AI账单吃掉四成研发预算，Rippling把支出算到了每个员工头上

本周，人力资源软件公司Rippling发布了一款叫AI Spend Console的产品，专门给企业管AI账单。最扎眼的功能不是报表，而是它能把每一笔AI花费精确对应到某个具体员工，甚至标出“哪些工程师AI花费很高，但代码经常被同事打回去重写”。这背后是Rippling自己几个月前经历的一场惊吓：3月的一次管理层会议上，CFO Adam Swiecicki甩出一个数字——AI token支出已经吃掉研发部门40%的薪酬预算，而且还在以每月80%的速度往上涨。

这不是一次常规的产品发布，而是2026年企业AI应用从“无限畅用”转向“按人核算”的一个缩影。Rippling把自己的糗事包装成产品卖给同行，恰恰说明这个问题不是它一家的，是过去半年放开手脚“tokenmaxxing”的公司都在经历的共同阵痛。

一个工程师月烧5万美元，公司才回过神

Rippling内部复盘发现，10%-15%的员工贡献了60%的AI总支出，其中一名工程师单月花费达到5万美元。问题的根子在于员工默认用最新、最贵的前沿模型处理所有任务——哪怕只是改一句语法。管理层随后启动了一次“紧急”排查：先和Cursor、OpenAI、Anthropic逐一谈判设置支出上限，再自建了一套AI网关，把任务自动路由到最合适、最便宜的模型上。

这组数字说明一件事：Rippling没有真的少用AI，只是把同样的用量花得更聪明。CPO Matt MacInnis把原因归结为路由到了更便宜的模型，而不是靠限制员工使用意愿。

便宜的账，是网关的功劳还是模型本身降价了

CEO Parker Conrad在内部基准测试中提到，SpaceX旗下Grok整体表现最强，但Z.ai的GLM 5.2成本比前沿模型低85%，性能却几乎持平——这条判断来自他自己的推文式测试，没有第三方方法论披露，只能审慎参考。但它指向一个更大的行业事实：过去半年，中国系开源权重模型的价格压力，已经实实在在传导到了美国企业的AI账单上。

MacInnis那句“推理商没有动机帮你省钱”并不是空话。看一眼几家主流厂商这半年的定价逻辑就明白：

三家的共同点是：定价越来越复杂、越来越偏向用量计费，而不是一次性打包。这恰好解释了为什么Rippling这类企业需要一个独立的网关层——不是因为模型不够好，而是因为没有哪家推理商愿意主动告诉你，其实有更便宜的选项能干同样的活。

把支出算到人头上，离监控还有多远

原文没提的一层是：一旦“AI花了多少钱”和“具体某个人”绑定，这套系统天然带着监控属性。AI Spend Console用“同事要求重做代码的频率”去衡量一个工程师的AI花费是否值得，这种指标本身就有陷阱——负责设计评审、把关代码质量的资深工程师往往话语权最重、返工要求提得最多，未必是AI用得差的人被打回去，也可能是标准更严的人在挑刺。

• 风险.如果这类工具进一步接入代码仓库、prompt记录，企业需要先弄清楚数据会不会被留存、会不会用于模型训练、员工的AI使用记录会不会流入绩效考核——这些问题目前没有答案，也是这类“FinOps for AI”产品能否被员工和监管接受的分水岭。

MacInnis自己也承认，AI能不能对全员开放，取决于公司能不能把token消耗和产出挂钩——“如果做不到，所有人都用AI这件事就得打个问号”。这句话反过来读也成立：AI访问权限正在从像Slack、邮箱一样的默认福利，变成需要先证明自己“值这个钱”的资格。

省钱容易证明，监控风险不容易证伪。

这个降幅能不能复制

Rippling的40%降到15%，很难判断多少归功于自建网关本身，多少归功于GLM 5.2这类模型自然降价——这两个变量目前没法拆开算。对于还没上这类工具的公司，更现实的参照物不是Rippling的数字，而是自己有没有出现过“10%-15%员工烧掉60%预算”这种结构性失衡；如果没有，先谈判模型上限、上一个简单路由层，可能比直接买一整套员工级追踪系统更划算，也更不容易踩到监控争议的红线。