币圈界报道：

企业AI成本失控危机催生新型治理工具：以一名工程师为例

人力资源科技公司Rippling近日发布全新产品AI Spend Console，聚焦企业日益严峻的AI使用成本问题。内部数据显示，其在AI令牌上的支出一度占到研发团队总人力预算的40%，相当于数百万美元，引发高层紧急响应。

高消耗模式暴露：少数个体驱动全局成本飙升

2026年初，公司广泛推广使用Cursor、OpenAI及Anthropic等主流工具，但至3月，首席财务官Adam Swiecicki揭示惊人趋势：若维持当前增长速度，年度AI支出将逼近整个研发部门薪资总额。分析指出，约10%至15%的员工贡献了60%的支出，其中一人月均花费高达5万美元，远超常规预期。

供应商无动力控费，企业被迫自建管控机制

面对高昂且不可控的成本，公司尝试与各模型提供商协商设定上限，却发现对方缺乏激励协助降本——反而倾向于推动用户持续调用最昂贵的前沿模型。对此，首席产品官Matt MacInnis直言：“推理服务方并无意愿帮助客户节省开支。”

为此，Rippling自主研发了专用AI网关系统，实现提示词按任务需求自动分配至最具性价比的模型。该系统集成可视化仪表盘，可追踪每日请求量、产出质量（如代码行数、合并请求频率）与实际开销，并支持个人、团队和岗位维度的数据透视，甚至识别出高投入低产出的异常使用行为。

成效显著：成本压缩不减使用强度

借助新架构，公司成功将AI令牌支出由研发预算占比40%降至约15%。7月，总使用量达到4月峰值水平（6000亿令牌），但成本仅为当时峰值的37%。核心原因在于精准的模型调度策略，例如禁止销售团队对语法修正任务调用高端模型。

同时，公司甄别出高效使用AI的员工并授予“AI队长”角色，推动知识共享。目前推广重点已延伸至客户入职流程，用于自动化邮件处理与数据核验。

多模型协同与基础设施重构成为关键

Rippling的经验揭示2026年企业面临的普遍挑战：必须整合来自不同来源、价格各异的AI模型生态。研究发现，诸如GLM 5.2等开源模型在内部基准测试中表现接近顶级模型，成本却低85%。这促使公司视AI网关为不可或缺的基础设施组件。

AI Spend Console现作为其人力资源服务平台的一部分，亦可独立订阅，支持与其他系统集成。但其有效性依赖于将模型消耗与真实生产力挂钩，否则难以实现规模化普及。

从危机到范式：构建可持续的AI使用框架

Rippling的实践为众多面临类似困境的企业提供了可复制的解决方案。通过结合支出限额、智能调度与绩效关联，企业可在保持高强度AI应用的同时实现成本可控。随着人工智能深度嵌入业务流程，具备透明度与调控能力的支出管理工具，正逐步成为现代企业运营的核心标配。

常见问题解答

问：什么是Rippling的AI支出控制台？答：这是一个集支出监控与智能路由于一体的综合平台，可追踪员工、团队及岗位层级的AI使用情况，并评估其与产出效率的关系。内置网关能自动选择最优成本模型进行推理。

问：实施后成本下降多少？答：在启用控制台与网关后，令牌支出从研发预算的40%降至15%；7月使用量达峰值水平，成本仅相当于此前峰值的37%。

问：其他企业能否采用？答：可以。该工具支持独立购买，并兼容多种人力资源系统。但要实现完整治理功能，需部署Rippling的AI网关。