Rampls interne KI-Agentenplattform Inspect knackt die Marke von einer Million Sessions

Was „internal AI“ bei Ramp bedeutet

Sobel versteht internal AI als den natürlichen nächsten Schritt für Analytics Engineers und nicht als eigene Disziplin. Er argumentiert, Analytics Engineers hätten hier einen Vorsprung gegenüber Softwareentwicklern. Seiner Ansicht nach gehen sie entspannter mit dem „Blackbox“-Verhalten eines Modells um und sind eher bereit, die Texte zu schreiben, die Agenten brauchen. Das sei, so seine halb scherzhafte Behauptung, schwieriger als Python.

Im Mittelpunkt steht das Unternehmen selbst als Nutzer von KI. Die Tools, die Sobel vorstellte, sind für Ramps eigene Belegschaft gebaut, von Entwicklern bis zu Vertriebsteams, und nicht für Kunden.

Die Tools hinter den Zahlen

Sobel stellte mehrere interne Systeme vor:

• Ramp Research: der Daten-Agent des Unternehmens, vor etwa einem Jahr gestartet. Er verbreitete sich so weit, dass die Keynote des dbt Summit darauf Bezug nahm.
• Inspect: Ramps Remote-Agentenplattform. Sie nutzt eine Ticket-Oberfläche, in der jedes Ticket eine Coding-Agent-Session in einer Sandbox ist. Zuletzt überschritt sie eine Million Sessions.
• Glass: Es startete als interner Prototyp, den Sobel nach Anthropics Assistenten benannt hatte, bevor Teamkollegen ihn umbenannten und er viral ging. Inzwischen ist es auf den Laptops neuer Mitarbeitender vorinstalliert und mit internen Systemen vorverbunden. Besonders beliebt ist es bei Nicht-Entwicklern wie dem Vertriebsteam.
• Rampplify: eine interne App-Hosting-Plattform, gebaut, um interne Tools schnell auszuliefern und ebenso schnell wieder abzubauen.
• WaveDash: der jüngste Baustein, ein Dashboarding-Tool, in dem jedes Dashboard eine SQL-Datei in einem Repository ist, die zu Markdown gerendert wird. Agenten können Dashboards daher genauso lesen und bearbeiten wie Entwickler. Ramp stellt gerade aktiv von Looker darauf um.

Sobel zeigte außerdem ein Diagramm zum Abfragevolumen des Daten-Agenten. Es ist von rund 10.000 bis 15.000 Fragen pro Monat auf ein Niveau gewachsen, das die menschengesteuerten Abfragen, mit denen es verglichen wird, inzwischen deutlich übertrifft.

Lock-in vermeiden und Nutzen messen

Sobel betonte, dass Ramp sich bewusst nicht an die Modelle eines einzelnen KI-Labors bindet. Als Grund, sich Optionen offenzuhalten, verwies er auf Ausschläge wie die kolportierte Bewertung von Cognition mit 45 Milliarden US-Dollar. Cognition entwickelt Devin.

Bei der Frage nach dem Return on Investment gab er sich offen. Ramp messe den ROI dieser KI-Investitionen derzeit nicht rigoros, sagte er und sprach von „Blackboxes und Bauchgefühl“.

In der Fragerunde riet Sobel kleinen Datenteams, denen die Ressourcen für eigene Plattformen fehlen, sich auf ein Designsystem, eine Chart-Bibliothek und ein „vibe-codetes“ internes Repository zu stützen, statt alles von Grund auf zu bauen. Bei der Personalsuche achte er auf Analytics Engineers mit einem gewissen Gespür für Softwareentwicklung. Er würdigte Ramps Security-Engineering-Team, das den internen KI-Vorstoß erst möglich gemacht habe, und machte sich ein wenig Luft darüber, dass KI-generierte Texte die interne Dokumentation aufblähen.

Was das für Datenteams bedeutet

Der Vortrag rückt Analytics Engineers ins Zentrum der unternehmensweiten KI-Einführung, nicht nur der Datenpipelines. Ramps Beispiele zeigen Agenten, die Dashboards als Dateien lesen und bearbeiten, Datenfragen in wachsendem Umfang beantworten und Coding-Sessions in Sandboxes ausführen. Ebenso bemerkenswert sind Sobels eigene Einschränkungen: Das Unternehmen hat noch keine rigorose ROI-Messung, und kleinere Teams können seiner Ansicht nach mit Standardkomponenten starten, statt eigene Plattformen zu bauen.

Alle Keynotes und Breakout-Sessions des dbt Summit 2026 sind laut dbt Labs on demand verfügbar.