Rippling发布AI支出监控系统应对失控开销

人力资源平台Rippling近日正式推出AI Spend Console，专为企业提供对人工智能相关开支的可视化与精细化管理。此前公司内部数据显示，其在AI令牌上的投入已高达数百万美元，一度占到研发团队人力成本的40%。

高成本消耗背后的隐忧

2026年初，随着企业广泛引入Cursor、OpenAI及Anthropic等工具，Rippling的AI使用量迅速攀升。然而至3月，首席财务官Adam Swiecicki揭示了一个令人震惊的事实：按当前增速，年度AI支出将逼近整个研发部门的薪资总额。数据显示，支出呈每月80%的指数级增长，若不干预，一年内几乎等于全职工程师的薪酬总和。

“我们最初难以置信，”首席产品官Matt MacInnis回忆道，“于是立即启动专项分析，以厘清支出结构与实际产出之间的关系。”

少数人主导了大部分资源消耗

调查发现，约10%至15%的员工贡献了60%以上的AI支出，其中一名工程师单月耗资高达5万美元。尽管公司鼓励创新使用AI，但必须建立约束机制。初期尝试通过与供应商协商设定上限，却遭遇阻力——主流推理服务商缺乏主动降本的动力，反而倾向于推动用户持续使用高成本模型。

“这些平台没有动机帮你省钱，”MacInnis指出，“它们更希望看到支出持续扩大。”

构建自主网关实现智能调度

为突破困境，Rippling自主研发了AI网关系统，能根据任务类型自动匹配最经济高效的模型。该系统集成于新推出的AI Spend Console中，提供多维度仪表盘，涵盖每日提示调用次数、代码产出量、拉取请求数量以及对应成本。系统还能按个人、团队乃至岗位层级进行支出归因，并识别出高投入低产出的使用行为——例如，虽频繁调用大模型但代码返工率极高的工程师。

成效显著：成本腰斩而使用不减

部署后，公司成功将AI令牌支出占比从40%压缩至约15%。7月，整体调用量达到4月峰值水平（6000亿次），但实际支出仅为当月的37%。“关键在于我们实现了智能分流，”MacInnis强调，“现在连销售团队的语法修正也不再允许使用高端模型。”

同时，企业识别出高效使用AI的骨干员工，并授予“AI队长”角色，带动组织内最佳实践传播。目前推广重点已延伸至客户入职流程，用于自动化邮件生成与数据校验。

模型多元与成本效益并重

Rippling的经验反映出2026年企业的普遍挑战：如何在多个实验室、不同定价模型间实现平衡。公司测试表明，像GLM 5.2这样的开源模型，在内部基准测试中性能接近前沿模型，成本却低85%。这凸显了选择合适模型的重要性。此外，企业正逐渐意识到，AI网关已成为不可或缺的成本治理基础设施。

AI Spend Console现已集成至Rippling HR服务中，支持按用量额外收费；亦可作为独立模块采购，兼容其他人力资源系统。MacInnis强调，真正可持续的推广前提是将模型消耗与各职能的实际生产力挂钩。“如果无法证明价值，就无法让全员普及，”他坦言。

未来趋势：从工具到战略标配

Rippling的案例为众多面临类似困境的企业提供了清晰路径。通过设置使用边界、实施智能调度并量化产出效率，企业可在维持甚至提升AI使用强度的前提下，实现成本的大幅优化。随着人工智能深度嵌入日常运营，具备支出透明度与控制力的管理工具，或将如财务报表或绩效看板一般成为企业标准配置。

常见问题解答

问：AI支出控制台的核心功能是什么？答：该系统帮助企业实时追踪员工在各类AI工具上的花费，结合工作产出评估投入回报比。其内置AI网关可根据任务需求自动分配最具性价比的模型，从而实现成本优化。

问：实施后的成本削减效果如何？答：通过技术优化与策略调整，Rippling将研发部门的AI支出比例由40%降至15%。即便使用量保持在历史高位，成本也仅相当于峰值月份的37%。

问：其他企业能否采用此解决方案？答：可以。该工具可独立部署，并与现有HR系统对接。但要启用完整的支出治理功能，需接入Rippling自研的AI网关系统。