Cargo

Was es ist

Cargo ist eine GTM-Orchestrierungsplattform, bei der der Workspace ein Ordner mit TypeScript-Dateien ist. Jede Ressource ist ein define*-Aufruf: defineModel für eine Tabelle aus einem Konnektor, defineTool für eine wiederverwendbare Funktion, defineAgent für einen LLM-Worker, definePlay für einen Workflow, der bei einer Datenänderung auslöst, defineMcpServer für einen Endpunkt, der all das einem externen Assistenten zugänglich macht. Sie verdrahten die Teile über Variablenreferenzen und bringen den gesamten Graphen mit cargo-ai cdk deploy live. Es gibt eine Oberfläche, und die meisten Teams starten dort, aber das eigentliche Argument des Produkts lautet: Revenue-Logik gehört versioniert, reviewt und deployt wie der Rest Ihrer Infrastruktur.

Das Unternehmen wurde 2023 von Aurelien Aubert und Maxence De Villepion gegründet, durchlief den Summer-2023-Batch von Y Combinator, sitzt in San Francisco und hat $19.4M eingesammelt. Als Kunden nennt es Descript, Gorgias, Ashby, Swile, Oneflow, Upfluence, Weights & Biases und Qobra, gibt über 10.000 GTM Engineers auf der Plattform an und ist SOC 2 Type II zertifiziert.

Warum es in RevOps-Stacks auftaucht

• Eine Definition, vier Aufrufstellen. Eine einmal als defineTool geschriebene Waterfall-Anreicherungsfunktion lässt sich aus einem nächtlichen Play über neue Registrierungen aufrufen, aus einem SDR-Agent mitten in der Recherche, über die REST-API, aus cargo-ai orchestration in der CI und aus Claude Code. Die meisten GTM-Stacks bauen diese Logik dreimal: einmal im Anreicherungs-Tool, einmal im Sequencer, einmal in einem Skript.
• MCP läuft in beide Richtungen. defineMcpServer bündelt eine ausgewählte Menge Ihrer Tools, Agents und Datenmodelle hinter einem einzigen Endpunkt, den Claude oder Cursor entdecken und als native Aktionen aufrufen können, mit readOnly-Flags pro Modell. In der Gegenrichtung nutzt Cargo die gehosteten MCP-Server von HubSpot, Salesforce und Notion als Agent-Aktionen. Zusätzlich bringen die Open-Source-Pakete cargo-skills Claude Code und Cursor die CLI-Befehle und den UUID-Discovery-Ablauf bei, sodass aus „Starte das MQL-Scoring-Play für die diese Woche hinzugekommenen Leads“ echte Befehle werden statt Rätselraten.
• Die Abrechnung ist lesbar. Jede Antwort von @cargo-ai/cli ist JSON, jeder Fehlschlag endet mit einem Exit-Code ungleich null, und cargo-ai billing usage liefert den Verbrauch als Daten. Sie können ein Play bepreisen, bevor Sie es skaliert laufen lassen.

Preisrealität

Veröffentlicht, nutzungsbasiert, ohne Mindestabnahme. Der kostenlose Test gibt 100 Credits ohne Karte. Die bezahlten Pläne sind Credit-Kontingente: ab $165/Monat für 1.5K Credits, $250 für 2.5K, $1,190 für 17K und $3,000 für 50K und mehr. Jede Stufe enthält sämtliche Funktionen und alle über 100 Integrationen; die einzigen Unterschiede sind das Credit-Kontingent und das Supportniveau, wobei SSO dem Enterprise-Plan vorbehalten ist.

Der effektive Satz verbessert sich über die Spanne etwa um das Doppelte: rund $0.11 pro Credit auf der $165-Stufe, rund $0.10 bei $250, rund $0.07 bei $1,190 und rund $0.06 bei $3,000. Credits über den Slider statt über einen Plan zu kaufen kostet $0.25 — der Planrabatt ist also die eigentliche Preisentscheidung.

Was die Credits kaufen, ist der Teil, der die Rechnung verändert. Orchestrierung kostet 1 Credit pro 100 Schritte, Speicherung 1 Credit pro 1.000 Upserts — beides bei realistischen Volumina praktisch kostenlos. Integrationsaufgaben sind pro Integration ausgewiesen, und KI-Anbieter rechnen pro Modell je 1.000 Token ab. Ihre Rechnung wird damit von Aufrufen an Anreicherungsanbieter und von Modell-Token dominiert, nicht davon, wie viele Workflow-Schritte Sie ausführen — das Gegenteil der Intuition, die die meisten Teams aus zeilenbasiert abgerechneten Tools mitbringen. Budgetieren Sie nach Datenvolumen und Modellwahl, nicht nach Workflow-Komplexität.

Am besten geeignet für

GTM Engineers und RevOps-Verantwortliche in Series-A- bis Series-C-Unternehmen mit mindestens einer Person, die TypeScript schreibt, und deren Orchestrierung einer Tabelle entwachsen ist. Es ist genau dann die richtige Wahl, wenn dieselbe Anreicherungs- oder Scoring-Logik aus einem geplanten Play, einem Agent, Ihrer API und einem Terminal aufrufbar sein muss — und Sie sie in git haben wollen, mit Diff und Review.

Lassen Sie es aus, wenn niemand im Revenue-Team einen TypeScript-Pull-Request reviewen kann, wenn Ihre Arbeit Listenaufbau statt dauerhafter Orchestrierung ist, oder wenn Sie ein zertifiziertes Partner-Ökosystem hinter der Plattform brauchen.

Gegenüber den Alternativen

Clay ist das dominierende Tool in diesem Segment und für die meisten Teams die ehrliche Standardwahl: Nehmen Sie Clay, wenn die Aufgabe Tabellenform hat — Liste bauen, anreichern, wegschieben — und die Ausführenden keine Ingenieure sind. n8n und Zapier sind die allgemeinen Workflow-Engines: Nehmen Sie eines von beiden, wenn die Automatisierung nicht GTM-spezifisch ist und Sie kein Revenue-Datenmodell und keine Gebietslogik darunter brauchen. Unify ist der am schnellsten wachsende Neueinsteiger hier und beim Ergebnis der nähere Ersatz: Nehmen Sie Unify, wenn Sie den Weg vom Signal zur Sequenz fertig verpackt und noch diesen Monat laufend wollen, und Cargo, wenn Sie den Graphen besitzen wollen und bereit sind, ihn zu bauen.

Worauf zu achten ist

• Das CDK ist das Produkt, und es ist TypeScript. Ein Team, das in der Oberfläche bleibt, kauft einen mittelmäßigen Workflow-Baukasten und bezahlt eine Code-Plattform. Absicherung: Benennen Sie vor der Unterschrift die Person, der das Workspace-Repo gehört. Kann niemand einen TypeScript-Pull-Request reviewen, fahren Sie ein Quartal in der Oberfläche und behandeln Sie das CDK bei der Verlängerungsbewertung als nicht gekauft.
• Die Credit-Prognose ist der schwierige Teil, und die öffentlichen Sätze führen Sie in die Irre. Kosten pro Integration und Token-Sätze pro Modell verschieben sich mit dem Portfolio jedes Anbieters, deshalb ist die CLI die maßgebliche Quelle, nicht die Preisseite. Absicherung: Führen Sie während des Tests cargo-ai connection integration get <name> für jeden Anreicherungs- und Modellanbieter aus, den Sie einsetzen wollen, lassen Sie ein Play in echter Batch-Größe laufen und lesen Sie dann cargo-ai billing usage — dimensionieren Sie Ihre Stufe nach dieser Zahl und nicht nach dem Slider-Satz.
• Credits werden pro Periode zurückgesetzt, und Overage gibt es nur für Enterprise. Ein Play, das an einem falschen Filter in eine Schleife läuft, kann das Kontingent eines Monats verbrennen, und unterhalb von Enterprise stoppen Ihre Workflows dann, statt überzulaufen. Absicherung: Aktivieren Sie Auto-Topup für alles mit Kundenkontakt und begrenzen Sie die Batch-Größe jedes neuen Play, bis Sie einen vollständigen Lauf in der Spans-Tabelle gesehen haben.
• Kleiner Anbieter, kleines Team. YC S23 und $19.4M eingesammelt, gegenüber einem Segmentführer mit deutlich mehr Kapital. Absicherung: Halten Sie das System of Record in Ihrem CRM oder Warehouse statt in Cargo-Datenmodellen, legen Sie das Workspace-TypeScript in ein Repo, das Sie kontrollieren, und bestätigen Sie während des Tests, dass sich aus diesem Repo mit cargo-ai cdk deploy ein frischer Workspace neu aufbauen lässt.