Контроль расходов на AI: как Rippling потратила миллионы и создала инструмент для всех остальных

История Rippling неудобная, потому что она про всех нас. Точнее, про все компании, которые в начале 2026 года решили: «дадим сотрудникам AI-инструменты и посмотрим, что будет». Посмотрели. Главный продуктовый директор Matt MacInnis до сих пор помнит то мартовское совещание, где CFO Adam Swiecicki положил на стол число, от которого у всех перехватило дыхание. Расходы на токены росли на 80% каждый месяц. Если бы тренд продолжился, через год компания тратила бы на AI почти столько же, сколько на зарплаты всей R&D-команды целиком.

Как 10-15% сотрудников сожгли 60% бюджета

Когда Rippling вскрыла данные, картина оказалась характерной. Десять-пятнадцать процентов людей генерировали около 60% всех токенных расходов. Один инженер тратил 50 000 долларов в месяц. Один человек. Никто не запрещал использовать AI – просто никто не смотрел, что именно и как используется. В пиковый месяц компания израсходовала 605 миллиардов токенов.

Здесь стоит уточнить одну вещь, которую легко упустить: проблема была не в количестве токенов, а в том, что сотрудники по умолчанию шли к самым дорогим frontier-моделям для любой задачи. Проверить орфографию в письме? Frontier-модель. Сгенерировать шаблонный код? Frontier-модель. Никаких стимулов выбирать что-то дешевле – ни у сотрудников, ни, что важно, у самих провайдеров.

MacInnis высказался на этот счёт прямо: «Anthropic и OpenAI абсолютно не заинтересованы помогать вам контролировать расходы. У них каждый стимул работает в обратную сторону. Они не дают хорошей аналитики по использованию и не взаимодействуют друг с другом». Это, пожалуй, самая честная формулировка проблемы из тех, что я слышал в этом году.

Контроль расходов на AI: что Rippling построила в ответ

Компания не стала закрывать доступ к инструментам – это важный момент. Вместо этого она начала с переговоров о лимитах трат с каждым провайдером: Cursor, OpenAI, Anthropic. Параллельно разработала собственный AI-шлюз, который маршрутизирует запросы к наиболее экономичной модели под конкретную задачу. Звучит технически, но суть проста: грамматику в письме проверяет маленькая дешёвая модель, а не GPT-4 или Claude Opus.

MacInnis пошутил, что «они больше не позволяют отделу продаж делать грамматические правки с помощью Fable». Но за шуткой стоит реальная инженерная работа. Rippling провела собственные бенчмарки и обнаружила, например, что китайская модель GLM 5.2 от Z.ai оказалась на 85% дешевле frontier-аналогов при практически идентичном качестве для большинства задач. Основатель и CEO компании Parker Conrad лично отметил это в своём блоге в июле.

Итог маршрутизации: в июле компания снова вышла на 600 миллиардов токенов, но стоимость этого объёма составила лишь 37% от апрельских трат. Токенов – столько же, денег – втрое меньше. Доля AI-токенов в бюджете R&D упала с 40% до примерно 15%. Для тех, кто думает о контроля расходов на AI в своей компании, эти числа – не маркетинг, а реальный benchmark.

AI Spend Console: что умеет инструмент

Продукт, который вышел из этого опыта, называется AI Spend Console. По сути – это дашборд, который связывает токенные траты конкретного сотрудника с измеримым выходом работы. Для инженеров: строки кода, pull requests, количество запросов в день. Rippling обещает показывать, например, «каких инженеров с высокими AI-тратами коллеги часто просят переделать код на code review» – иными словами, кто тратит много и выдаёт AI slop, а кто тратит много и реально продуктивен.

Это принципиально другой разговор, чем просто «сколько токенов потрачено». Компания нашла людей, которые работают с AI эффективно, и назначила их «AI-капитанами» – наставниками для остальных. Это не техническое решение, это организационное. И, судя по всему, не менее важное, чем сам шлюз маршрутизации.

Правда, тут есть честная оговорка. MacInnis прямо признаёт: пока всё это хорошо работает для инженеров, потому что их продуктивность измерима. С другими функциями сложнее. Команды по работе с клиентами, финансы, HR – там связь «токены → конкретный результат» установить труднее. «Если мы не можем привязать потребление токенов в G&A-функциях к продуктивности, ни о каком расширении AI-доступа речи нет», говорит MacInnis. Честно.

Что это значит для рынка в 2026 году

История Rippling – не уникальная. Восемь месяцев в 2026 году – и большинство компаний, которые шли в AI без системы, уже столкнулись с похожим разговором у финансового директора. Рынок прошёл через фазу «дайте всем доступ, разберёмся потом» и входит в фазу «покажите ROI».

Два вывода уже стали индустриальным консенсусом. Первый: нужны модели с разными ценовыми точками, включая открытые веса и китайские альтернативы. Второй: нужен AI-шлюз, который сам выбирает подходящую модель под задачу. Это больше не «продвинутая практика» – это базовая гигиена для любой компании, которая серьёзно работает с AI.

Отдельный вопрос – что будет с доступом рядовых сотрудников. MacInnis намекнул на сдвиг: если продуктивность не измерима, доступ к AI может перестать быть таким же базовым, как Slack или корпоративная почта. Это неожиданный разворот после года тотального tokenmaxxing, но логика в нём есть.

Практика: что можно взять уже сейчас

Несколько конкретных вещей из кейса Rippling, применимых практически сразу.

• Начни с данных. Прежде чем что-то ограничивать, посмотри, кто что тратит. Rippling была «в шоке» от цифр именно потому, что не смотрела до того момента.
• Переговоры с провайдерами работают. Rippling установила лимиты с Cursor, OpenAI и Anthropic. Это возможно – просто никто обычно не спрашивает.
• Маршрутизация дешевле ограничений. Вместо того чтобы резать доступ, направляй задачи к подходящим моделям. Rippling получила 37% от прежней стоимости при том же объёме токенов.
• Найди своих «AI-капитанов». Технология без носителей знания не работает. Люди, которые реально умеют с этим работать, есть в каждой компании.

Если ваша команда создаёт контент с помощью AI – будь то авто-блог на ИИ или масштабный контент-завод на ИИ – вопрос токенных трат встанет рано или поздно. Лучше поставить его самому, не дожидаясь, пока CFO придёт с таблицей.

Итог

Rippling потратила миллионы, чтобы узнать то, что теперь можно прочитать в одной статье TechCrunch. Это не упрёк – так работает реальный опыт. Ценность кейса в том, что компания не замолчала провал, а превратила его в продукт и в открытый разговор об отраслевой проблеме.

Контроль расходов на AI в 2026 году – это уже не опция для избранных, это вопрос выживания бюджета. Те, кто выстроит систему маршрутизации, измерения и управления сейчас, через год будут смотреть на конкурентов с той же смесью удивления и сочувствия, с которой команда Rippling смотрела на собственные мартовские цифры. Для компаний, которым нужна помощь с управления AI-моделями и построением инфраструктуры под AI-нагрузку, время начинать – сейчас, не после следующего совещания с CFO.