리플링, AI 토큰 비용을 R&D 인건비 예산의 40%에서 15%로 절감…사용량은 그대로

직원별 지출 추적

AI Spend Console은 AI 토큰 지출을 개별 직원, 팀, 직무별로 매핑한 뒤, 풀 리퀘스트(pull request)나 코드 리뷰 같은 생산성 신호와 연동합니다 . 이를 통해 어떤 직무나 개인이 비용을 주도하고 있는지, 그리고 그 지출이 실제 성과로 이어지고 있는지를 한눈에 파악할 수 있습니다.

AI 게이트웨이를 통한 스마트 라우팅

리플링은 모든 프롬프트가 비싼 최첨단 모델(frontier model)로 기본 설정되는 문제를 해결하기 위해 중간 계층(AI gateway)을 구축했습니다. 이 게이트웨이는 각 작업에 가장 비용 효율적인 모델로 자동으로 프롬프트를 라우팅합니다 . 회사 내부 벤치마크 결과, Z.ai의 GLM 5.2 모델이 최고 수준 모델보다 85% 저렴하면서도 거의 동일한 성능을 제공하는 것으로 나타나, 일상적인 프롬프트는 해당 모델로 전환되었습니다 . (단, 이는 회사 자체 보고한 비교 결과이며 독립적인 검증 결과는 아닙니다 .)

툴별 비용 상한선

리플링은 각 AI 툴(Cursor, OpenAI, Copilot 등)에 대해 최대 지출 한도를 설정했습니다. 이를 통해 특정 툴 하나가 통제 불능의 청구서를 발생시키는 것을 방지했습니다 .

생산성 연동

이 콘솔은 토큰 소비량을 코드 커밋, PR 품질, 리뷰 속도 등 측정 가능한 결과물과 연결합니다. 생산성 향상으로 이어지지 않는 지출은 즉시 식별되고 조치를 취할 수 있습니다 . 리플링은 이 도구를 '리더보드(leaderboard)'가 아닌 '대시보드(dashboard)'라고 부르는 점을 강조했습니다 .

AI 캡틴

각 팀 내에서 AI 지출을 모니터링하고 관리하는 전담 직원('AI 캡틴')을 임명하여 직접적인 책임 구조를 만들었습니다 .

결과

이러한 조치를 통해 리플링은 AI 토큰 지출을 R&D 인건비 예산 대비 약 40%에서 약 15%로 낮추는 데 성공했습니다. 놀랍게도 AI 사용량은 줄어들지 않았습니다. 회사는 7월에도 여전히 월 약 6000억 개의 토큰을 소비했지만, 7월 청구액은 4월의 37% 수준에 불과했습니다 . 여러 소식통이 지적했듯이, "토큰 사용량은 줄지 않았지만 청구액은 줄었다"는 것이 핵심입니다 .