40% бюджета R&D на ИИ-токены — к такой отметке, по внутренним расчетам, Rippling подошла уже в марте 2026 года. После этого компания запустила AI Spend Console, инструмент, который считает расходы на ИИ по сотрудникам, командам и ролям и пытается связать эти траты не с количеством промптов, а с реальной продуктивностью. Для компаний, которые массово закупают Cursor, OpenAI и Anthropic по принципу «побольше и побыстрее», это неприятное, но полезное зеркало.
Как пишет TechCrunch, поводом для запуска стал внутренний шок: на встрече руководства в марте финансовый директор Adam Swiecicki показал, что при сохранении текущего темпа Rippling сожжет на AI-токенах сумму, равную 40% бюджета на штат R&D. Речь шла о миллионах долларов, причем расходы росли на 80% месяц к месяцу. Если бы эта траектория сохранилась, через год компания тратила бы на токены почти столько же, сколько на высокооплачиваемых сотрудников инженерного подразделения: около 90% от фонда их компенсации. Для SaaS-компании, которая сама продает софт бизнесу, это уже не «эксперименты с ИИ», а полноценная статья бюджета, сравнимая с наймом.
Дальше началась довольно приземленная работа с цифрами, и она оказалась интереснее любой евангелизации. Разбор показал, что примерно 10-15% сотрудников генерировали около 60% суммарных затрат, а один инженер тратил на модели до $50 тыс. в месяц. Rippling не стала рубить доступ к инструментам, но быстро выяснила, что расходы на ИИ раздувались по очень знакомому сценарию: люди по умолчанию выбирали самые новые и самые дорогие frontier-модели вообще для всех задач, от кода до мелкой правки текста. После этого компания договорилась о лимитах с поставщиками, которыми пользовалась внутри, включая Cursor, OpenAI и Anthropic.
История Rippling хорошо попадает в тренд 2026 года. Корпораты уже поняли, что стратегия «одна лучшая модель на всё» бьет по бюджету сильнее, чем по качеству результата. По словам основателя и CEO Parker Conrad, внутренние тесты самой Rippling показали, что Grok дал лучший суммарный результат, но GLM 5.2 оказался на 85% дешевле при почти сопоставимом качестве. Это важно не только как спор моделей, а как сигнал для IT-директоров: теперь побеждает не тот, кто подключил самый модный API, а тот, кто умеет разложить задачи по уровням цены и качества. На этом фоне логично, что компании все чаще смотрят на набор из нескольких моделей, включая более дешевые open-weight и китайские варианты, а не на одного «универсального чемпиона».
Rippling пошла еще дальше и встроила в продукт собственный шлюз, который направляет запросы в наиболее подходящую и экономичную модель. Вокруг него компания собрала дашборды, где смотрят не только на число промптов в день, но и на результат работы: строки кода, PR, повторы правок, общую стоимость. Одна из самых жестких идей AI Spend Console — пытаться показывать, кто тратит много, но при этом создает больше шума, чем пользы. В блоге компания прямо обещает подсвечивать инженеров с высоким счетом за модели, чью работу коллеги потом часто отправляют на переделку в code review. Для разработчиков это довольно прозрачный намек: эпоха, когда использование ИИ считалось безусловным плюсом само по себе, заканчивается. Теперь за токены, похоже, будут спрашивать примерно так же, как за облачный счет.
Судя по цифрам самой Rippling, схема сработала. Долю затрат на токены компания снизила с 40% бюджета R&D на персонал примерно до 15%, при этом не урезав само использование. В месяц, когда CFO забил тревогу, внутреннее потребление достигало 605 млрд токенов. В июле 2026 года Rippling снова вышла почти на тот же уровень — 600 млрд токенов, — но стоимость июльского объема составила лишь 37% от стоимости апрельского. То есть экономия пришла не через запреты, а через маршрутизацию и более трезвый выбор моделей под задачу. Для бизнеса это, пожалуй, главный тезис всей истории: расходы на ИИ можно сокращать без ритуального отката в «давайте пользоваться поменьше».
При этом сам продукт — не только про инженеров. Rippling назначила внутри «AI captains», сотрудников, которые реально умеют работать с моделями и помогают остальным командам. Но за пределами разработки всё пока сложнее: компания только учится считать отдачу в функциях вроде customer onboarding, где ИИ помогает с рассылками, сверкой данных и рутинными операциями. И вот здесь появляется более неприятный вопрос для всего рынка. Пока разработчик может показать PR, строку кода или скорость закрытия задач, ему проще защитить свои токены. А вот для G&A-функций и клиентских команд доступ к ИИ, похоже, будут оставлять только там, где эффект можно доказать цифрами, а не общими словами про «рост эффективности».
Из этой истории вырастает довольно прагматичный сценарий для корпоративного рынка: генеративный ИИ перестает быть чем-то вроде Slack или почты, что выдают всем по умолчанию. Если компания не умеет связать расходы на ИИ с измеримым результатом на уровне роли, команды и функции, следующим стандартом станут лимиты, шлюзы и персональная отчетность, а не безлимитный доступ к лучшим моделям. И Rippling уже продает именно эту дисциплину: AI Spend Console входит в подписку ее HR-клиентов с дополнительной тарификацией за использование ИИ, а отдельно может интегрироваться с другой HR-системой. Исходные цифры и цитаты — в материале .