Rippling این هفته از AI Spend Console پرده برداشت؛ ابزاری برای ردیابی، امتیازدهی و محدودسازی هزینه‌های هوش‌مصنوعی که هدفش جلوگیری از «توکن‌مکسینگ» است. قابلیت کلیدی کنسول نقشه‌برداری هزینه‌ای است: نمایش میزان مصرف هر کارمند، تیم و نقش و تحلیل اینکه آیا هزینه‌ها به بهبود واقعی بهره‌وری منجر شده یا صرفاً خروجی‌های بی‌کیفیت تولید کرده‌اند.

دلیل توسعه محصول

اوایل سال جاری، Rippling مانند بسیاری از شرکت‌ها رویکردی گسترده به استفاده از مدل‌های پیشرفته اتخاذ کرد اما خیلی زود هزینه‌ها از کنترل خارج شد. در یک جلسه مدیریتی با ارائه ارقام توسط مدیر مالی مشخص شد شرکت در مسیر مصرف حدود 40% از بودجه واحد تحقیق و توسعه برای خرید توکن‌های استنتاج قرار گرفته است؛ رقمی معادل میلیون‌ها دلار. هزینه‌ها ماه‌به‌ماه با نرخ 80% رشد می‌کرد و تحلیل داخلی نشان داد «حدود 10–15% از کارکنان نزدیک به 60% از کل هزینه‌ها را ایجاد کرده‌اند» و یک مهندس ماهانه تا 50,000 دلار صرف توکن می‌کرد.

هدف شرکت ممنوع کردن هوش‌مصنوعی نبود، بلکه طراحی مکانیزم‌هایی برای کنترل هوشمندانه مصرف بود. تیم رهبری پس از این بررسی فوری پروژه‌ای را برای فهم دقیق مصرف و بازده آغاز کرد که نتیجه آن AI Spend Console شد.

چگونه AI Spend Console هزینه‌ها را مدیریت می‌کند

کنسول چند محور عملیاتی اصلی دارد:

  • نمایش هزینه به تفکیک فردی و تیمی — کنسول نشان می‌دهد کدام مهندسان یا تیم‌ها بیشترین مصرف را دارند و آیا خروجی آن‌ها از دید همتایان قابل‌اتکا است. ابزار می‌تواند مواردی مانند مهندسانی که هزینه بالایی دارند اما خروجی‌شان اغلب نیاز به بازنویسی دارد را شناسایی کند.
  • داشبوردهای امتیازدهی — شاخص‌هایی مانند تعداد پرامپت در روز، خطوط کد یا درخواست‌های ادغام و هزینه ترکیب می‌شوند تا هر کارمند یا تیم نمره‌ای عملیاتی دریافت کند.
  • دروازه هوش‌مصنوعی (AI gateway) — کنسول ترافیک پرامپت‌ها را به مدل‌های مناسب و مقرون‌به‌صرفه مسیریابی می‌کند. شرکت‌هایی که از دروازه‌های دیگر استفاده می‌کنند می‌توانند برخی قابلیت‌ها را ببینند، اما برای بهره‌برداری کامل از کنترل هزینه باید از دروازه Rippling استفاده کنند.
  • تنظیم سقف هزینه با ارائه‌دهندگان — Rippling سقف‌های مصرف را با سرویس‌هایی مثل OpenAI (openai.com) و Anthropic و دسترسی‌های ارائه‌شده از طریق پلتفرم‌هایی مانند SpaceX/Cursor مذاکره کرد تا از استفادهٔ پیش‌فرض از گران‌ترین مدل‌ها جلوگیری شود.

درس‌های کلیدی از تجربه Rippling

تحلیل‌های داخلی نشان داد اتکا صرف به مدل‌های frontier کافی نیست و ترکیب مدل‌ها با سطوح قیمت و دقت مختلف به کارآمدسازی مصرف کمک می‌کند. بنچمارک‌های داخلی نشان دادند مدل‌هایی همچون Grok عملکرد مناسبی دارند، اما گزینه‌هایی مثل GLM 5.2 می‌توانند با هزینه‌ای تا 85% کمتر، عملکردی نزدیک ارائه دهند. این یافته‌ها سازمان‌ها را به انتخاب آگاهانه‌تر مدل‌ها و مسیریابی هوشمند پرامپت‌ها سوق داده است. برای نمونه به همکاری‌ها و ابزارهای مرتبط مانند Databricks توجه شده است.

نتایج اولیه در کاهش هزینه

پس از پیاده‌سازی AI Spend Console و دروازه هوش‌مصنوعی، Rippling گزارش داد سهم هزینه توکن از بودجه نیروی انسانی واحد R&D از حدود 40% به حدود 15% کاهش یافته است. مصرف توکن در ماه‌های اوج تا 605 میلیارد توکن رسید و در ماه ژوئیه به حدود 600 میلیارد توکن برگشت، اما هزینهٔ دلاری مصرف در ژوئیه تنها 37% هزینهٔ مشابه در آوریل بود؛ نشانه‌ای از هدایت پرامپت‌ها به مدل‌های مؤثرتر و مقرون‌به‌صرفه‌تر.

علاوه بر راه‌حل‌های فنی، Rippling افراد با رفتار مصرفی مؤثر را شناسایی و به‌عنوان «کاپیتان‌های هوش‌مصنوعی» منصوب کرد تا دانش و روش‌های کارآمد را در سازمان گسترش دهند. با وجود این، استفاده از هوش‌مصنوعی فراتر از مهندسی هنوز در مراحل اولیه است و بیشتر مصرف‌کنندگان داخلی همچنان مهندسان نرم‌افزار هستند.

پیام برای سازمان‌ها

تجربه Rippling نشان می‌دهد خرید دسترسی به مدل‌های frontier به‌تنهایی کافی نیست؛ سازمان‌ها به ابزارهای نظارت، مسیریابی هوشمند و فرهنگ داخلی برای تبدیل مصرف به بازده واقعی نیاز دارند. هر شرکتی که می‌خواهد استفاده از هوش‌مصنوعی را مقیاس کند باید هم انتخاب مدل‌ها و هم مدیریت رفتار کاربران را هم‌زمان پیگیری کند.

منابع و مطالعه بیشتر: پوشش اولیه این خبر در TechCrunch منتشر شد.