Rippling за несколько месяцев довела расходы на AI-токены до миллионов долларов, а затем обнаружила, что почти не умеет объяснять, что получила взамен. Выходом стал не запрет на ИИ, а контур, который связывает расходы конкретных сотрудников и команд с производственным результатом.
Для операторов это полезный сигнал: эпоха отчётов в духе «у нас 80% сотрудников пользуются AI» заканчивается. Использование само по себе ничего не доказывает. Иногда оно означает рост производительности, иногда дорогую редактуру грамматики на модели, созданной для куда более сложных задач.
Счёт рос быстрее понимания
В начале года Rippling открыла сотрудникам доступ к AI-инструментам без лимитов и поощряла эксперименты. К марту расходы на токены росли на 80% месяц к месяцу. По расчётам компании, они могли достичь 40% от всего бюджета на зарплаты R&D, а в следующем году приблизиться к 90%.
Анализ показал сильную концентрацию: примерно 10–15% сотрудников создавали около 60% всех расходов. Один инженер тратил $50 000 в месяц. При этом финансовая команда вручную собирала данные из кабинетов Cursor, OpenAI и Anthropic. Общую сумму она видела, но не могла нормально ответить, какие команды разгоняют счёт и связан ли этот рост с результатом.
Как пишет TechCrunch, сначала Rippling договорилась с поставщиками о месячных лимитах. Это остановило разгон, но не решило главную задачу. Ограничить каждому сотруднику бюджет легко. Понять, кому больший бюджет действительно окупается, гораздо сложнее.
ROI начинается не с токенов
Созданная компанией AI Spend Console сопоставляет потребление с данными о сотруднике, команде и роли, а затем добавляет рабочие метрики. Для инженеров это количество pull request, расходы на один PR, оценки производительности и частота доработок после code review. Компания прямо предлагает искать сотрудников с высоким AI-бюджетом, чью работу коллегам часто приходится возвращать на переделку.
Именно здесь проходит граница между контролем расходов и управлением ROI. Дашборд поставщика обычно отвечает на вопрос, кто и сколько использовал. Бизнесу нужен другой ответ: стал ли процесс быстрее, качественнее или дешевле.
Собственный анализ Rippling дал важную оговорку. Инженеры, активно использовавшие Cursor, выпускали больше PR, но зависимость оказалась нелинейной. Основной прирост возникал после начала использования ИИ, а дополнительные расходы на самые дорогие модели не давали сопоставимого улучшения. Иными словами, ценность создавал переход от нуля к рабочему AI-процессу, а не автоматический выбор самой новой модели.
Rippling добавила собственный AI-шлюз, который направляет задачи в более подходящие по цене и качеству модели. В месяц предупреждения финансового директора компания использовала 605 млрд токенов. В июле потребление снова достигло примерно 600 млрд, но стоило 37% от апрельской суммы. Доля расходов на токены относительно бюджета на сотрудников R&D снизилась примерно с 40% до 15%.
Это сильнее любого призыва «экономить токены». Компания сохранила масштаб использования, но перестала оплачивать дорогой вариант по умолчанию.
Что переносить в свой бизнес
Первый уровень контроля уже понятен рынку: единый реестр AI-поставщиков, лимиты и расходы по командам. Такие инструменты появляются и у самих платформ, а Atlassian, по данным The Guardian, уже вводила для сотрудников месячные AI-кошельки. Но лимит лишь сообщает, сколько разрешено потратить. Он не объясняет, зачем.
Практический шаблон Rippling состоит из трёх связок: сотрудник или роль, стоимость использования, измеримый выход процесса. Для разработки таким выходом могут быть объединённые PR и объём переделок. Для клиентского онбординга Rippling собирается считать число подключённых клиентов после автоматизации работы с почтовыми данными и сверкой информации.
Метрики тоже нельзя превращать в новую религию. Количество PR легко оптимизировать в ущерб качеству, а оценка сотрудника не всегда показывает эффект конкретного инструмента. Поэтому разумный ROI-контур должен держать рядом хотя бы две величины: объём результата и сигнал качества. Иначе вместо соревнования по токенам получится соревнование по производству активности.
Для российского бизнеса вывод тот же: массовый доступ к AI стоит расширять не после красивой статистики использования, а после появления единицы результата, к которой можно привязать расходы. Если такой единицы нет, компания покупает не производительность, а надежду с помесячной оплатой.
Проверочный маркер на ближайшие месяцы простой. Смотрите, появится ли в вашем ежемесячном AI-отчёте показатель вроде стоимости одного принятого PR, завершённого онбординга или другого проверяемого результата вместе с метрикой качества. Если отчёт по-прежнему заканчивается числом пользователей и токенов, AI-бюджетом у вас пока управляет не бизнес, а счётчик поставщика.