ریپلینگ هزینه توکن‌های هوش مصنوعی را از ۴۰٪ به ۱۵٪ بودجه تحقیق و توسعه رساند

تصور کنید یک مهندس نرم‌افزار در یک ماه ۵۰ هزار دلار هزینه توکن ایجاد کند، بدون اینکه خروجی کارش متناسب با این مبلغ باشد. اگر شما مدیر یک تیم فنی هستید که هزینه‌های ابری‌اش هر ماه ۸۰٪ رشد می‌کند، احتمالاً با بحران «توکن‌ماکسیمایز کردن» (Tokenmaxxing) روبرو شده‌اید.

طبق اعلام شرکت ریپلینگ (Rippling)، این ارائه‌دهنده نرم‌افزارهای منابع انسانی، هزینه استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی نه دوره آموزش آشپز — از ۴۰٪ به ۱۵٪ بودجه کل نیروی انسانی در بخش تحقیق و توسعه (R&D) کاهش یافت. این اتفاق زمانی رخ داد که هزینه توکن‌های هوش مصنوعی تقریباً با حقوق‌های سالانه مهندسان ارشد شرکت برابری می‌کرد.

بسیاری از سازمان‌ها در اوایل ۲۰۲۶ با این بحران دست‌وپنجه نرم می‌کردند: افزایش شدید مصرف هوش مصنوعی بدون رشد متناظر در بهره‌وری. برای ریپلینگ، این یعنی یک نشت مالی که حاشیه سود بخش R&D را تهدید می‌کرد. بر اساس پیش‌بینی‌های داخلی، اگر این روند ادامه می‌یافت، شرکت تخمین می‌زد که تا سال آینده نزدیک به ۹۰٪ بودجه حقوق کارکنان بخش تحقیق و توسعه تنها صرف خرید توکن‌ها شود.

همان‌طور که در تحلیل‌های پیشین ما درباره هزینه‌های عملیاتی مدل‌های زبانی اشاره کردیم، مدیریت مصرف در مقیاس سازمانی سخت‌ترین بخشِ پذیرش هوش مصنوعی است. در این راستا، برخی شرکت‌ها برای مقابله با پیچیدگی‌های عملیاتی در مقیاس بزرگ، به راهکارهای جدیدی روی آورده‌اند؛ همان‌طور که استارتاپ June تلاش می‌کند با هدف کاهش «بدهی استقرار»، مسیر پیاده‌سازی AI در سازمان‌ها را هموارتر کند.

شوک مالی

در مارس ۲۰۲۶، آدام سوئی‌سیکی (Adam Swiecicki)، مدیر مالی شرکت، داده‌هایی را در یک جلسه مدیریتی ارائه کرد که اعضای تیم اجرایی را شوکه کرد. مت مک‌آینیس (Matt MacInnis)، مدیر محصول، این لحظه را «باورنکردنی» توصیف کرد. آن‌ها کشف کردند که تنها ۱۰ تا ۱۵ درصد از کارکنان، ۶۰ درصد کل هزینه‌های AI را به تنهایی مصرف می‌کنند؛ در همین میان، یک مهندس واحد موفق شده بود در یک ماه ۵۰ هزار دلار هزینه ایجاد کند.

به نقل از پست وبلاگی ریپلینگ، ریشه مشکل در این بود که کارکنان به طور پیش‌فرض برای هر تسک ساده و پیش‌پاافتاده، از گران‌ترین مدل‌های پیشرو (Frontier Models) استفاده می‌کردند. این اتلاف به قدری زیاد بود که در تبلیغ محصول جدید شرکت، تصویر سوئی‌سیکی را نشان دادند که در حالی‌ست روی چهارپایه نشسته و کارکنان دسته‌های پول را در دستگاه خردکن می‌ریزند.

برای متوقف کردن این خون‌ریزی مالی، ریپلینگ ابزار AI Spend Console را راه‌اندازی کرد. این ابزار یک داشبورد ضد-اتلاف (Anti-tokenmaxxing) است که هزینه هر فرد یا تیم را با خروجی واقعی کارشان مقایسه کرده و نقشه‌برداری می‌کند.

مکانیزم بازگشت سرمایه (ROI)

این سیستم از طریق چهار رکن اصلی عمل می‌کند:

• نقشه بهره‌وری: کنسول متغیرهایی مثل «تعداد پرامپت در روز» را در مقابل خروجی‌های ملموس، مانند «تعداد خطوط کد تولید شده» و «درخواست‌های ادغام» (Pull Requests) امتیازدهی می‌کند.
• تشخیص آشغال (Slop Detection): این ابزار «آشغال‌های AI» یا همان Slop را شناسایی می‌کند. این کار از طریق علامت‌گذاری مهندسانی انجام می‌شود که هزینه مصرفی بالایی دارند اما همکارانشان در مرحله بازبینی کد (Code Review)، به طور مکرر درخواست بازنویسی بخش‌های مختلف را می‌دهند.
• درگاه هوش مصنوعی (AI Gateway): یک لایه مسیریابی سفارشی که پرامپت‌ها را بر اساس پیچیدگی تسک، به به‌صرفه‌ترین مدل ممکن می‌فرستد. اگرچه کاربران سایر درگاه‌ها همچنان می‌توانند از Spend Console استفاده کنند، اما برای دسترسی به ویژگی‌های حاکمیتی و مدیریتی خاص، باید حتماً از درگاه اختصاصی ریپلینگ استفاده کنند.
• سقف هزینه: برای تثبیت هزینه‌ها، ریپلینگ ابتدا با تامین‌کنندگان اصلی ابزارهای خود یعنی Cursor، OpenAI و Anthropic برای تعیین سقف‌های حداکثری هزینه (Max Spending Caps) مذاکره کرد.

مت مک‌آینیس اشاره کرد که تامین‌کنندگان مدل‌های پیشرو مانند OpenAI و Anthropic هیچ انگیزه‌ای برای کمک به مشتریان جهت کنترل هزینه‌ها ندارند. او می‌گوید: «آن‌ها تمام انگیزه‌ها را دارند تا هزینه‌ها از کنترل خارج شود و به یک مخارج سرسام‌آور تبدیل گردد». مک‌آینیس افزود که این تامین‌کنندگان معمولاً بینش دقیقی از نحوه مصرف کاربر نمی‌دهند و با یکدیگر همکاری نمی‌کنند.

مسیریابی استراتژیک مدل‌ها

برای مقابله با هزینه‌های بالا، ریپلینگ مصرف داخلی خود را به سمت گزینه‌های بهینه‌تر تغییر داد. پارکر کنراد (Parker Conrad)، مدیرعامل شرکت، فاش کرد که بنچمارک‌های داخلی آن‌ها نشان داد مدل چینی GLM 5.2 از شرکت Z.ai، در کارهای کدنویسی ۸۵٪ ارزان‌تر از مدل‌های پیشرو است، در حالی که عملکردی تقریباً یکسان ارائه می‌دهد. این مدل توسط شرکت دیتابریکس (Databricks) نیز مورد حمایت و تایید قرار گرفته است.

علاوه بر این، شرکت متوجه شد که مدل Grok متعلق به SpaceX در برخی کاربردهای داخلی یک پیشتاز همه‌جانبه است. نکته قابل توجه این است که اسپیس‌ایکس اکنون مالک Cursor است و همین موضوع دسترسی به گروک و ده‌ها مدل دیگر را تسهیل می‌کند.

این مسیریابی استراتژیک به ریپلینگ اجازه داد تا حجم عملیات را بدون هزینه سرسام‌آور حفظ کند. در حالی که مصرف توکن‌های داخلی در جولای ۲۰۲۶ به ۶۰۰ میلیارد توکن رسید — که تقریباً برابر با پیک مصرف در ماه آپریل بود — اما هزینه واقعی جولای تنها ۳۷٪ هزینه‌ی آپریل بود. مک‌آینیس با شوخی اشاره کرد که شرکت دیگر «اجازه نمی‌دهد تیم فروش برای اصلاحات گرامری ساده از مدل Fable استفاده کند».

گسترش فراتر از مهندسی

ریپلینگ فراتر از بخش نرم‌افزار، «کاپیتان‌های AI» را منصوب کرده است؛ این‌ها کارکنانی هستند که در استفاده بهینه از هوش مصنوعی استادند و وظیفه دارند دیگران را مربی‌گری کنند. شرکت اکنون در حال گسترش این معیارهای بهره‌وری به نقش‌های غیر-مهندسی، مانند تیم‌های جذب و پذیرش مشتری (Customer Onboarding) است تا کارهای مربوط به داده‌های پستی و تطبیق اطلاعات خودکار شوند. این رویکرد در راستای استراتژی شرکت‌های پیشرو است که با پذیرش متمرکز و بهینه AI، حتی نرخ استخدام نیروی متخصص خود را برای تقویت این اکوسیستم افزایش داده‌اند.

برای این تیم‌ها، داشبورد بهره‌وری را بر اساس «تعداد مشتریانی که با موفقیت وارد سیستم شده‌اند» اندازه‌گیری خواهد کرد. مک‌آینیس هشدار داد که مصرف توکن در بخش‌های اداری (G&A) و توابع مواجه با مشتری باید حتماً به بهره‌وری گره بخورد، در غیر این صورت دسترسی به این ابزارها برای طیف گسترده کارکنان قطع خواهد شد.

این چرخش نشان می‌دهد که دوران نگاه به دسترسی AI به عنوان یک ابزار رایگان و عمومی (مثل اسلک یا ایمیل) به پایان رسیده است. اگر شرکتی نتواند مصرف توکن را به افزایش قابل اندازه‌گیری بهره‌وری متصل کند، دوران دسترسی نامحدود کارکنان به AI به پایان می‌رسد.

ابزار AI Spend Console اکنون برای مشترکین خدمات HR شرکت ریپلینگ به عنوان یک ویژگی یکپارچه در دسترس است، هرچند استفاده از آن هزینه‌های اضافی مبتنی بر مصرف AI را دارد. این محصول همچنین می‌تواند به صورت مجزا خریداری شده و با سایر سیستم‌های ثبت سوابق HR ادغام شود.

گام بعدی شما

• بررسی کنید آیا در تیم شما «کاربران فوق-مصرف‌کننده» وجود دارند که ۸۰٪ هزینه را می‌بلعند؟
• برای تسک‌های تکراری و ساده، از مدل‌های کوچک‌تر (SLM) یا ارزان‌تر به جای مدل‌های پیشرو استفاده کنید.
• خروجی مدل (کد یا متن) را با زمان صرف شده برای پرامپت‌نویسی بسنجید تا نرخ ROI واقعی را بیابید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.