核心观点 - Rippling推出AI Spend Console产品，旨在帮助企业追踪和控制AI支出，解决员工过度使用AI模型导致的成本失控问题[1] 产品功能与特点 - AI Spend Console可追踪个人、团队和角色的AI支出，并评估其是否真正提升生产力或产生低质量内容[1] - 该工具能显示哪些工程师AI支出高且其同事在代码审查中频繁要求返工[2] - 产品包含仪表盘功能，可评分属性如每日提示次数、工作产出（代码行数/拉取请求）和支出[10] - AI Spend Console可集成到Rippling的HR订阅服务中，也可作为独立产品购买并与其他HR系统集成[15] 公司内部AI支出问题 - 2024年3月，Rippling发现其AI支出占研发部门人力预算的40%，即AI代币支出相当于该部门员工薪酬总额的40%[3] - AI支出月环比增长80%，若趋势持续，下一年AI代币支出将占研发部门薪酬的90%[3] - 约10-15%的员工驱动了60%的AI总支出，一名工程师每月花费5万美元[4] - 公司发现员工默认使用最新、最贵的模型处理所有任务[5] 成本控制措施与效果 - Rippling与Cursor、OpenAI和Anthropic等工具协商了最高支出上限[5] - 公司自建AI网关，将提示路由到最具成本效益的模型[9] - 实施工具后，AI代币支出从人力预算的40%降至约15%[11] - 7月内部代币使用量达6000亿，但成本仅为4月的37%[11] - 公司通过路由到更有效的模型实现成本降低，例如不让销售团队使用Fable进行语法更新[12] 行业洞察与趋势 - AI推理提供商（如Anthropic和OpenAI）没有帮助控制支出的动机，反而有动力让支出失控[6] - 到2026年中期，企业意识到需要多个AI实验室的不同价位模型，包括前沿开源模型（可能来自中国）[7] - Rippling内部基准测试发现，SpaceX的Grok全面领先，但GLM 5.2比前沿模型便宜85%且性能几乎相同[8] - Z.ai的GLM 5.2已成为科技公司编码任务的热门中国模型，Databricks也在推广它[8] 生产力衡量与AI管理 - Rippling将高效使用AI的员工任命为“AI队长”，协助公司其他部门[12] - 公司正尝试将AI应用于客户入职团队，自动化邮件数据和数据对账任务[13] - 必须将AI代币消耗与生产力挂钩，否则无法向更广泛的员工群体开放AI访问[14] - 如果无法衡量生产力，所有员工可能都无法获得AI访问权限，AI使用可能不再像Slack或电子邮件那样普及[14]