AI狂烧钱怎么办？Rippling自建“监控台”：Token用量不变，账单缩水63%

按人追踪，看钱花在了谁身上

AI Spend Console 将Token支出精确映射到每个员工、团队和岗位，并与产出指标（如代码提交、代码审查）进行关联。这让Rippling可以清晰地看到，究竟是哪个角色或哪个个体在推高账单，以及这些花费是否带来了实际产出。

AI网关：智能路由，告别“大炮打蚊子”

Rippling搭建了一个中间层，自动将每个请求路由到最适合该任务且最具成本效益的模型，而不是默认调用最昂贵的顶尖模型。公司内部基准测试发现，Z.ai的 GLM 5.2模型比领先的顶尖模型便宜85%，而性能几乎相同，因此常规的编程请求会被自动转向该模型。（注意：这是Rippling公司内部对比结果，并非独立第三方测试。）

为每个工具设消费上限

Rippling与Cursor、OpenAI、Copilot等各家AI工具供应商协商，为每个工具设定了最高消费上限，防止单一工具出现无上限的“天价账单”。

产出关联：花的值不值，数据说了算

控制台会将Token消耗与可衡量的产出挂钩——包括代码提交量、代码审查质量和速度。对于无效或低效的AI支出，系统可以标记出来并采取行动。Rippling特意强调，这是一个“仪表盘”，而不是“排行榜”。

设立“AI队长”，责任到人

每个团队指定专门的员工，负责监控和管理本团队的AI支出，将成本控制责任直接落实到人。

最终成果

几个月内，Rippling成功将AI Token支出从研发人力预算的约40%削减到约15%——而且没有减少使用量。公司7月份依然消耗了大约6000亿个Token，但7月的账单仅为4月的37%。用多家媒体的总结来说就是：Token用量从未下降，但账单确实降了。