Замість того щоб заблокувати доступ, Rippling створила AI Spend Console, запустивши її публічно 6 серпня 2026 року . Продукт має кілька взаємопов'язаних функцій:
AI Spend Console зіставляє витрати на ШІ-токени з окремими працівниками, командами та ролями, а потім співвідносить їх із показниками продуктивності, такими як пул-реквести та рев'ю коду . Це дозволило Rippling побачити, які саме ролі або особи генерують найбільші витрати — і чи приносять ці витрати результат.
Rippling побудувала проміжний рівень, який автоматично спрямовує кожен запит до найбільш економічно ефективної моделі залежно від завдання, а не надсилає все до найдорожчих фронтальних моделей . Внутрішні тести компанії показали, що модель GLM 5.2 від Z.ai була на 85% дешевшою за провідні фронтирні моделі, демонструючи майже ідентичну продуктивність, тому рутинні запити були перенаправлені туди . (Зауважте: це порівняння, зроблене самою компанією, а не незалежний результат .)
Rippling домовилася про максимальні ліміти витрат для кожного ШІ-інструменту — Cursor, OpenAI, Copilot та інших — щоб жоден з них не міг генерувати необмежений рахунок .
Консоль пов'язує споживання токенів із вимірюваними результатами — комітами коду, якістю PR, швидкістю рев'ю — щоб витрати, які не приносять продуктивності, можна було позначити та виправити . Rippling навмисно називає це «панеллю», а не «таблицею лідерів» .
Призначені працівники, відповідальні за моніторинг та управління витратами на ШІ у своїх командах, що створює пряму підзвітність .
За кілька місяців Rippling скоротила витрати на ШІ-токени з ~40% бюджету на зарплати в R&D до приблизно 15% — без зменшення обсягу використання. Компанія все ще споживала приблизно 600 мільярдів токенів на місяць у липні, але липневий рахунок становив лише 37% від квітневого . Як зазначають кілька джерел: обсяг токенів ніколи не падав — зменшився рахунок .
Замість того щоб заблокувати доступ, Rippling створила AI Spend Console, запустивши її публічно 6 серпня 2026 року . Продукт має кілька взаємопов'язаних функцій:
AI Spend Console зіставляє витрати на ШІ-токени з окремими працівниками, командами та ролями, а потім співвідносить їх із показниками продуктивності, такими як пул-реквести та рев'ю коду . Це дозволило Rippling побачити, які саме ролі або особи генерують найбільші витрати — і чи приносять ці витрати результат.
Rippling побудувала проміжний рівень, який автоматично спрямовує кожен запит до найбільш економічно ефективної моделі залежно від завдання, а не надсилає все до найдорожчих фронтальних моделей . Внутрішні тести компанії показали, що модель GLM 5.2 від Z.ai була на 85% дешевшою за провідні фронтирні моделі, демонструючи майже ідентичну продуктивність, тому рутинні запити були перенаправлені туди . (Зауважте: це порівняння, зроблене самою компанією, а не незалежний результат .)
Rippling домовилася про максимальні ліміти витрат для кожного ШІ-інструменту — Cursor, OpenAI, Copilot та інших — щоб жоден з них не міг генерувати необмежений рахунок .
Консоль пов'язує споживання токенів із вимірюваними результатами — комітами коду, якістю PR, швидкістю рев'ю — щоб витрати, які не приносять продуктивності, можна було позначити та виправити . Rippling навмисно називає це «панеллю», а не «таблицею лідерів» .
Призначені працівники, відповідальні за моніторинг та управління витратами на ШІ у своїх командах, що створює пряму підзвітність .
За кілька місяців Rippling скоротила витрати на ШІ-токени з ~40% бюджету на зарплати в R&D до приблизно 15% — без зменшення обсягу використання. Компанія все ще споживала приблизно 600 мільярдів токенів на місяць у липні, але липневий рахунок становив лише 37% від квітневого . Як зазначають кілька джерел: обсяг токенів ніколи не падав — зменшився рахунок .