十字路口目录 · 商业对谈

吴恺:Airwallex 的全球支付网络与 AI 财务入口

从跨境支付的真实摩擦,到财务软件能否被 Agent 重新组合:一家公司如何看待底层网络、客户入口和规模增长。

先把对话讲清楚

快问快答:Airwallex 首席营收官与百亿美金金融基础设施

过去半年《十字路口》访谈了许多刚从 0 到 1 出发的新一代 AI 创业者;这一期,Koji 把目光转向一家已经翻越山丘、又站在 AI 新拐点上的百亿美金独角兽——Airwallex(空中云汇)。录制前一个月,Airwallex 刚完成新一轮融资,估值达到 110 亿美元。嘉宾是公司首席营收官(CRO,Chief Revenue Officer)吴恺。他从出海大模型公司的新型计费需求切入,复盘 Airwallex 成立 11 年来几场关键豪赌,再展开讨论 AI 如何重构全球财务软件、并购逻辑、超级入口博弈、本地化用人踩坑,以及迈向千亿美元估值的路线图。

个人画像37 岁,复旦大学毕业;INTJ,双鱼座。
职务与履历曾担任 Airwallex 首席财务官(CFO)3 年多,现任首席营收官(CRO),核心职责是驱动营收增长,统管全球营销(marketing)、销售团队及各区域总经理(GM)汇报线。
公司定位与规模服务全球企业的金融与支付平台,2015 年成立于澳大利亚墨尔本;目前客户规模 20 多万家,支付网络覆盖 90 多个国家实时到账,年化经常性收入(ARR)达 13 亿美元,最新估值 110 亿美元。

1. 大模型出海倒逼计费重构:从固定月费到高峰双倍动态计价

对话从 Airwallex 正在服务的出海大模型公司聊起(官方简介列出 Kimi、MiniMax、智谱、DeepSeek 等,对话中重点以 DeepSeek 为例)。吴恺说,大模型的商业化兴起不过过去 18 到 24 个月,对整个行业都是新课题,反而给了新做计费产品的 Airwallex 后发优势。

传统 SaaS(软件即服务)的收费模式非常成熟且单一:按月定好固定套餐,月底出账、扣款即可。大模型服务的计费却呈现出高度实时、动态和复杂的特征:

Koji 追问:既然用量数据在模型公司手里,为什么不由模型公司自己算好账单,而要交给支付平台算?吴恺解释有两点现实考量:首先,复杂计费并非模型公司的核心竞争力;其次,最终向终端客户发账单和收钱的仍是支付平台,如果模型公司自己算完再传给平台,中间势必多出一道繁琐且容易扯皮的对账环节。不如由模型公司直接推送原始用量数据,支付平台内嵌完整计费逻辑,算完直接开票收款。Koji 指出这背后的责任极重——算少了模型公司会要求补差价,算多了终端用户会怒骂模型公司并反过来追究平台;吴恺点头承认,负责开账单确实压力不小。

2. 一杯咖啡引出的跨境网络:为什么 1970 年代的 SWIFT 架构已经过时

尽管已跻身百亿美金俱乐部,外界对 Airwallex 的发家史仍觉得有些神秘。吴恺将时间拨回 2015 年的澳大利亚墨尔本。CEO Jack(Jack Zhang)和几位墨尔本大学的同学因为热爱咖啡,副业合开了一家咖啡馆。墨尔本咖啡文化发达,却不产咖啡豆,必须从南美、非洲等本地金融基建薄弱的地区采购,结果频频撞墙:

这群人并非普通餐饮店主,而是深厚的金融与工程背景:Jack 曾在多家投资银行担任工程师,深耕外汇算法与交易系统;另一位联合创始人西京是连续创业者,此前还在 Google X 工作过。他们一眼看穿了传统跨境体系的结构性沉疴:诞生于上世纪 70 年代本地机房时代的 SWIFT 本质上只是一个报文通信系统,只负责在银行间传信息,不直接搬运资金——信息流与资金流分离,银行收到报文后再层层转手调拨资金,天然低效昂贵。

恰逢 2015 年两股新基础设施同步成熟:一是云计算日益普及,使得用云端软件重构资金流转成为可能;二是在中国支付宝等小额支付浪潮带动下,全球越来越多国家建起了本地实时小额清算网络。钱只要进了当地网络,本地流转已经极快;团队要做的就是建一张基于云的全球网络,把各国本地实时清算系统连接起来、让信息流与资金流同步,从而打通端到端、门到门的实时跨境资金移动。同期 Wise、Revolut 也相继起步,印证了这套底层逻辑成立。

3. 咬牙亏四年铺全球网络,再违背“垂直教条”全线搭起云端全球银行

面对同期的众多竞争者,Airwallex 凭什么走出不同路径、成长到今天?吴恺把答案归结为两层极其坚决的愿景选择。

第一层愿景:从第一天起就做全球网络,绝不退守局部区域。如果当年只做东南亚、中东或南美等单一区域支付网络,很快就能实现盈利;但只要翻开公开数据算一笔账就知道,全球最大的跨境支付通道几乎全都是跨洲际的。许多同时代的区域支付公司过早停止网络扩张、转而向上做变现,短期确实赚得快,但天花板很快封顶,最终大多只能卖给 Visa、PayPal 等巨头充当区域补丁,或陷入合并整合。Airwallex 宁可熬过漫长亏损期,把早期有限资源全部砸在银行合作对接、各国本地牌照获取与当地清算网络接入上——前 3、4 年几乎全在铺底座,直到 2018 年才开始有零星收入,2019 年网络才算相对完善。如今,这张网已支持 90 多个国家实时到账。吴恺说,这笔账在战略上并不难算,真正困难的是执行中的不确定性:盈利大幅滞后,倒逼公司必须拥有极强的融资能力、投资者关系以及愿意咬牙陪跑的团队。

第二层愿景:跳过“只做底层通道”的天花板,在云上重建一整套全球银行。网络铺通后,团队很快发现单纯做资金转移实在太底层,能直接使用的 B 端客户数量极其有限。2018 到 2021 年,Airwallex 主要依靠付款类场景起量,例如在线教育平台向全球外教发薪、共享经济平台向海外房东打款、以及留学生跨国缴纳学费。要获取更广阔的 B 端流量、真正站上同一条起跑线与传统银行竞争,就必须在收付两端与银行核心业务上全线补齐:

当时不少投资人听完直呼“crazy”,认为初创公司理应聚焦单一垂直点,不可能同时铺开这么多条产品线。吴恺用第一性原理回应“垂直还是全栈”的经典争议:唯一标准在于能不能真正满足客户需求。Airwallex 在全线铺开的同时,每条产品线内部都会把功能砍到最小可用状态(MVP);但只要某项主线能力一砍掉客户就用不起来,就绝不能妥协。凭着团队极强的勤奋与执行力,这些交易银行类产品最终全部落地——直到 2021 年(公司成立第六年),Airwallex 才算在全球银行赛道真正迎来 PMF(产品市场契合)。

站上“全球银行”牌桌后,直接对手变成了传统大行。吴恺概括了说服企业从传统银行转向 Airwallex 的两大卖点:一是全球网络覆盖规模与效率(传统银行靠重资产铺设实体网点,核心系统大多诞生于上世纪五六十至八十年代,维护贵、效率低);二是云原生使用体验与 API-first(接口优先)架构。以企业日常批量付款为例,一家企业的 ERP(企业资源计划系统)每月动辄拉出几百份应付账单,在传统银行需要人工一张张录入、核对、付款;对接 Airwallex 后,账单直接从 ERP 导入系统,勾选即可一键批付。针对 Koji 提到的面向硅谷初创企业的 Mercury,吴恺指出关键差异:Mercury 并非以 API 为先,主攻极小型客户,这类客户原本不愿投入工程师做财务自动化;而 Airwallex 从第一天起就提供参数灵活、高度可控的 API 让科技企业自由编排——如今 AI 的到来,正在彻底改变中小企业的自动化门槛。

4. AI 财务产品矩阵与“十套金融 SaaS 合并为一个 Agent 入口”

吴恺认为,AI 正在把财务自动化从“中大型企业专属的奢侈品”变成“中小企业的普惠能力”:过去要养一支工程团队才能搭起的财务自动化流程,现在一名财务运营人员借助 AI 就能搞定。围绕这一趋势,Airwallex 连续推出四款 AI 金融产品:

产品名称定位与交互方式核心能力与当前进展
Kai内置在 Airwallex WebApp 中的纯自然语言对话 AI 助手分析企业财务政策、优化闲置流动资金(建议何时转入高收益账户、何时留钱付账单)、上传报销/审批制度自动生成待确认工作流、自然语言创建付款,以及直接排查“某笔钱为何未到账/为何报错”。上线约 1 个月,早期留存与黏性很强,用户一旦用过便很难回到“在几百上千个银行菜单里翻找功能”的点选操作。
AgentOS通过 CLI(命令行)、API 和 MCP(模型上下文协议)开放底层能力供企业自建的小程序或外部 Agent 直接调用 Airwallex 全部金融能力实现可控自动化。不仅大客户用,许多初创公司只要财务运营人员具备产品思维,同样会选用。
T:0面向新创企业的 AI 原生财务平台寓意企业从“第 0 天”起就拥有一位迷你 CFO 与财务运营团队,接管原本需要两三人完成的财务记账、对账、报表生成、财务政策与现金流/收支预测。率先在北美发布,硅谷反响积极。
Airi面向消费者的智能体钱包(原转写录作 Airy)从 one-click checkout(一键结账)起步(消费者在商户端结账一次后,下次免重复填卡),长远形态是带余额的消费者智能钱包,承接未来智能商业中的 Agent-to-Agent Payment(代理间自动支付结算)。

在吴恺看来,给网银加上 Kai 这样的自然语言助手对所有具备技术实力的金融机构都是必选项,但交互界面改变只是表层,真正的颠覆发生在软件底层逻辑。过去,财务软件本质上是“替人把繁琐操作封装成按钮和界面”的工具;当 Agent 能够直接理解业务规则与金融逻辑时,根本没必要再绕一圈给人类(或给 Agent)专门做一套图形软件——企业客户只关心最终结果。

由此他抛出一个极为犀利的五年预判:过去企业里往往是“5 名财务人员操作 10 套独立金融 SaaS”——费控、会计、收入确认、对账、计费各自为政;未来 5 年,这 10 条独立赛道很可能被合并成一个超级入口背后的多 Agent 协作系统,变成“3 名财务人员使用一套 Agent 系统”。面对 Koji“是不是很不看好传统金融 SaaS”的追问,吴恺一针见血地指出单点 SaaS 的新死穴:从前各家软件数据互相割裂不算问题,反正别人也做不了你的功能;到了 AI 时代,一款只守着费控单点数据的工具,因为拿不到全链路上下文,做出来的 AI 必然很“笨”、自动化完全割裂,想要转身极其艰难。

5. 收购 Leapfin 与 OpenPay 的账本,以及面对 ChatGPT Finance 的超级入口博弈

为了补齐智能财务拼图,Airwallex 近期连续收购了 Leapfin 和 OpenPay,且明确表示本轮 110 亿美元估值融来的资金仍将继续用于密集并购。吴恺毫不讳言并购背后的两张明牌:专有数据与顶级人才。

紧接着,Koji 抛出一个极其敏感的行业焦点:最近打开 ChatGPT 时弹窗推出了 Finance 功能,希望用户绑定银行账户,直接在对话里查流水、分析上月开支激增原因,甚至规划未来半年如何省出 10 万美元——这听起来和 Kai 高度重合。Airwallex 以后会让 ChatGPT 接入吗?

吴恺坦承这是一个没有现成答案的战略难题,目前整个行业都在观望。他先指出,眼下在 ChatGPT 里绑定单家银行一定不好用,因为视角片面;而尽管 ChatGPT 非常渴望连接 Airwallex 等金融科技平台,目前却鲜有头部玩家真正开放接入。他借电商行业打了个极透彻的类比:亚马逊、沃尔玛死守核心数据与用户入口,绝不会轻易把交易拱手交给大模型做 agentic commerce(智能体电商);反倒是本身不自带终端流量的 Shopify,更可能认真权衡借船出海。核心矛盾在于流量与超级入口的博弈:

这也是 CEO Jack Zhang 在 110 亿美元融资公告中称“当下正值全球金融发展史上至关重要节点”的深意。吴恺认为,未来的超级智能入口不会只有通用智能这一层,在金融、医疗、工业等重专业、重非公开数据的大板块里,依然存在垂直超级入口的壁垒。放眼全球,他点名除 Airwallex 外真正拿到金融超级智能入口入场券的玩家寥寥无几:一是 Stripe(前十年高度聚焦支付网关,近三四年却急剧横向扩张全线产品,只因智能天生泛化,单产品根本撑不起超级入口);二是手握数千万 C 端流量的 Revolut;其余大多停留在区域层面。

6. 拒绝 Stripe 收购、2018 年神奇的六年预测,与 110 亿估值基本面

复盘 11 年创业路,被问到哪些决定最难做,吴恺说:“选择是难的,真正做起来还好。”真正难的,是在“钱”与“愿景”同时摆上桌面时抵御短期诱惑——比如要不要早早追求盈利上市,又比如在公司 B 轮阶段,支付巨头 Stripe 曾提出收购 Airwallex,团队最终选择拒绝并坚持独立走下去。

曾经当过三年多 CFO 的吴恺,还回忆起一段连自己都觉得神奇的往事:2018 年 Airwallex 收入几乎为零时,他纯粹基于愿景自上而下搭建了一份通往十几亿美元营收的六年财务模型——逐层拆解“谁是目标客户、他们有多少跨境交易量、我们能承接多大比例、能收多少费率、覆盖哪些国家市场”。当时有投资人看完直言“太离谱,六年绝对不可能做到”。结果 2024 年回头复盘,2018 到 2024 年的实际增长轨迹竟然几乎紧贴那条预测曲线,只差了约一个半季度。他笑着接受了 Koji 关于“肯定有运气成分”的调侃,但也补充:一旦市场足够大、公司已在正确赛道就位,决定能否走通的便是执行力与毅力。

聊到当前财务基本面与 110 亿美元估值支撑,吴恺给出了一组核心数据:

7. 全球化实操三原则:铁律招本地 GM、按 GDP 排优先级、亚洲地推 vs 欧美线上

作为一家极早出海、把复杂合规金融业务铺向全球的公司,吴恺毫无保留地分享了 Airwallex 全球化踩坑后沉淀出的三条硬核经验:

第一,再精神内耗也要坚持找本地总经理(GM),绝不总部空降。从 2019 年起,Airwallex 在各主要市场招聘当地 GM,过程堪称“屡败屡战、屡战屡败、然后再战”,直到今天美国区仍在持续寻找最合适的人选。核心痛点在于早期缺乏本地品牌知名度,必然遭遇逆向选择——愿意加入陌生海外创业公司的候选人能力参差不齐。

美国区真实踩坑:住在“圣何塞”的迈阿密度假负责人

吴恺讲了一段极具画面感的亲身经历:公司曾在美国招了一位商务总负责人,按约定在旧金山办公,对方声称家住旁边的圣何塞。有一次吴恺和 Jack 未提前打招呼飞到旧金山,约他碰面聊聊业务,对方推说家里有急事当天赶不过来;两人在当地见投资人顺势多留了两三天,他依然始终没露面。直到最后对方才坦白,自己人根本不在加州,而是在迈阿密和家人度假,一直远程办公。两人当场决定让他离开。

哪怕建立信任又推倒重来极度精神内耗,团队仍死守“本地人管本地”铁律。Koji 顺势对比了日韩企业及华为在全球化时大量采用“总部空降外派”的做法。吴恺深入思考过这一差异,指出核心在于行业属性:制造业海外建厂最值钱的是复制总部的先进工艺、建厂经验与工厂管理,这比懂当地文化重要得多,因此空降有效;而金融科技产品全由总部研发,海外当地最核心的两件事是本地合规和本土营销,极度依赖当地法规理解、文化语境与本土人脉——总部空降管理者不仅水土不服,更根本无法在当地吸引到高密度的一流本土人才。

第二,放弃复杂的 2×2 矩阵,只按 GDP 排名决定市场进入顺序。早期团队曾试图用“市场规模 × 进入难度”四象限评估优先进入哪些国家,结果发现“市场又大、进入又容易”的完美象限根本不存在,反而导致战略反复摇摆、资源忽多忽少。后来团队干脆简化成唯一标准——按全球 GDP 排名:先啃下前 10 大经济体,打完再进第 11 到第 20 名,20 名开外视情况而定。这个极简法则赋予了公司极强的战略定力。

第三,亚洲偏线下销售,欧美偏线上增长。不同国家的获客打法差异,本质上由线上流量成本与人力成本的相对价格决定:亚洲线上经济高度成熟、流量极其昂贵而人力成本相对较低,因此派驻营销人员做线下触达(类似地推)性价比更高;欧美虽然线上买量也贵,但对比高昂的人力成本反而划算,因此进入英国、欧洲和北美后,Airwallex 重点搭建了线上增长团队。

8. 下一站 1000 亿美元:100 万客户与智能金融的简单算术

节目最后一个问题指向未来:用了 11 年走到 110 亿美元,要跨越到 1000 亿美元还需要迈过哪几道里程碑?吴恺给出了两条清晰指标与一笔极直白的算术:

访谈在 Koji 对 Airwallex 早日迈向千亿美元估值的祝福与双方道别中收尾。

机制:从一次模型调用到计费与财务执行

1. 大模型动态计费为什么容易出错?(本文自拟算例)假设某出海客户本月调用模型 A 共 100 万单位,合同约定前 80 万单位按每万单位 2 元、超出部分按每万单位 1 元阶梯计费,其中低谷时段可享半价;另调用模型 B 共 10 万单位,按每万单位 5 元计费。若全部发生在高峰时段,账单由 80×2 = 160 元、20×1 = 20 元与 10×5 = 50 元组成,合计 230 元。真实生产环境还会叠加输入/输出 Token 差异定价、缓存命中折扣、并发封顶、跨币种结算与税率。

把一次 API 调用稳稳变成回款,至少涉及四层解耦对象:模型服务上报的用量事件流(Usage Events)、在特定时间窗口生效的费率与合同版本(Pricing & Contract Rules)、汇总核验后的可审计账单(Invoice),以及实际触达发卡行或清算网络的扣款与资金结算(Collection & Settlement)。如果网络抖动导致同一笔事件重复上报(缺乏幂等键校验),或者修改下月费率时误重算了历史事件,账单就会错算;即便账单丝毫不差,若客户信用卡限额或跨境扣款失败且缺乏重试与催缴闭环,营收依然落不了袋。吴恺所谓“把用量直接交给支付平台算账以省掉对账”,前提是平台必须具备高吞吐事件去重、规则版本追溯和失败自动补偿能力。

2. 自然语言入口 vs 确定性金融执行:当财务人员在 Kai 里输入一句“把本周到期且已审批通过的海外供应商账单付掉”,大语言模型解决的是意图解析与跨系统信息汇总——省去用户在几十层菜单里点击翻找的摩擦。但真正动钱时,系统仍必须调用确定性后端:校验供应商收款账号是否变更、核对审批流签名与权限额度、检查对应币种余额与实时锁汇价格、执行反洗钱/制裁名单筛查(防止类似早年同名卡单或合规风险),并对大额异常付款强制触发人工二次确认。“听懂自然语言指令”与“有权、合规、零差错地划出资金”,在工程架构上属于完全不同的两层能力。

独立判断:更好的 AI 入口,归根结底依赖看不见的底座

1. “十套软件合成一个界面”,并不等于背后的十套财务规则消失

吴恺描绘的“5 人 10 套 SaaS → 3 人 1 套 Agent”极具冲击力,确实指出了企业财务数据孤岛的真实痛点——跨系统获取完整上下文能大幅砍掉人工搬运与重复录入。但必须清醒看到:减少的是界面切换与人工操作,而不是会计准则、税务合规、权限隔离与审计追溯本身。例如不同行业的收入确认规则、多主体合并报表的底稿证据链、付款审批的职责分离(制单与复核不能同人),都要求高度确定性与可复现性。如果底层账本数据本身混乱,或者 Agent 输出一份报表却无法一键下钻到每笔原始凭证与规则依据,财务负责人反而要花更多时间核查 AI 是否“胡编乱造”。衡量 AI 财务产品能否真正替代 SaaS,不能只看自然语言交互有多顺滑或首月留存,而要看在真实月结、审计和异常冲销场景下的零错账率、人工返工时长与审计师采信度。

2. 靠并购拿“专有数据”训练 Agent,面临严格的授权与数据质量边界

收购 Leapfin、OpenPay 确实能让团队迅速吸纳垂直领域专家、产品工作流与行业边缘案例(edge cases),比从零摸索快得多。但在金融与企业软件领域,买下一家 SaaS 公司并不自动等于有权拿其历史客户数据去跨客户训练通用模型——企业客户合同中的保密条款、数据驻留法规(如 GDPR 等)与用途限制,都会严格界定哪些数据可用于汇总脱敏洞察、哪些绝不能跨租户共享。即便拿到合法授权,企业历史账务中同样混杂着大量人工误操作与权宜处理,不能不经清洗验证直接喂给 Agent 当“标准答案”。因此,并购真正立竿见影的资产往往是领域知识图谱、规则引擎与懂业务的产品团队,而非简单堆砌原始记录条数。

3. 超级入口博弈的隐形变量:企业客户的多银行风险分散惯性

面对 ChatGPT Finance,吴恺把核心博弈概括为“流量 vs 数据入口”,拿亚马逊与 Shopify 作类比非常精准。不过在 B2B 金融场景中,还有一条容易被忽略的约束:中大型企业出于资金安全、授信额度与单点故障风控,天生倾向于同时使用多家银行和支付渠道。ChatGPT 之所以在单行绑定下不好用,本质上是因为它只看得到局部账本;反过来,Airwallex 若想成为全企业财务的唯一“超级智能入口”,同样需要打通外部银行账户、第三方 ERP 与非本平台资金流(这与 AgentOS 开放 MCP/API 的双向互通同样关键),否则也会遇到视角不全的局限。

4. 估值倍数与千亿算术,需要严格区分指标口径

节目中出现了两处值得单独拎清的财务口径细节:

证据边界与资料索引

本文对话重建部分依据官方简介与全文第三方机器转写整理,未逐字听审原音频。部分专名已结合官方简介统一拼写(如产品名据官方简介写作 T:0、Airi、AgentOS;官方简介列出服务的大模型客户包含 Kimi、MiniMax、智谱、DeepSeek,正文已区分官方简介补充与访谈现场举例;片尾转写“寇姐”明显系主持人名 Koji 的语音识别误差,已修正)。ARR 年增速在转写口述(90%)与官方简介(74%)间存在来源冲突,尚待回听原声并核对统计口径。嘉宾口述的财务数据、并购逻辑、产品表现、客户留存与千亿美元目标均按 2026 年 7 月节目时的表述记录,未逐项独立审计核实;文末大模型计费与财务执行机制算例为本文自拟。

返回十字路口目录