ainews
Rippling чуть не спустила 40% бюджета на AI-токены и создала инструмент контроля ROI сотрудников
HR-платформа Rippling запустила AI Spend Console — инструмент для отслеживания расходов на AI и продуктивности сотрудников. Причина: весной компания обнаружила, что тратит на токены столько же, сколько на зарплаты 40% R&D-команды. Один инженер сжигал $50K/месяц. После внедрения гейтвея и маршрутизации на дешёвые модели Rippling снизила расходы на 63% при том же объёме использования.
Если ваша компания внедряет AI, вы рискуете повторить путь Rippling и спустить миллионы на токены без понимания, что получаете взамен. Этот кейс показывает, как превратить AI из статьи расходов в измеримый источник продуктивности.
Что произошло
Rippling представила AI Spend Console — систему контроля расходов на искусственный интеллект с привязкой к продуктивности конкретных сотрудников. Продукт умеет показывать, какие инженеры тратят много токенов, но при этом их код постоянно отправляют на переделку в code review.
Причина создания банальна: в марте CFO Rippling обнаружил, что компания идёт к тому, чтобы потратить на AI-токены сумму, равную 40% бюджета на зарплаты всей R&D-команды. Миллионы долларов. Расходы росли на 80% месяц к месяцу, и если бы тренд продолжился, через год на токены ушло бы 90% от фонда оплаты труда разработчиков.
Анализ показал: 10-15% сотрудников генерировали 60% расходов. Один инженер сжигал $50 тысяч в месяц. Проблема была очевидной: все по умолчанию использовали самые новые и дорогие frontier-модели для любых задач, включая проверку грамматики.
Решение Rippling: собственный AI-гейтвей, который автоматически маршрутизирует запросы на оптимальные по цене модели. Компания договорилась о лимитах с провайдерами (Cursor, OpenAI, Anthropic) и начала использовать дешёвые китайские модели вроде GLM 5.2 от Z.ai для задач, где они показывают 85% производительности флагманов при гораздо меньшей цене.
Результат: расходы упали с 40% до 15% бюджета R&D при том же объёме использования. В апреле компания израсходовала 605 миллиардов токенов, в июле — 600 миллиардов, но за треть цены.
Продукт включает дашборды, которые связывают потребление токенов с реальной продуктивностью: строки кода, pull-реквесты, скорость онбординга клиентов. Rippling также назначила AI-капитанов — сотрудников, эффективно использующих AI, чтобы обучать остальных.
Автор: Павел Заславский · Источник: TechCrunch AI
Разработчикам. Появился инструмент, который покажет руководству, кто из команды реально использует AI для продуктивности, а кто просто жжёт бюджет на бесполезных запросах. Дашборды связывают токены с метриками кода. Rippling использует собственный гейтвей для автороутинга на дешёвые модели типа GLM 5.2 вместо GPT-4 для рутины.
Бизнесу. Компании теперь могут измерить ROI от AI в конкретных цифрах: кто из сотрудников приносит пользу, а кто просто генерирует AI-мусор. Инструмент помогает избежать ситуации, когда расходы на токены съедают треть зарплатного фонда. Rippling снизила затраты на 63% без потери объёма работы — только за счёт умной маршрутизации на дешёвые модели.
Инвесторам. Рынок enterprise AI-управления набирает обороты. Компании поняли, что бесконтрольное использование AI убивает маржу, и нужны гейтвеи с маршрутизацией и дашборды ROI. Растут ниши AI-гейтвеев, cost-управления и китайские модели как альтернатива OpenAI/Anthropic для задач, где качество не критично. Rippling показывает, что экономия может достигать 63% просто от оптимизации роутинга.
- Построить AI-гейтвей для маршрутизации запросов на дешёвые open-source или китайские модели для задач, где не нужен топ-уровень качества — огромный потенциал для сокращения расходов корпораций
- Создать SaaS для мониторинга продуктивности сотрудников через AI-метрики: токены на строку кода, токены на сделку, токены на обработанный тикет — привязка AI к бизнес-результатам
- Консалтинг по AI-оптимизации для компаний: провести аудит использования, настроить роутинг, обучить AI-капитанов — Rippling показала, что экономия миллионов реальна
- Интеграция с HR-системами для автоматической оценки AI-ROI сотрудников — рынок только формируется, можно занять нишу до того, как зайдут крупные игроки
- Продавать доступ к дешёвым китайским моделям типа GLM 5.2 как альтернативу OpenAI для задач, где качество на 85% от флагмана достаточно — арбитраж цен
- Инструмент может превратиться в средство тотального контроля и микроменеджмента, что убьёт мотивацию и креативность команд — никто не захочет экспериментировать с AI из страха попасть в низ дашборда
- Метрики продуктивности легко геймить: сотрудники будут генерировать больше кода или pull-реквестов ради показателей, а не ради реальной пользы
- Зависимость от китайских моделей (GLM 5.2) несёт геополитические риски — санкции или ограничения могут обрушить стратегию экономии
- Подход работает для engineering, но для других отделов метрики продуктивности размыты — если Rippling не может измерить ROI для G&A и sales, доступ к AI могут ограничить для всех, кроме разработчиков
История Rippling — это отрезвляющий звонок для всех, кто раздаёт доступ к AI направо и налево. Компания шла к тому, чтобы тратить на токены почти столько же, сколько на зарплаты всей команды разработки. Проблема не в AI, а в том, что люди по умолчанию используют самые дорогие модели для задач, где хватило бы дешёвых. Экономия в 63% — это не магия, а банальная маршрутизация на правильные модели.
Но есть нюанс: если компании начнут давить на сотрудников метриками продуктивности, AI превратится из помощника в источник стресса и микроменеджмента. Rippling пока справляется, назначив AI-капитанов, но если следующий шаг — ограничить доступ для всех, кто не показывает ROI, культура экспериментов с AI умрёт. Инструмент полезный, но важно не скатиться в тотальный контроль.
Инструменты из статьи
AI-редактор кода на базе VS Code: автодополнение, агентный режим, работа с...
Доступ из РФ →
Комментарии