面對這個「不可持續」的開銷,Rippling 沒有選擇直接關閉 AI 工具的使用權限,而是決定自己建造一個解決方案——AI Spend Console,並於 2026 年 8 月 6 日正式對外公開 。這個產品整合了幾項關鍵功能:
AI Spend Console 能將 Token 花費精確對應到每一位員工、團隊與職位,再與實際的產出訊號(如 Pull Request 數量、程式碼審查品質)進行比對 。這讓管理階層能一眼看出哪些角色或個人是帳單的主要來源,以及這筆支出是否真的有創造價值。
Rippling 建立了一個中介層,會自動將每次的提示詞(prompt)導向最符合任務成本效益的模型,而非一律使用昂貴的頂尖模型 。公司內部的基準測試發現,Z.ai 的 GLM 5.2 模型 比領先的頂尖模型便宜 85%,但效能幾乎完全一致,因此大量的例行提示詞都被導向此處 。(請注意,此為 Rippling 自行報告的比較結果,並非獨立第三方驗證 。)
Rippling 與 Cursor、OpenAI、Copilot 等各 AI 工具供應商協商了 最高支出上限,避免任何單一工具產生無上限的鉅額帳單 。
此儀表板將 Token 消耗與可量化的產出(如程式碼提交、PR 品質、審查速度)連結,讓無法轉化為生產力的支出能被標記並採取行動 。Rippling 特別強調這是一個「儀表板」而非「排行榜」,以避免員工間的惡性競爭 。
指派特定員工負責監控和管理其團隊內的 AI 支出,建立直接的問責機制 。
在實施這些措施後的幾個月內,Rippling 成功地將 AI Token 支出從 研發人事預算的約 40% 降至約 15%——而且完全沒有減少使用量。該公司 7 月份依然消耗了約 6000 億顆 Token,但 7 月的帳單金額 只有 4 月的 37% 。正如多家媒體所總結的:Token 使用量從未下降,下降的是帳單金額 。
面對這個「不可持續」的開銷,Rippling 沒有選擇直接關閉 AI 工具的使用權限,而是決定自己建造一個解決方案——AI Spend Console,並於 2026 年 8 月 6 日正式對外公開 。這個產品整合了幾項關鍵功能:
AI Spend Console 能將 Token 花費精確對應到每一位員工、團隊與職位,再與實際的產出訊號(如 Pull Request 數量、程式碼審查品質)進行比對 。這讓管理階層能一眼看出哪些角色或個人是帳單的主要來源,以及這筆支出是否真的有創造價值。
Rippling 建立了一個中介層,會自動將每次的提示詞(prompt)導向最符合任務成本效益的模型,而非一律使用昂貴的頂尖模型 。公司內部的基準測試發現,Z.ai 的 GLM 5.2 模型 比領先的頂尖模型便宜 85%,但效能幾乎完全一致,因此大量的例行提示詞都被導向此處 。(請注意,此為 Rippling 自行報告的比較結果,並非獨立第三方驗證 。)
Rippling 與 Cursor、OpenAI、Copilot 等各 AI 工具供應商協商了 最高支出上限,避免任何單一工具產生無上限的鉅額帳單 。
此儀表板將 Token 消耗與可量化的產出(如程式碼提交、PR 品質、審查速度)連結,讓無法轉化為生產力的支出能被標記並採取行動 。Rippling 特別強調這是一個「儀表板」而非「排行榜」,以避免員工間的惡性競爭 。
指派特定員工負責監控和管理其團隊內的 AI 支出,建立直接的問責機制 。
在實施這些措施後的幾個月內,Rippling 成功地將 AI Token 支出從 研發人事預算的約 40% 降至約 15%——而且完全沒有減少使用量。該公司 7 月份依然消耗了約 6000 億顆 Token,但 7 月的帳單金額 只有 4 月的 37% 。正如多家媒體所總結的:Token 使用量從未下降,下降的是帳單金額 。