چگونه شرکت Rippling پس از سوزاندن میلیون‌ ها دلار برای هوش مصنوعی، ابزار سنجش بازگشت سرمایه (ROI) کارمندان را ساخت؟

شرکت ارائه‌دهنده نرم‌افزارهای منابع انسانی Rippling این هفته از محصول جدید خود با نام AI Spend Console رونمایی کرد؛ ابزاری ضد «سوزاندن بی‌رویه توکن» (Tokenmaxxing) که به شرکت‌ها کمک می‌کند هزینه‌های هوش مصنوعی خود را ردیابی و مهار کنند. یکی از جالب‌ترین ویژگی‌های این ابزار، ترسیم میزان هزینه کارمندان، تیم‌ها و نقش‌های شغلی مختلف است تا مشخص شود آیا آن‌ها واقعاً مولدتر و با بهره‌وری بالاتر شده‌اند یا صرفاً در حال تولید انبوه محتوا و کدهای کم‌ارزش هوش مصنوعی هستند.

به گزارش بخش اخبار فناوری زوم تک به نقل از تک‌کرانچ، این شرکت در پست وبلاگ خود وعده داده است که این ابزار نشان می‌دهد «کدام مهندسان هزینه‌های بالای هوش مصنوعی دارند، در حالی که همتایان آن‌ها در فرایند بررسی کد (Code Review) مرتباً از آن‌ها می‌خواهند کارشان را از نو انجام دهند.»

سوزاندن میلیون‌ ها دلار بودجه؛ وقتی هزینه‌ های هوش مصنوعی از کنترل خارج شد

این ابزار پس از آن متولد شد که شرکت Rippling در ابتدای سال جاری — مانند بسیاری از شرکت‌های دیگر — تمام تمرکز خود را روی استفاده حداکثری از توکن‌های هوش مصنوعی گذاشت، اما در نهایت متوجه شد که کارمندان به شدت در حال سوزاندن سرمایه شرکت هستند. مت مکلینیس (Matt MacInnis)، مدیر ارشد محصول این شرکت، هنوز جلسه هیئت مدیره در ماه مارس را به یاد می‌آورد که در آن آدام سویسیکی (Adam Swiecicki)، مدیر ارشد مالی، رقمی را ارائه کرد که همه را شوکه کرد.

شرکت Rippling در مسیری قرار داشت که ۴۰ درصد از بودجه حقوق و دستمزد بخش تحقیق و توسعه (R&D) خود را صرف خرید توکن‌های هوش مصنوعی می‌کرد؛ به این معنی که هزینه پرداختی برای توکن‌ها با ۴۰ درصد از کل حقوق پرداختی به کارمندان آن بخش برابری می‌کرد که بالغ بر میلیون‌ها دلار می‌شد. (بخش R&D در اکثر شرکت‌های فناوری محل استقرار تیم‌های مهندسی و نرم‌افزار است.)

این هزینه‌ها ماهانه ۸۰ درصد رشد می‌کرد و اگر این روند ادامه می‌یافت، در سال بعد تقریباً به همان اندازه — یعنی ۹۰ درصد — که صرف حقوق پرداختی به کارمندان با دستمزد بالای بخش R&D می‌شد، صرف توکن‌های هوش مصنوعی می‌گشت.

مکلینیس به تک‌کرانچ گفت: «ما کاملاً شوکه شده بودیم و باورمان نمی‌شد.»

او گفت مدیریت بلافاصله یک پروژه «اضطراری» را برای درک نحوه صرف این هزینه‌ها و آنچه در ازای این پول به دست می‌آورند، آغاز کرد. در واقع، در تیزر تبلیغاتی معرفی این محصول جدید، سویسیکی روی یک چهارپایه نشسته است در حالی که کارمندان دسته‌های اسکناس را برمی‌دارند و آن‌ها را داخل یک دستگاه کاغذخردکن می‌ریزند.

تحلیل مصرف توکن‌ ها: یک مهندس ماهانه ۵۰ هزار دلار هوش مصنوعی مصرف می‌کرد!

هنگامی که Rippling تحلیلی انجام داد، حقایقی را کشف کرد؛ از جمله اینکه «حدود ۱۰ تا ۱۵ درصد از کارمندان ما حدود ۶۰ درصد از کل هزینه‌های هوش مصنوعی را به خود اختصاص داده بودند. تنها یک مهندس ماهانه ۵۰,۰۰۰ دلار صرف ابزارهای هوش مصنوعی می‌کرد.»

شرکت Rippling نمی‌خواست استفاده از هوش مصنوعی را متوقف کند، بلکه فقط می‌خواست آن را تا حد زیادی مهار کند. این شرکت کار خود را با مذاکره برای تعیین سقف حداکثر هزینه با هر یک از ابزارهای مورد استفاده شرکت آغاز کرد: Cursor، OpenAI و Anthropic. آن‌ها بلافاصله متوجه یک مشکل واضح شدند: کارمندان به طور پیش‌فرض برای تمام کارها از جدیدترین و گران‌ترین مدل‌های پیشرو (Frontier Models) استفاده می‌کردند.

مکلینیس گفت: «واقعیت این است که ارائه‌دهندگان مدل‌های استنتاجی مانند Anthropic و OpenAI مطلقاً هیچ انگیزه‌ای برای کمک به شما در کنترل هزینه‌هایتان ندارند. آن‌ها تمام انگیزه لازم را دارند تا این هزینه از کنترل خارج شود و دقیقاً همین کار را هم می‌کنند. آن‌ها اطلاعات دقیق و تحلیلی از میزان مصرف در اختیار شما قرار نمی‌دهند و با یکدیگر همکاری نمی‌کنند.»

تغییر معادلات هوش مصنوعی در سال ۲۰۲۶؛ ظهور مدل‌های ارزان‌تر و درگاه‌های هوشمند

این یک مشکل رایج در اوایل سال ۲۰۲۶ بود. اکنون، با گذشت هشت ماه از سال، سازمان‌ها و شرکت‌ها به چند نکته مهم دست یافته‌اند. اول اینکه آن‌ها می‌دانند به چند مدل مختلف از آزمایشگاه‌های مختلف هوش مصنوعی با قیمت‌های متفاوت نیاز دارند، از جمله گزینه‌های متن‌باز (Open Weight) پیشرو که شاید منشأ چینی داشته باشند.

پارکر کنراد (Parker Conrad)، موسس و مدیرعامل Rippling، ماه گذشته اشاره کرد زمانی که شرکتش بنچمارک‌های اختصاصی خود را برای مصارف داخلی انجام داد، دریافت که مدل Grok متعلق به SpaceX رهبر همه‌جانبه بازار است، اما مدل GLM 5.2 متعلق به شرکت Z.ai حدود ۸۵ درصد ارزان‌تر است در حالی که عملکردی تقریباً یکسان با مدل‌های پیشرو دارد. (شرکت SpaceX اکنون مالک Cursor است که دسترسی به Grok و ده‌ها مدل دیگر را فراهم می‌کند.) مدل GLM 5.2 چین این روزها به یک مدل محبوب برای کارهای کدنویسی در میان شرکت‌های فناوری تبدیل شده و شرکت Databricks نیز از آن حمایت کرده است.

دوم اینکه، سازمان‌ها اکنون می‌دانند که به یک درگاه هوش مصنوعی (AI Gateway) نیاز دارند تا پرامپت‌ها را به بهینه‌ترین و مقرون‌به‌صرفه‌ترین مدل برای آن کار خاص هدایت کند. Rippling نیز به همین نتیجه رسید. بنابراین، این شرکت درگاه هوش مصنوعی اختصاصی خود را ساخت که بخشی از این محصول جدید نیز هست. مکلینیس می‌گوید برای سازمان‌هایی که از قبل از درگاه دیگری استفاده می‌کنند همچنان امکان استفاده از محصول AI Spend Console وجود دارد، اگرچه اگر ویژگی‌های مدیریت و کنترل هزینه را بخواهند، باید از درگاه Rippling استفاده کنند.

کاهش ۶۳ درصدی هزینه‌ ها بدون افت بهره‌ وری؛ داشبوردهای هوشمند AI Spend Console

محصول AI Spend Console داشبوردهایی تولید می‌کند (که در روزهای اوج توکن‌مکسینگ به عنوان جدول امتیازات شناخته می‌شدند) که شاخص‌هایی مانند تعداد پرامپت در روز را با خروجی کار (خطوط کد / درخواست‌های تغییر یا Pull Requests) و میزان هزینه ترکیب کرده و امتیازدهی می‌کند.

با به‌کارگیری این ابزار، شرکت Rippling اعلام کرد که هزینه توکن‌های خود را از ۴۰ درصد بودجه بخش تحقیق و توسعه به حدود ۱۵ درصد کاهش داده است، اما استفاده از هوش مصنوعی را محدود نکرده است. مکلینیس به اشتراک گذاشت که این شرکت در ماهی که مدیر ارشد مالی هشدار داد، به اوج مصرف ۶۰۵ میلیارد توکن رسید. در ماه ژوئیه، مصرف داخلی دوباره به ۶۰۰ میلیارد توکن رسید، اما «هزینه توکن‌های مصرف‌شده در ماه ژوئیه تنها ۳۷ درصد از هزینه توکن‌های ماه آوریل بود.»

او گفت: «این فقط به این دلیل است که ما اکنون پرامپت‌ها را به سمت مدل‌های کارآمدتر هدایت می‌کنیم.» وی به شوخی افزود: «ما دیگر اجازه نمی‌دهیم تیم فروش برای ویرایش‌های دستور زبانی ساده از مدل Fable استفاده کند.»

کاپیتان‌ های هوش مصنوعی و گسترش استفاده به سایر بخش‌ های شرکت

با این حال، Rippling خاطرنشان می‌کند که راهکارهای تکنولوژیک به تنهایی کافی نیستند. این شرکت افرادی را که به طور موثر از هوش مصنوعی استفاده می‌کردند پیدا کرد و آن‌ها را به عنوان «کاپیتان‌های هوش مصنوعی» (AI Captains) مأمور کمک به سایر اعضای شرکت کرد.

مکلینیس می‌گوید با این وجود، چنین تلاش‌هایی برای استفاده از هوش مصنوعی در خارج از بخش مهندسی همچنان یک کار در حال پیشرفت است، زیرا مهندسان نرم‌افزار تاکنون کاربران اصلی بوده‌اند. اما Rippling به عنوان مثال در حال کار روی توسعه آن برای تیم‌های جذب و آنبوردینگ مشتریان است تا برخی از داده‌های ایمیلی و کارهای تطبیق داده‌ها را خودکار کند. سپس داشبورد، میزان بهره‌وری را بر اساس جذب مشتریان بیشتر اندازه‌گیری خواهد کرد.

مکلینیس می‌گوید: «ما باید بتوانیم مصرف توکن در بخش‌های عمومی و اداری (G&A) و بخش‌های در ارتباط با مشتری را به بهره‌وری مرتبط کنیم. اگر نتوانیم این کار را انجام دهیم، ارائه این ابزارها به بدنه عمومی کارمندان منتفی خواهد شد.»

بنابراین، اگر Rippling را به عنوان یک نمونه در نظر بگیریم، جریان زیاده‌روی در مصرف توکن ممکن است آن‌قدر تغییر کرده باشد که دسترسی کارمندان به هوش مصنوعی دیگر مانند اسلک (Slack) یا ایمیل عمومی نباشد. اگر شرکت نتواند بهره‌وری را اندازه‌گیری کند، ممکن است همه کارمندان دیگر به آن دسترسی نداشته باشند.

در مورد خود محصول، AI Spend Console برای مشترکین بخش منابع انسانی Rippling گنجانده شده است، اگرچه هزینه‌های اضافی بر اساس میزان مصرف هوش مصنوعی وجود دارد. مکلینیس می‌گوید این ابزار همچنین می‌تواند به عنوان یک محصول مستقل خریداری شده و با سایر سیستم‌های ثبت منابع انسانی ادغام شود.

منبع خبر: تک‌کرانچ (TechCrunch)