A humán-erőforrás szoftverszállító Rippling a héten bemutatta az AI Spend Console nevű eszközét, amelynek célja az alkalmazotti AI-tokenhasználat nyomon követése és kordában tartása. A termék egyik fő újítása, hogy nemcsak összesített kiadásokat mutat, hanem feltérképezi, hogy egyes munkavállalók, csapatok és szerepkörök mennyit költenek, és hogy az így képződő output valóban növeli-e a termelékenységet vagy inkább pazarló „AI slop”.
Mi váltotta ki az eszköz kifejlesztését
A megoldás belső tapasztalatokból nőtt ki: Rippling az év elején széles körben engedélyezte a nagy modellek használatát (a cikk szerint sok más céghez hasonlóan), majd márciusban a vezetés megdöbbent, amikor Adam Swiecicki pénzügyi igazgató egy prezentációban közölte a költségszámokat. Az elemzés szerint a cég az R&D (kutatás-fejlesztés) bérkeretének mintegy 40%-át költhette volna AI-tokenekre — azaz a részleg teljes kompenzációjának nagy részével volt egyenértékű a várható tokenköltség. A tokenfelhasználás havi növekedése 80% volt, és ha ez a tempó folytatódott volna, egy éven belül az AI-tokenek költsége majdnem annyi lett volna, mint a R&D egység összes kompenzációja (a cikk szerint 90% körül).
A Rippling belső vizsgálata további részleteket hozott: az alkalmazottak körülbelül 10–15%-a felelt az összes AI-költés mintegy 60%-áért, és egyes mérnökök havonta akár 50 000 dollárt is elköltöttek tokenekre. A csúcsidőszakban a cég havi tokenfelhasználása 605 milliárd token volt abban a hónapban, amikor a pénzügyi igazgató figyelmeztetett.
Mélyebb elemzés és válaszlépések
Rippling nem az AI használatának megtiltását tűzte ki célul, hanem annak ésszerűsítését. Kezdetben kiemelten tárgyalták a maximális költési plafonokat a használt szolgáltatókkal, többek közt a Cursorral, az OpenAI-val és az Anthropic-kal. Gyorsan fény derült egy alapvető problémára: sok munkavállaló az alapértelmezett, legújabb és legtöbbnyire legdrágább frontier modelleket használta minden feladatra.
A Rippling vezetői rámutattak, hogy az inference-szolgáltatók — például Anthropic és OpenAI — nem feltétlenül ösztönzöttek arra, hogy segítsék ügyfeleiket a költés kordában tartásában; a szolgáltatók számára bevételnövelő hatású lehet, ha a felhasználók nagy mennyiségben alkalmazzák a legdrágább modelleket, és általában nem adnak részletes, összehangolt használati betekintést.
Milyen megoldások váltak ismertté 2026-ban
A cég tapasztalata tükrözi az iparági trendeket is: az év előrehaladtával a vállalatok felismerték, hogy többféle modellre van szükség különböző árszinteken — beleértve olcsóbb, nyílt súlyú frontier-opciókat is, akár kínai eredetűeket. Rippling és más cégek benchmarkok alapján arra jutottak, hogy bizonyos olcsóbb modellek (például a Z.ai GLM 5.2) költséghatékony alternatívát kínálnak: a Rippling által idézett mérés szerint a GLM 5.2 mintegy 85%-kal olcsóbb volt, miközben teljesítménye közel azonosnak bizonyult a frontier modellekével. (A SpaceX Grok modelljét a Cursor is kínálja; SpaceX a Cursor tulajdonosa.)
Másik fontos tapasztalat, hogy szükség van egy AI-gatewayre, amely a kéréseket a feladathoz legjobban és leggazdaságosabban illeszkedő modellhez irányítja. Rippling saját gatewayt fejlesztett, amely a most bemutatott AI Spend Console része; a cég szerint azok a vállalatok, amelyek már más gatewayt használnak, integrálhatják a konzolt, de a költés-szabályozási funkciók kihasználásához Rippling gatewayére lesz szükség.
Az AI Spend Console funkciói és eredményei
Az eszköz dashboardokat (korábbi szóhasználattal: leaderboardokat) állít elő, és olyan mutatókat kombinál, mint a napi promptok száma, a munkában előállított output (például sorok száma vagy pull requestek) és a költés. A Rippling szerint az eszköz bevezetése után sikerült a tokenköltséget az R&D bérkeret 40%-áról körülbelül 15%-ra csökkenteni, miközben az AI-használatot nem korlátozták jelentősen.
A cég példája szerint júliusban az alkalmazottak belső fogyasztása ismét elérte a 600 milliárd token körüli szintet, de a júliusi tokenköltség mindössze 37%-a volt az áprilisi költségnek — részben azért, mert a kérések hatékonyabb modellek felé irányultak.
Szervezeti és működéstámogató lépések
Rippling szerint nem elegendőek csupán a technológiai eszközök; azokat emberekre is kell bízni. A cégnél azokat, akik hatékonyan használták az AI-t, „AI kapitányokként” jelölték ki, hogy segítsék a többi kollégát. Ugyanakkor a technológia kiterjesztése a mérnökökön túlra még folyamatban van: eddig elsősorban szoftvermérnökök használták a legtöbbet a rendszert, de a Rippling dolgozik például ügyfélbevezetési csapatokra szabott megoldásokon, ahol a dashboard a több ügyfél onboardolásban mért produktivitást kapcsolná össze a tokenfelhasználással.
Hozzáférés és árképzés
Az AI Spend Console a Rippling HR-előfizetéssel elérhető, bár a tényleges AI-használat után további költségek merülnek fel. A terméket külön is meg lehet vásárolni és integrálni más HR rendszerekkel.
Összegzés
Rippling belső tapasztalatai azt mutatják, hogy a korai, korlátlan tokenhasználat gyorsan költségrobbanáshoz vezethet, de a kiadásokat és a hasznot összekapcsoló mérőszámokkal, modellek közötti routinggal és szervezeti támogatással jelentősen javítható a költséghatékonyság. A példa egyben rávilágít arra is, hogy ha egy cég nem tudja összekötni a tokenfogyasztást a termelékenységgel, az alkalmazottak széleskörű AI-hozzáférése korlátozottá válhat.
