No Priors 第122期｜对话 Rippling 联合创始人兼 CEO Parker Conrad
摘要
Conrad 的逆共识判断是，集成平台最终会比点解决方案构建出更多能力，因为共享权限、报表、分析、工作流和审批会在每个应用之间产生复利。 在 Rippling，每投入1美元研发费用到底层平台，就能获得“35倍回报”；因此，套件可以投入单一产品厂商“根本负担不起”的能力，并随着平台升级让每个应用变得更好。
SaaS 点解决方案的繁荣，是本地部署向云迁移、互联网分发变得容易，以及奖励快速拿下“垒打”的牛市共同制造的一次性窗口。 Guo 认为，一旦云原生核心系统吸收基础品类，独立产品就不再足够，产品市场匹配会转向更广泛的跨应用协同；她认为 AI “可能更具技术上的集中化倾向”。
Rippling 的业务扩张不是缺乏纪律地不断增加 SKU：超过80%的工程团队都在开发现有应用和平台基础设施。 公司通常同时推进4到5个新方向，每个方向大约配置5到7名工程师，而 Conrad 估计整个工程组织已超过1,000人。可变薪酬既是一个新 SKU，对客户而言也是工资系统缺失的能力——“一切都是 bug”。
Conrad “非常怀疑” AI 会节省软件行业的就业，因为目前观察到的编程助手增益并没有转化为明显更小的团队，而任何生产成本下降都可能带来更多软件需求。 他推测，横向厂商可以增加深度垂直化的版本，比如“面向眼科诊所的 Rippling”；与此同时，价格下跌和客户预期上升会迫使竞争者持续投资于技术前沿。
AI 会强化受治理的权威系统价值：应用可能变得更便宜，但数据管道、权限和确定性正确仍然很难。 Conrad 认为，代理必须继承每个用户的权限，才能防止数据泄漏，这使组织结构和身份成为核心；工资系统无法容忍概率系统带来的“熵”。他对 Zenefits 的警告同样尖锐：先扩大人工运营，再等待自动化跟上，结果是自动化“不断到来，却从未真正出现”。
Rippling 的执行模式依赖这样的负责人：把市场约束视为需要攻克的现实，而不是 CEO 预先列好的权衡选项。 Conrad 拒绝“A或B”这种“CEO 盒中选项”，反问公司为什么不能同时交付 A 和 B——除非这个障碍“违反热力学第二定律”。在他看来，卓越团队的差距可以达到数量级，而不只是“多20%”。
Conrad 的救赎故事与其说是在歌颂韧性，不如说是在警告：创业失败往往愚蠢、具有破坏性，而且被过度浪漫化。 Rippling 当时让他变得执着，是因为这仿佛是摆脱声誉“具有放射性”处境的“唯一方式”；但他认为，人们通常从成功公司中学到更多，并劝准备创业的人：“别做。”如今，他也把对产品和团队的热爱视为更积极的驱动力。
更多私募市场流动性，让公司可以在不立即上市的情况下保留上行空间和选择权，而公开市场可比公司则越来越偏向增长更慢的企业。 Conrad 认为，Databricks 选择保持私有，似乎获得了相对于 Snowflake 的一些优势；他还把公开市场称为“退休社区”，如今年增长超过20%就已被视为高增长，而不是30%。Rippling 可以每年重新评估这一选择；IPO 则“很难撤回”。
精读
1. 失败的教训少于成功，破坏性却可能更强
Conrad 不愿把 Zenefits 包装成宏大的管理寓言：它是“因为一些愚蠢的原因失败了”，尽管 Rippling 现在对监管合规“极其谨慎”。Zenefits 当年也过度依赖运营；这让 Rippling 后来对运营负担产生了厌恶，有时甚至可能走得太远，以至于在一些本来有价值、但无法规模化的事情上，比应有的程度更不愿意投入。
他的创业者心理变化是相对的，而非彻底平静：Rippling 的糟糕日子与 Zenefits 之后的时期相比“根本不值一提”，那时情况“真的非常黑暗”。这段经历让他怀疑硅谷关于失败天然具有教育意义的说法；公司可能因为各种愚蠢原因失败，而观察一家成功公司如何运转，或许能学到更多。
为什么重新创业？Conrad 说，自己当时可能已经“相当具有放射性”，没有工作机会，也看不到多少可以谋生的路径。第一次创业源于无知；第二次创业则发生在那7到8年经历之后——那段经历让他最有资格做的事情，似乎仍然是再次创业；Rippling 成了通往另一种公众叙事的“一线狭窄曙光”。
Guo 所说的“最温和的愤怒之人”，确实揭示了他的变化：Rippling 创立最初几年，公司是“唯一的出路”，占据着 Conrad 醒来后的第一个念头、入睡前的最后一个念头，以及半夜醒来时的念头。这种燃料“可能不算特别健康”。他说，后来对产品和同事的享受带来了其他积极动机，不过有些动机会随着时间消退。
2. 云计算打开的点解决方案窗口正在关闭
Rippling 从第一天起就“虔诚地坚持”打造统一、可互操作的 HR、IT 以及后来的财务应用，而不是一个个手工打磨的单一用途产品。Conrad 的逻辑在于共享基础设施：权限、报表、分析、工作流自动化和审批会在各种商业软件中反复出现，因此套件可以一次性深度投入，再重复利用成果；点解决方案厂商则无法证明同等研发投入的合理性。他认为，这一逻辑延续了 Oracle、SAP、Salesforce 和 Microsoft 等平台公司的路径。
Guo 推测，本地部署向云迁移的过程，让创业公司可以剥离单一职能，并快速拿下“垒打”。Conrad 表示认同，并补充说，面向中型企业的互联网分发、持续到2022年的牛市，以及投资者对快速进展的期待，都让点解决方案比替换核心系统推进得更快。Guo 认为，随着云套件吸收基础品类，这一窗口正在关闭，产品市场匹配将转向跨应用协同；她怀疑 AI 比云更具集中化倾向。
3. 所有权从可行方案的边界开始
Rippling 将构建平台基础能力的能力团队，与在其上组装产品的应用团队分开。稀缺资源是拥有整体所有权的负责人：同时负责路线图、营销、销售和竞争，因为 Conrad 个人能够直接推动的业务数量有限；前创业者是合适人选，前提是他们也能随着产品成长而扩大规模。
被问到如何识别负责人时，Conrad 说，筛选非常严格。规划阶段最能暴露差异：弱所有权只会拿来一张任务清单，说团队大约能完成一个季度的工作量，留下 Conrad 去弥合差距；真正的负责人会问，面对“看似不可能的约束”，如何抵达市场要求的终点。
Conrad 反对把高强度工作 caricature 成一周7天待在办公室。团队首先必须看清不可避免的差距，然后决定是退出，还是把差距补上；人们“通常比自己相信的更有能力”，而非凡组织的差距不是“多20%”，而是产出达到数量级的不同。他举出登月在4年内完成、旧金山 Van Ness 轻轨线路用12年建成等例子。
他提出的典型反模式是“CEO 盒中选项”：团队先默默认定 A 和 B 不可能兼得，再拿出 A 或 B 让 CEO 选择。Conrad 会本能地拒绝这个前提——两者共存难道“违反热力学第二定律”？Guo 的反驳更具建设性：许多领导者从不把问题继续下压，因为他们不相信员工能解决；信任本身可能释放出更多能力。
4. 共享架构让每一笔平台投入都产生杠杆
Conrad 坦率承认，平台协同是“我们并不总能做对的领域”。应用团队通常更愿意切断连接，构建量身定制的本地方案。管理层必须决定是允许分叉、重新调整平台优先级，还是要求之后迁移——因为对本地而言最容易的选择，可能最终成为产品和公司长期最糟糕的结果。
约束来自经济性：共享研发投入的每1美元都能“获得35倍回报”，因此应用最终必须使用同一套“乐高积木”。Guo 以 Datadog 为例：一家被收购的公司花了大约18个月，痛苦地重写代码以迁移到 Datadog 平台，最后得出的结论是：“我们信了。”她还提到 Workday，Conrad 则指向 Microsoft；两人都认为，内部语言、框架、组件和平台团队，都是主导型平台的特征。
业务广度仍然建立在现有产品的深度之上：Rippling 超过80%的工程团队负责现有应用和基础设施。4到5个新产品可能各自从大约5到7名工程师起步，而整个工程组织据 Conrad 估计已超过1,000人，因为这些产品可以复用平台。可变薪酬说明了“新应用、新 SKU”如何在工资系统客户眼中变成 Rippling 本来就该提供的功能——“一切都是 bug”。
5. AI 降低生产成本，却把竞争前沿推得更远
Conrad “非常怀疑 AI 会节省就业”。编程助手很受欢迎，也确实在一些场景中带来帮助，但 Rippling 没有看到“大量效率提升”，他交流过的后期工程组织也没有看到；他承认，这些团队可能没有正确使用工具，更大的收益“可能”会到来。
即便如此，更低的生产成本也可能扩大消费。Rippling 的 AI 客服提高了工单拦截率，但也带来了“更多得多的使用”，因为即时且专业的帮助成为操作产品的简单方式；Conrad 预计软件需求也会如此反应，吸收工程生产率提升，而不是机械地消灭工程岗位。
如果应用开发成本大幅下降，Conrad 推测，横向核心厂商可以增加行业特定工作流，例如“面向眼科诊所的 Rippling”，同时保留权限、报表及其他基础能力。历史上，垂直软件提供了定制能力，却缺少真正的平台功能，最终把客户推向 Salesforce 等系统；AI 可能让核心系统本身实现垂直化。
Guo 提出两个相关可能性：足够独特的监管工作流，例如制药行业的市场进入流程，可能继续支撑垂直专业厂商；还有一些新进入者的目标是执行人类工作，而不是销售传统软件。Conrad 接受这一划分，但预计竞争者会复制，价格会下跌，客户预期会扩大，而工程投入和面向人的市场拓展投入仍然不可或缺，才能“穿透噪音”。
6. 确定性运营和权限仍是 AI 最难的底层
Guo 以收购服务公司或其他分销主体的 AI rollup 为例，测试这一判断：它们希望用软件替代进展缓慢的垂直运营。Conrad 认为双方在理念上没有分歧——买方同样希望摆脱运营——但他警告说，“用软件替代运营很难”，AI 也未必能废除这一过渡难题。
Zenefits 当年的致命理论是：先靠人工执行加速市场占领，之后自动化会追上来。但运营规模扩大后，要覆盖全部需求变得困难；自动化“不断到来，却从未真正出现”。Conrad 更倾向于一开始就实现自动化，即使客户数量更少——毕竟“并不存在需求简单的客户”，但处理更小的客户群，仍比处理更大的客户群容易。
决定性边界在于确定性正确。工资系统包含庞大而复杂的长尾场景，却“绝对”必须每次都正确，因此其规则引擎不能继承概率 AI 带来的“熵”。这一约束把 Rippling 推向更难、也更持久的底层：数据管道、治理、权限，以及建立在职位、角色、职能和组织架构关系之上的身份体系。
Conrad 反对在用户通过 AI 代理交互时，把代理视为独立服务账户。更宽泛的代理权限会造成泄漏问题；代理应当继承它所服务的具体用户权限，这要求系统知道该用户在各个系统中的访问范围。由此，Rippling 的组织模型和身份层对 AI 具有战略意义，而不是被 AI 淘汰。
7. 私募市场流动性让 Rippling 可以推迟不可逆的 IPO
对 IPO，Conrad “没有信条”。过去，公开上市主要提供流动性；如今更丰富的私募二级市场也能服务员工和早期投资者，形成“留在私有市场有很多上行空间”的局面。他说，Databricks 保持私有，似乎相较 Snowflake 获得了一些优势，但强调这只是当前的计算结果，而不是一项教条。
他对市场更尖锐的批评是：公开股票市场已经变成“某种退休社区”，面向增长缓慢但盈利的公司。如今，研究分析师把超过20%的增长称为“高增长”——而不是30%，因为后者几乎不存在于公开市场；因此，增长更快的 Rippling 缺少明显可比公司，其估值倍数和估值水平都异常具有风险。
这些变量可能反转：公开市场可能重新奖励高速增长，私募资本也可能退潮。Rippling 目前“暂时”选择留在私有市场，而不是永远如此，并且可以每年重新作出选择；上市则具有不对称性，因为“很难撤回”。