Rippling creó una herramienta para controlar su factura de IA desbocada

La factura de IA de Rippling crecía tan rápido que, para marzo, la empresa de software de recursos humanos iba camino de gastar una cantidad equivalente al 40% de todo su presupuesto de plantilla de I+D en tokens de IA. El gasto aumentaba un 80% mes a mes. Si ese ritmo hubiera continuado, los tokens de IA habrían consumido casi el 90% del coste de sus empleados de I+D en un año, según TechCrunch.

El resultado es AI Spend Console, un nuevo producto que, según Rippling, puede rastrear no solo cuánto usan los empleados la IA, sino si ese gasto produce trabajo útil. La herramienta mapea los costes por empleado, equipo y rol, y luego compara el uso con la producción, como líneas de código y pull requests.

«Aproximadamente el 10–15% de nuestros empleados generaban alrededor del 60% del gasto total en IA. Un ingeniero gastaba 50.000 dólares al mes.»

Cómo Rippling redujo el gasto en tokens

El producto surgió de la respuesta interna de Rippling a lo que la compañía llama «tokenmaxxing»: el uso agresivo de herramientas de IA sin prestar mucha atención al coste o a los resultados. El director financiero (CFO) Adam Swiecicki presentó las cifras de gasto a los ejecutivos en marzo, lo que provocó lo que el director de producto (CPO) Matt MacInnis describió como un esfuerzo «urgente» para entender a dónde se iba el dinero.

Recomendado

La planificación de la infraestructura de IA ya no puede esperar

Rippling no prohibió las herramientas de IA. En su lugar, negoció límites máximos de gasto con Cursor, OpenAI y Anthropic, y construyó una pasarela interna de IA para enrutar las solicitudes entre modelos. La pasarela está incluida en AI Spend Console, aunque las empresas pueden seguir usando otra pasarela si no necesitan las funciones de gobernanza de gasto de Rippling.

El enfoque de enrutamiento aborda un problema básico de compra: los empleados suelen recurrir por defecto al modelo de vanguardia más nuevo y más caro, incluso cuando un sistema más barato puede realizar la tarea. El CEO de Rippling, Parker Conrad, dijo que los benchmarks internos de la compañía encontraron que Grok de SpaceX era el modelo más sólido en general, mientras que el GLM 5.2 de Z.ai costaba un 85% menos con un rendimiento casi idéntico para los casos de uso de Rippling. Desde entonces, la empresa ha usado una mezcla de modelos con diferentes puntos de precio, incluyendo modelos de pesos abiertos.

MacInnis criticó los incentivos de los proveedores de inferencia:

«La verdad es que los proveedores de inferencia, como Anthropic y OpenAI, no tienen ningún incentivo para ayudarte a controlar tu gasto. Tienen todo el incentivo para que sea un gasto descontrolado, y eso es exactamente lo que hacen.»

Rippling dice que la estrategia redujo el gasto en IA del 40% de su presupuesto de plantilla a aproximadamente el 15% sin reducir el uso. La compañía consumió un pico de 605.000 millones de tokens en el mes en que su CFO lanzó la alarma. En julio, el uso volvió a alcanzar los 600.000 millones de tokens, pero el coste fue solo el 37% del coste de abril, dijo MacInnis, porque más solicitudes se enrutaron a modelos más baratos o más eficaces.

Medir la productividad, no solo el uso

Los paneles de AI Spend Console combinan métricas como prompts por día, gasto y producción de trabajo. Un ejemplo en la descripción del producto de Rippling identifica a ingenieros con costes altos de IA cuyos compañeros suelen pedirles rehacer trabajo durante las revisiones de código. Eso es una medida más directa que un simple ranking de uso: intenta conectar el consumo de modelos con la calidad del trabajo resultante.

Rippling también ha designado a los usuarios efectivos como «capitanes de IA» que ayudan a otros empleados a usar las herramientas. Ingeniería sigue siendo el área principal de adopción, pero la empresa está probando la IA en los equipos de incorporación de clientes, incluyendo la automatización de datos de envío y la conciliación de datos. En esos roles, la medida de productividad prevista sería el número de clientes incorporados.

Ese despliegue más amplio revela el desafío sin resolver del producto. Rippling dice que debe vincular el consumo de tokens en funciones generales y administrativas y de cara al cliente con una productividad medible antes de que el acceso a la IA pueda expandirse a toda la plantilla. La compañía no proporcionó una metodología para sus benchmarks internos de modelos, y el informe no verifica de forma independiente ni la comparación de rendimiento ni los ahorros alegados.

AI Spend Console está incluido en las suscripciones de RR. HH. de Rippling, pero conlleva costes adicionales basados en el uso de IA. También está disponible como producto independiente que puede integrarse con otro sistema de registro de RR. HH. Rippling no reveló el precio independiente, por lo que el coste de adoptar la herramienta no está claro para las empresas fuera de su base de clientes existente.

Las cifras avalan el mecanismo central del producto: el enrutamiento de modelos y los controles de gasto produjeron una gran reducción de costes mientras el volumen de tokens se mantuvo casi estable. Pero la promesa más difícil—demostrar que la IA hace a los empleados no tecnológicos más productivos—aún no se ha demostrado. Por ahora, Rippling tiene una respuesta creíble a los costes de inferencia descontrolados, no un sistema terminado para medir el retorno de la IA en cada empleado.