本周，人力资源软件提供商 Rippling 推出 AI Spend Console，旨在遏制“Token最大化”（tokenmaxxing）现象，帮助企业追踪并控制人工智能支出。该工具可映射单个员工、团队和岗位的具体花费情况，评估其是否真正提高生产力，抑或仅制造低质量AI内容。
该公司在博客文章中承诺，该工具将显示“哪些工程师的AI支出较高，且同事经常在代码审查中要求其重做工作”。
研发预算40%用于AI Token引发警觉
Rippling今年年初全面投入“Token最大化”，结果发现员工正在疯狂烧钱。首席产品官Matt MacInnis回忆，今年三月高管会议上，首席财务官Adam Swiecicki公布了一个震惊全场的数字：公司原计划将研发人力预算的40%用于购买AI Token，相当于该部门所有员工薪酬总额的40%，金额达数百万美元。
若每月环比增长80%的趋势持续，明年AI Token支出将达近90%，几乎等同于高薪研发员工总薪酬。“我们感到难以置信，”MacInnis告诉TechCrunch。
管理层随即启动紧急项目以了解支出详情及价值。新产品发布广告展示了Swiecicki坐在凳子上，员工抓起成捆现金倒入碎纸机的画面。
分析发现，“约10-15%的员工导致约60%的总AI支出，其中一位工程师每月花费5万美元”。Rippling并非想停止使用AI，而是希望大幅限制不合理支出。公司首先与Cursor、OpenAI和Anthropic等工具协商设定最高支出上限，并发现明显问题：员工默认对所有任务使用最新、最昂贵的前沿模型。
“推理提供商完全没有动力帮助控制支出，它们有充分理由让支出失控，且未提供良好使用洞察，彼此也不合作，”MacInnis表示。
多模型策略与AI网关成降本关键
进入2026年八个月后，企业已摸清门道。首先需来自多家AI实验室、不同价格层级的多种模型，包括前沿开源权重选项。Rippling创始人兼CEO Parker Conrad指出，内部基准测试显示SpaceX的Grok全面领先，但“GLM 5.2成本仅为前沿模型的85%，性能几乎相同”。Z.ai的GLM 5.2近期已成为科技公司编程任务的热门中国模型，Databricks也在大力推崇。
其次，企业需要AI网关将提示词路由至最适合、最具成本效益的模型。Rippling构建了自有AI网关作为该产品一部分。MacInnis表示，已使用其他网关的企业仍可使用AI Spend Console，但若需管理支出功能，则必须使用Rippling网关。
AI Spend Console生成仪表板（曾称排行榜），对每日提示词数量结合工作产出（代码行数/拉取请求数）及支出等属性进行评分。
借助该工具，Rippling将Token支出从占人员预算40%降至约15%。CFO发出警告当月，Token消耗峰值达6050亿个；7月内部使用量再次达6000亿个Token，但“7月Token支出成本仅为4月的37%”。
“这仅仅是因为我们将请求路由到了更有效的模型，”MacInnis开玩笑说，“不再让销售团队用Fable做语法更新。”
技术之外还需组织配套措施
Rippling指出技术解决方案不够，公司发现高效使用AI的员工并任命其为“AI队长”，协助其余员工。
尽管软件工程师仍是主要用户，但向工程领域外扩展的努力仍在进行。例如，正为客户入职团队开发应用，自动化部分邮件数据发送和核对任务，后续将以入职更多客户衡量生产力。
“我们必须将一般及行政职能（G&A）和客户面向职能中的Token消耗与生产力联系起来。若做不到，向更广泛员工群体开放资源就无从谈起，”MacInnis强调。
以Rippling为例，Tokenmaxxing风向可能彻底反转，员工访问AI的方式或不再像Slack或电子邮件那样普及。若无法衡量生产力，并非所有员工都能获得访问权限。
产品方面，AI Spend Console包含在Rippling人力资源订阅服务中，另有基于AI使用的额外费用。它也可作为独立产品购买，并与其它HR主记录系统集成。