В марте финансовый директор HR-компании Rippling вышел на встречу с руководством с цифрой, от которой у всех отвисла челюсть: компания шла к тому, чтобы потратить на AI-токены сумму, равную 40% всего бюджета на зарплаты в отделе разработки. Не 4%, а 40. Миллионы долларов буквально утекали на запросы к нейросетям, и рост трат составлял 80% в месяц. Если бы тенденция продолжилась, через год компания тратила бы на токены почти столько же, сколько на зарплаты всей инженерной команды.
Когда начали разбираться, вскрылась картина классического бесконтрольного роста: примерно 10–15% сотрудников генерировали 60% всех расходов на AI. Один инженер тратил по 50 тысяч долларов в месяц — и продуктивнее остальных при этом не становился. Причина проста и знакома любому, кто работал с современными AI-инструментами: люди по умолчанию выбирают самую новую и самую дорогую модель для абсолютно любой задачи, включая мелкие правки, для которых хватило бы модели попроще и в разы дешевле.
Rippling не стала запрещать сотрудникам использовать AI — вместо этого построила AI Spend Console, инструмент, который показывает, кто и сколько тратит, а главное — есть ли от этого реальная польза. Система отслеживает не только траты, но и результат: например, показывает инженеров с высокими расходами на AI, чей код коллеги регулярно просят переделать на код-ревью. Ключевым решением стал умный роутинг запросов — система сама определяет, какую модель использовать для конкретной задачи, направляя простые запросы в дешёвые модели, а сложные — в дорогие. По словам компании, это позволило не подпускать, условно говоря, отдел продаж к дорогим моделям, когда речь идёт просто про исправление опечаток в тексте.
Цифры получились убедительные: расходы упали с 40% до 15% от бюджета на зарплаты, при этом объём использования AI не сократился — компания обрабатывала те же 600 миллиардов токенов в месяц, что и на пике трат, просто платила за это в разы меньше. Управленческий директор компании прямо признаёт неудобную правду: у поставщиков AI-моделей вроде OpenAI и Anthropic нет никакого стимула помогать клиентам контролировать расходы — им выгоднее, чтобы трата росла бесконтрольно. История Rippling — наглядный пример того, как быстро AI-инструменты из красивой фичи превращаются в серьёзную статью расходов, требующую такого же строгого учёта, как любой другой ресурс компании.
Во что углубиться:
- AI gateway и роутинг запросов между моделями: как компании выбирают модель по цене и задаче
- GLM 5.2 от Z.ai: почему китайские открытые модели становятся альтернативой дорогим американским
- Токенмаксинг в корпорациях 2026: как компании массово нарастили расходы на AI и что изменилось