撰文：Leo
想象一下这个场景：你是某个知名消费品牌的 CFO，公司产品在 Target、Walmart、亚马逊等大型零售商都有销售，账面看起来一切正常。但每个月结算时，你会发现一个奇怪的现象：这些零售商支付的金额总是比账单少 20%左右。不是一次两次，而是每个月都这样。你想证明他们少付了，但要做到这一点，需要你的团队翻阅数百页的发货记录、登录几十个不同的零售商门户网站、核对成千上万条发票明细。这个工作量大到什么程度？你的财务团队根本处理不过来，最后只能选择放弃追讨那些金额较小的扣款，眼睁睁看着几百万美元从指缝中溜走。
这不是虚构情节，而是消费品行业每天都在上演的真实故事。我最近深入了解了一家名叫 Glimpse 的公司，他们刚刚获得了由 Andreessen Horowitz 领投的 3500 万美元 A 轮融资。这家 Y Combinator 孵化的公司正在用 AI 解决一个价值上千亿美元的行业痛点：零售扣款争议。当我看到他们的数据时，我被震惊了：一家 10 亿美元规模的消费品公司，Glimpse 的 AI agent 在不到 24 小时内审查了 17000 条扣款记录，发现了价值数百万美元的可追回收入。而如果用人工处理，这个工作量需要将近两年时间。
零售行业最昂贵的隐形成本
在深入了解 Glimpse 的解决方案之前，我想先解释一下零售扣款这个问题到底有多严重。很多人可能不知道，消费品牌和零售商之间的交易并不像普通人想象的那么简单。品牌给零售商开账单，零售商付款，看似直截了当，但现实中，零售商几乎总是会在付款时扣除一部分金额，然后提供一个理由——比如货物损坏、发货短缺、包装不符合规范等等。
这些扣款有些是合理的，确实是品牌方的问题。但有相当一部分是无效扣款，也就是说，品牌其实没有做错什么，但零售商依然扣了钱。问题在于，要证明这些扣款是无效的，需要极其繁琐的过程。财务团队需要登录多个零售商系统、提取分散的文档、逐行审查明细、对照内部记录进行核对，然后管理整个争议流程。这个过程是如此复杂和耗时，以至于大多数品牌只能选择性地处理那些金额较大的扣款，其他的就当作成本损失接受了。
我看到一个数据让我印象深刻：行业分析师估计，消费品公司每年总共有 80 亿美元的有效争议因为运营能力不足而没有被追讨。这不是小数目。对于一个中等规模的消费品公司来说，无效扣款可能占到零售收入的 5%甚至更多。想象一下，如果你每年的零售收入是 1 亿美元，就有 500 万美元在这个过程中蒸发了，而你却因为没有足够的人手和系统来处理而无法追回。
更糟糕的是，这个问题的复杂性还在不断增加。以亚马逊 Vendor Central 为例，它有超过 30 种不同的扣款类别，从发货延迟到包装违规，每一种都有不同的规则和争议流程。中等规模消费品公司的财务团队通常只有几个人，他们根本没有足够的人力去处理哪怕一半的扣款争议。这就是为什么这个问题长期以来一直存在，直到现在 AI 技术的成熟才让解决它成为可能。
Glimpse 的 AI 解决方案到底有多强大
当我了解 Glimpse 的工作原理时，我意识到他们找到了一个非常聪明的切入点。他们没有试图构建一个通用的财务软件，而是专注于解决一个具体但影响巨大的问题：自动化零售扣款的审查和争议流程。他们的平台使用 AI agents 来执行整个流程，从数据收集到争议解决，全程自动化。
具体来说，Glimpse 的系统首先会自动登录到各个零售商的门户网站，找到所有相关文档并集中起来。这听起来简单，但实际上非常复杂，因为每个零售商的系统都不一样，数据格式也完全不同。有些是 EDI（电子数据交换），有些是 PDF 文档，有些是邮件，有些藏在网页深处。Glimpse 的 AI 需要理解所有这些不同的数据源，并把它们整合成一个统一的视图。
接下来，系统会对每一条扣款进行分类。这一步看似简单，实际上需要深度理解业务逻辑。AI 需要知道这是哪种类型的扣款、涉及哪些产品、发生在什么时间、对应哪个订单。然后，它会将这些扣款与品牌的内部数据进行验证——比如供应链记录、促销日历、发货清单等等。通过这种交叉验证，AI 可以判断哪些扣款是合理的，哪些是无效的。
最关键的是，当系统识别出无效扣款后，它不会停在那里，而是会自动提交争议申请，跟进整个流程，追踪现金回收的进度，然后将所有信息同步回品牌的ERP 系统。整个过程从头到尾都是自动化的，不需要人工干预。当然，Glimpse 也保留了人工参与的环节，主要用于确保结果质量，比如跟进争议以推动解决和现金回收，以及在分类和数据提取等关键步骤进行质量保证。
我觉得最厉害的地方在于，这个系统会越用越智能。每处理一次扣款，它就会学习和改进，不断优化分类、验证和解决的能力。随着时间推移，这会创造一种复合数据优势：每一次新的集成、每一个新客户，都会让整个网络变得更智能、更有效。这就是为什么 Glimpse 能够达到 91%的争议胜率，同时减少多达 80%的人工劳动时间。
我看到一个客户案例特别能说明问题。Evermark 是 Suave 品牌和 Chapstick 的母公司，他们的FP&A高级总监 Sean Quinn 说："像大多数主要消费品牌一样，Evermark 过去不得不为可以审查的扣款设定一个最低金额门槛，因为根本没有足够的时间或人力来审查每一条扣款。通过使用 Glimpse 的 AI 自动化审查和对账流程，我们不仅取消了这个门槛，还解锁了一个新的现金流来源，这将带来数百万美元的收入，而这些钱以前被认为是'核销'或做生意的成本。"这段话的关键在于"取消门槛"——过去他们只能处理金额超过某个数字的扣款，现在每一条扣款都会被审查，这意味着大量之前被忽略的小额扣款现在都能被追回。
从失败到成功：三个普渡大学朋友的转型故事
Glimpse 的创始故事本身就很有意思，它体现了创业中最重要的一点：快速试错和果断转型的能力。创始人 Akash Raju、Anuj Mehta 和 Kushal Negi 是普渡大学的同学，他们最初做的项目跟现在完全不同：一个为 Airbnb 做产品植入的公司。这个项目在 2020 年启动，但到了 2024 年，创始人意识到产品市场契合度不够，决定彻底转型。
用 Akash Raju 自己的话说："我们最终感觉缺乏产品市场契合度，决定做一次硬转型。在这个过程中，我们接触到了品牌的后台办公室，以及在零售中销售的混乱局面,最终促使我们创建了今天的 Glimpse。"这种转型需要极大的勇气，因为这意味着放弃之前所有的工作，从零开始。但正是这种决断，让他们找到了一个真正有价值的问题。
更让我佩服的是，在转型期间，创始团队甚至有时候连工资都不发，完全靠对产品的热情和信念支撑。这种"不达目的誓不罢休"的执着精神贯穿了他们做的每一件事。而这种精神也得到了投资人的认可。他们通过一个共同的创始人朋友认识了 Andreessen Horowitz 的投资人，随着业务的扩展建立了深厚的关系，最终促成了这次 3500 万美元的融资。
有意思的是，这轮融资在命名上也有点故事。Glimpse 去年在业务转型后获得了由 8 VC 领投的 1000 万美元融资，当时称之为 A 轮。现在这 3500 万美元的融资也叫 A 轮，而之前的 1000 万美元被重新定义为种子轮。加上转型前的融资，公司总共已经筹集了 5200 万美元。这种灵活的融资轮次命名在创业圈并不罕见，特别是对于经历过重大转型的公司。
团队的执行能力从他们 2025 年的表现就能看出来。他们在进入 2025 年时就设定了明确的战略：招聘优秀人才并在一起工作、深度嵌入客户工作流程、采用面对面的市场策略。他们的内部口号是"无处不在"——通过持续出现并提供帮助来建立信任。这个策略奏效了。2025 年，他们实现了 10 倍的收入增长，为客户追回的收入增加了 10 倍，处理的发票量增长了 5 倍达到 10 亿美元，团队规模扩大了 5 倍达到 25 人以上，客户数量增长了 3 倍达到 150 多个消费品牌。
AI Agent 在财务自动化中的真正价值
Glimpse 的案例让我对 AI agent 在企业应用中的价值有了更深的认识。过去一年，大家都在讨论 AI agent，但很多时候停留在概念层面或者 demo 阶段。而 Glimpse 则展示了 AI agent 在真实业务场景中能创造的实际价值：直接影响企业的利润率。
我认为 Glimpse 成功的关键在于他们选择了一个完美的切入点。扣款争议这个问题有几个特点，使它特别适合用 AI 来解决。这是一个高度重复性的任务，每个月都会发生成千上万次。它涉及大量非结构化数据的处理，从 PDF 文档到网页数据到电子邮件。它需要跨多个系统进行数据验证和匹配。它有明确的成功标准：争议是否成功、钱是否追回。所有这些特点加在一起，让 AI agent 能够发挥最大优势。
更重要的是，这个问题有立竿见影的投资回报。Glimpse 的一个投资人曾说，他们寻找的是"第一季度就能收回成本的软件"——而扣款追回工具完全符合这个标准。当一个品牌每年能通过 Glimpse 追回几百万美元时，软件的订阅费用相比之下就显得微不足道了。这种清晰的价值主张让 Glimpse 能够快速获客并保持极高的客户留存率。
我也注意到 Glimpse 并没有止步于扣款争议。他们已经在 2025 年推出了几个重要的平台能力扩展。除了最初的 KeHE 和 UNFI，他们现在支持 Target、Walmart、亚马逊、Sam's Club 等多个零售商。他们推出了端到端的 AI revenue recovery agents，可以处理扣款检索、编码、验证和索赔提交的全流程。他们还开发了自动化现金应用功能，自动化了财务团队在月末结账时最痛苦的工作流程之一。
特别值得一提的是他们推出的 AI 扣款明细化功能。每一条扣款都附带备份文档，这些文档通常超过 100 页，充满了混杂的零售商、SKU、经纪人和非结构化细节。大多数品牌不使用这些数据，不是因为它没有价值，而是因为手动大规模处理这些数据根本不可能。Glimpse 的 AI 可以将每一个相关细节提取到结构化的表格格式中，这解锁了全新的智能层次：准确的经纪人佣金计算、按零售商的盈利能力分析、贸易分析、促销表现评估、利润率改进策略等等。
这让我想到一个更深层的问题：Glimpse 真正在构建的是什么？表面上看，他们是一个扣款争议自动化工具。但实际上，他们在构建的是 CPG 品牌的 AI 基础设施。他们的 CEO Akash Raju 说："我们的愿景是成为 CPG 和零售品牌的 AI 基础设施。"这个定位非常聪明。扣款争议只是一个切入点，一个能够快速证明价值的楔子。但通过解决这个问题，Glimpse 获得了对品牌零售运营数据的深度访问权限，这让他们能够扩展到更广泛的零售合规自动化领域。
据报道，他们的路线图包括促销对账、贸易支出优化、零售商支付行为预测分析等模块。一位接近这笔交易的投资人表示，公司最终可能会构建一个完整的"零售财务运营平台"，位于 ERP 系统和零售商门户之间,为 CPG 品牌自动化整个订单到现金的周期。如果这个愿景实现，Glimpse 将不仅仅是一个工具，而是成为 CPG 品牌运营的核心基础设施。
这对整个行业意味着什么
Glimpse 的快速崛起和成功融资，我认为标志着企业 AI 应用进入了一个新阶段。2025 年,消费者 AI 应用占据了所有头条，但投资人现在开始大举押注那些能解决不起眼但昂贵的商业问题的 AI 工具。扣款追踪、发票对账、合规监控，这些都不会产生炫酷的 demo，但它们直接影响 EBITDA。这正是能在经济下行时期生存下来的价值主张类型，也是 Andreessen Horowitz 愿意为之支付高额企业SaaS倍数的原因。
我观察到一个有趣的趋势：竞争格局正在快速升温。Claimify 去年为类似的零售争议自动化筹集了 1200 万美元的 A 轮融资，而像 HighRadius 和 Billtrust 这样的传统玩家正在向他们的应收账款平台添加 AI 模块。但 Glimpse 的 Y Combinator 背景和在中端市场 CPG 品牌中的早期牵引力,在融资过程中给了它优势。据报道,公司的收入同比增长了 14 倍,尽管具体的ARR数字没有披露。
8 VC 的持续参与也很能说明问题。这家公司领投了 Glimpse 2024 年的种子轮，并在这轮 A 轮中继续跟投。8 VC 有投资自动化手动财务流程的垂直 SaaS 的记录。该公司合伙人 Alex Kolicich 此前曾对福布斯表示,8 VC 寻找的是"第一季度就能收回成本的软件"——当品牌每年能追回六位数或七位数时,争议追回工具完全符合这种 ROI 模式。
从更宏观的角度看，Glimpse 的成功验证了一个简单的论点：自动化那些每年让 CPG 品牌损失数百万美元的不起眼的中台工作,这里面有大生意。有了 Andreessen Horowitz 的支持和一个从第一天起就能提供可衡量投资回报的产品,公司处于有利位置去主导零售争议解决这个品类。
真正的考验将在未来 12 个月到来,看 Glimpse 能否超越其初始客户群进行规模化,并证明该平台能够处理企业级 CPG 品牌管理成千上万 SKU 跨越数十个零售合作伙伴的运营复杂性。如果产品能兑现其利润率回收承诺,这轮 A 轮融资在公司下一轮融资时可能看起来像是捡了个大便宜。
我特别认同 Andreessen Horowitz 合伙人Joe Schmidt的观点："数十年来,零售后台运营一直依赖电子表格和碎片化的工作流程。让我们印象深刻的是客户推荐——Glimpse 正在提供清晰、可衡量的投资回报。通过将 AI 直接嵌入核心财务和运营工作流程,他们正在将这个市场从增量工具扩展为现代品牌的基础设施。"这段话准确地概括了为什么 Glimpse 重要：它不是在边缘改进现有流程,而是在用 AI 重新定义这些流程应该如何运作。
我对 AI 改造传统行业的思考
Glimpse 的故事让我对 AI 如何改造传统行业有了更深的认识。消费品行业是全球最大的市场之一,但它在现代软件方面基本上没有被触及。品牌向主要零售商销售时,通常要处理分散在几十个零售商门户和遗留系统中的碎片化、非结构化数据。分析师花费无数小时从门户拉取数据、从文档中提取行项目、在电子表格中工作,来驱动像对账扣款、争议无效费用、手动应用现金这样的工作流程——这些工作直接影响利润率,但几乎没有战略杠杆。
整个行业每年在后台劳动力上花费超过 1000 亿美元,而这些工作从之前几波企业软件浪潮中获得的生产力提升非常有限。AI 第一次让端到端自动化这种复杂性成为可能。我认为这才是最重要的洞察：不是所有问题都能用传统软件解决,有些问题需要等待技术进步到某个临界点才能被有效解决。
我也在思考为什么现在是 AI 改造这些传统行业的最佳时机。技术上,大语言模型已经足够强大,能够理解和处理非结构化数据。商业上,企业正面临利润压力,需要保护利润率,特别是在零售商整合权力并施加更严格的合规要求的情况下。仅亚马逊 Vendor Central 就有超过 30 种不同的扣款类别,从延迟发货到包装违规。中型 CPG 公司的财务团队往往缺乏人力去争议其中的一半。这就是为什么像 Glimpse 这样的 AI 驱动平台变成了关键基础设施而不是可有可无的工具。
我相信我们将看到越来越多像 Glimpse 这样的公司出现,专注于用 AI 解决特定行业的特定痛点。这些公司不会试图构建通用 AI,而是会深入某个垂直领域,真正理解业务流程,然后用 AI 重新设计这些流程。这种方法比构建通用工具更难,因为需要深厚的行业知识,但一旦成功,壁垒也更高,价值也更大。
Glimpse 的 3500 万美元 A 轮融资只是一个开始。我预计在未来几年,我们将看到大量资本涌入这个领域,推动 AI 在传统行业后台运营中的应用。那些能够像 Glimpse 一样找到高价值切入点、快速证明 ROI、然后扩展平台能力的公司,将有机会成为各自领域的基础设施级玩家。而对于 CPG 品牌来说,拥抱这些 AI 工具不再是选择题,而是生存必需品。那些能够更早采用、更好利用 AI 优化运营的品牌,将在竞争中获得显著优势。
