比较，也无法判断它们是可持续的产品效果，还是一次性清理“低垂果实”后的短期结果。

这三个数字还可能存在选择性偏差。Ascerta的早期客户是Atos、Wipro和全球保险公司，这些组织本身可能已经具备较高的AI成熟度和数据治理能力。如果效果数据来自这些客户，那么它们能否推广到AI管理更混乱、数据基础更薄弱的中型企业，仍需验证。公司没有披露效果数据是否覆盖所有客户，还是仅来自部分愿意配合统计的客户。对于潜在买家来说，这个区别可能比数字本身更重要。

另一个未披露的维度是时间。Ascerta成立于2024年，2025年5月才以Pay-i身份结束隐身状态，到2026年9月宣布A轮融资，其产品在客户环境中运行的时间窗口可能并不长。如果47%的ROI提升是在部署后的最初几个月内实现的，那么它可能反映的是“先解决最明显浪费”带来的短期收益，而非平台持续优化能力的证明。Ascerta需要展示这些效果在更长周期内是否可维持，但公司尚未披露相关数据。

竞争位置：Ascerta未披露直接竞品，但替代路径的差异点尚缺量化指标

Ascerta没有在公开材料中列出直接竞争对手。这并不意味着它面对的是一个空白市场，而是说明它进入的领域还没有形成清晰的品类边界。从已披露的产品能力看，Ascerta的差异化在于把AI成本、采用率和业务KPI放进同一个持续运行的系统里，而不是停留在单一平台的用量报表或一次性咨询交付。

与自建数据管道相比，Ascerta的潜在优势是专用产品可以更快产生可行动洞察，但公司尚未披露从部署到产生首个可验证洞察的平均时间。这个时间指标对销售转化至关重要：如果企业需要数月才能看到Ascerta与自建方案的区别，那么早期采用动力可能不足。与咨询公司的一次性评估相比，Ascerta的订阅制软件试图把AI价值评估变成持续运营能力，但公司尚未披露客户合同期限和续约意愿。如果客户只签一年合同且续约率低，那么“持续运营能力”的定位就难以成立。

与Microsoft、AWS、Salesforce等平台内置分析相比，Ascerta的跨平台视角只有在企业确实运行多个AI平台时才成立，但公司尚未披露客户实际使用的AI平台数量分布。如果大多数客户只使用单一平台，那么平台内置分析可能已经满足其大部分需求，Ascerta的跨平台价值主张就会弱化。反过来，如果客户普遍同时运行三个以上AI平台，那么Ascerta的独立数据层定位就更有说服力。这些信息缺口使Ascerta与替代路径之间的可量化比较暂时无法完成。

还有一个竞争维度来自Ascerta自身的产品路线图。公司提到将“AI价值优化研究转化为新产品”，这意味着它可能从测量层进入优化执行层。如果Ascerta开始调整模型路由或代理配置，它就会与现有的AI编排工具、模型路由平台和代理基础设施产生新的竞争关系。公司没有披露这些新产品的时间表和功能边界，但路线图方向本身已经暗示竞争范围可能扩大。

Dell Technologies Capital的“系统记录”论，押注的是AI治理的持久需求

Dell Technologies Capital董事总经理Raman Khanna在投资声明中称，Ascerta正在构建“AI价值创造的系统记录”，并认为大多数企业正在从广泛的AI实验转向聚焦可衡量的业务价值。这一表述为Ascerta的品类定义提供了来自投资方的背书，但“系统记录”的定位也意味着更高的产品门槛：它必须成为企业AI决策的默认数据源，而不是众多仪表盘中的一个。

“系统记录”这个词在企业软件历史上承载着特定的含义。它通常指某个业务领域中所有相关方都认可并依赖的权威数据源，例如CRM之于销售、ERP之于财务。如果Ascerta要成为AI价值创造的“系统记录”，它需要满足几个条件：数据覆盖足够完整、数据质量足够可信、以及企业决策流程真正依赖它的输出。从目前披露的信息看，Ascerta距离这个标准还有多远，无法判断。公司没有披露客户是否把Ascerta的数据用于预算审批、项目终止或人员考核等实际决策场景。

从资本结构看，本轮投资方组合具有明显的企业渠道特征。Dell Technologies Capital背后是戴尔的企业硬件和基础设施渠道；Hitachi Ventures连接日立的企业IT和工业客户；Wipro Ventures直接关联一家全球系统集成商；BGV则是早期科技投资机构。这种组合意味着Ascerta的上市路径可能更依赖企业销售和渠道合作，而非产品自驱动的PLG增长。待核验指标包括：各投资方是否提供客户引荐、渠道合作的具体形式、以及Ascerta的销售周期和获客成本。

投资方声明的“系统记录”定位还隐含一个竞争判断：企业AI管理需要独立的第三方数据层，而不是依附于某个AI平台供应商。如果这个判断成立，Ascerta必须保持对Microsoft、AWS、Salesforce等平台的独立性，同时又要依赖这些平台的API和数据接口。这种既合作又独立的张力，是Ascerta长期面临的结构性约束。平台供应商可能随时改变API政策、数据访问权限或计费透明度，而Ascerta的产品能力直接受制于这些外部条件。

1800万美元要同时养平台、养集成、养团队，执行压力来自多线并行

Ascerta将A轮资金用于扩展平台和上市团队，并计划将集成扩展到所有主要企业AI工具。公司称其集成已覆盖几乎所有主要企业AI工具，但“覆盖”和“深度集成”之间存在显著差异。浅层集成只能读取使用量和成本数据，深层集成需要理解每个工具的工作流语义、代理执行逻辑和计费规则。后者对工程资源的要求远高于前者。

集成的深度差异会直接影响产品价值。如果Ascerta只能读取GitHub Copilot的席位使用量，而不能理解代码生成在具体开发任务中的业务回报，那么Forge对工程团队的价值就有限。如果它只能读取Salesforce Agentforce的调用次数，而不能把调用对应到具体客户服务流程的结果，那么Atlas对业务团队的洞察力就会打折。公司没有披露每个集成的深度级别，也没有披露哪些集成是官方合作、哪些是基于公开API的自建连接。

更值得关注的是Ascerta提到的“将AI价值优化研究转化为新产品”。这意味着公司不满足于停留在测量层，而是想进入优化执行层。从测量到优化是一个质变：测量可以事后进行，优化需要实时干预，可能涉及调整模型路由、代理配置或容量分配。这种能力对技术架构和数据权限的要求更高，也可能让Ascerta与它正在监控的AI平台产生更直接的摩擦。如果Ascerta开始建议或执行模型切换，平台供应商可能将其视为对客户关系的介入。

1800万美元的A轮融资在企业软件领域属于中等规模。考虑到Ascerta需要同时维护多平台集成、开发新产品线、建设企业销售团队并服务现有客户，这笔资金的多线分配压力不容低估。公司没有披露团队规模和资金分配比例，但多线并行的执行风险是客观存在的。如果集成扩展消耗了过多工程资源，新产品研发可能延迟；如果销售团队扩张过快而产品验证不足，获客成本可能失控。

风险不在融资，在于它能否证明“价值管理”不是另一个仪表盘

Ascerta面临的最大风险不是资金，而是品类定义的失败。如果企业最终认为AI价值评估是咨询项目而非软件功能，或者认为现有FinOps工具加上BI报表已经足够，Ascerta的“企业AI管理”品类就难以独立成立。这一风险直接关联到Ascerta目前披露的客户数量有限，以及47%、24%、86%三个效果数据缺少样本范围、时间窗口、基线定义和统计方法。

收入集中度是第二个风险。Atos和Wipro同时出现在客户名单中，而Wipro Ventures又是投资方。如果这些客户减少AI投入或调整供应商策略，Ascerta的收入稳定性将受到直接冲击。待核验指标包括：前五大客户收入占比、客户流失率、以及是否存在与投资绑定的最低采购承诺。对于一家累计融资2290万美元的早期公司来说，如果前两大客户贡献了大部分收入，那么任何单一客户关系的变化都可能产生不成比例的影响。

效果数据的可验证性是第三个风险。47%、24%、86%这三个数字是Ascerta商业叙事的支点，但它们目前缺乏独立基准。Ascerta需要找到一种方式，让潜在客户相信这些结果可以在自己的环境中复现。这可能意味着公开方法论、接受第三方审计，或者与客户联合发布可核验的案例研究。在缺乏外部验证的情况下，这些数字更像是营销素材，而非可据以决策的证据。

从已披露的创始人背景看，David Tepper在微软工作19年，负责Azure内部使用的生成式AI战略；Doron Holan在微软工作27年，参与构建处理每日数千亿请求的超大规模限流基础设施。这种背景为Ascerta带来了对超大规模AI基础设施的深刻理解，但企业AI管理的核心挑战不仅是技术问题，更是组织问题：谁拥有AI预算、谁定义价值、谁对结果负责。Ascerta能否把基础设施层的经验转化为组织决策层的产品，是它从“成本工具”走向“价值系统”的关键一跃。

还有一个结构性风险来自Ascerta的品牌更名本身。从Pay-i到Ascerta，公司试图从“支付AI成本”的窄定位扩展到“企业AI管理”的宽定位。更名可以打开更大的市场叙事，但也可能稀释早期客户对产品核心价值的认知。如果市场对“企业AI管理”这个品类没有形成共识，Ascerta就需要在每次销售中同时完成品类教育和产品推销，这会显著增加销售周期和获客成本。公司没有披露更名后客户认知度和销售转化率的变化。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

  • 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
  • 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
  • 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Ascerta把企业AI的账本从“花了多少”推向“值不值”，方向清晰，但证据链还悬在半空。1800万美元买到的是一张进入企业AI治理层的门票，真正的考验是它能否在巨头生态的夹缝里，把“价值管理”从一个好概念变成企业离不开的常驻系统。在那之前，47%的ROI提升和86%的浪费削减，都还只是等待复现的公司自述。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。