ریپلینگ: از شوک هزینه‌های میلیونی هوش مصنوعی تا عرضه ابزار مهار مصرف

شرکت‌های فناوری در سراسر جهان از ابتدای سال ۲۰۲۶ با شوق فراوان به سمت استفاده از هوش مصنوعی هجوم بردند، اما خیلی زود با واقعیت تلخ هزینه‌های سرسام‌آور روبه‌رو شدند. ریپلینگ (Rippling)، ارائه‌دهنده نرم‌افزارهای منابع انسانی، یکی از همین شرکت‌ها بود که به گفته تک‌کرانچ (TechCrunch) در ماه مارس با شوک بزرگی مواجه شد: پیش‌بینی می‌شد هزینه توکن‌های هوش مصنوعی این شرکت به ۴۰ درصد کل بودجه بخش تحقیق و توسعه برسد. رقمی معادل میلیون‌ها دلار که با رشد ماهانه ۸۰ درصد، می‌توانست سال بعد به ۹۰ درصد برسد.

این غافلگیری تلخ، مدیران ریپلینگ را واداشت تا به سرعت پروژه‌ای فوری برای تحلیل این هزینه‌ها آغاز کنند. نتیجه، تولد ابزاری به نام AI Spend Console بود که این هفته معرفی شد؛ محصولی که به گفته ریپلینگ، پادزهری برای «توکن‌سوزی» (tokenmaxxing) بی‌رویه است.

ویژگی‌های کلیدی AI Spend Console:

• ردیابی هزینه‌های فردی و تیمی: مشخص می‌کند هر کارمند، تیم یا نقش شغلی چقدر برای استفاده از مدل‌های هوش مصنوعی هزینه کرده است.
• سنجش بهره‌وری واقعی: بررسی می‌کند آیا هزینه‌های انجام‌شده واقعاً به افزایش بهره‌وری منجر شده یا صرفاً خروجی‌های بی‌کیفیت (AI slop) تولید شده است.
• شفاف‌سازی در فرایندهای مهندسی: به‌عنوان مثال نشان می‌دهد کدام مهندسان با وجود هزینه بالای هوش مصنوعی، کدهایی تحویل می‌دهند که در بازبینی همکاران رد می‌شود.
• داشبوردهای تحلیلی: امتیازهایی بر اساس تعداد درخواست‌ها (prompts) در روز، خروجی کار (خطوط کد/درخواست‌های pull) و میزان هزینه ارائه می‌دهد.

آنچه تحلیل اولیه ریپلینگ فاش کرد:

• حدود ۱۰ تا ۱۵ درصد کارمندان، ۶۰ درصد کل هزینه هوش مصنوعی را به خود اختصاص داده بودند.
• یک مهندس به تنهایی ماهانه ۵۰ هزار دلار هزینه می‌کرد.
• اغلب کارمندان برای همه کارها، حتی ساده‌ترین آن‌ها، از گران‌ترین مدل‌های مرزی (frontier models) استفاده می‌کردند.

مت مک‌اینس (Matt MacInnis)، مدیر ارشد محصول ریپلینگ، در گفت‌وگو با تک‌کرانچ گفت: «ارائه‌دهندگان استنباط هوش مصنوعی مثل OpenAI و Anthropic هیچ انگیزه‌ای برای کنترل هزینه‌های شما ندارند. آن‌ها دقیقاً می‌خواهند هزینه‌ها سرسام‌آور شود و ابزار شفافیت در اختیارتان نمی‌گذارند.»

راه‌حل ریپلینگ ترکیبی از فناوری و تغییر فرایند بود:

1. تعیین سقف هزینه برای هر ابزار: ابتدا با ابزارهایی مثل Cursor، OpenAI و Anthropic سقف هزینه توافقی تعیین کرد.
2. ایجاد دروازه هوش مصنوعی (AI gateway) داخلی: این دروازه درخواست‌ها را به کم‌هزینه‌ترین و مناسب‌ترین مدل برای هر وظیفه هدایت می‌کند. نکته جالب آنکه بنچمارک‌های داخلی ریپلینگ نشان داد مدل چینی GLM 5.2 از شرکت Z.ai با ۸۵ درصد هزینه کمتر، عملکردی نزدیک به مدل‌های مرزی دارد.
3. معرفی کاپیتان‌های هوش مصنوعی: کارمندانی که در استفاده مؤثر از هوش مصنوعی مهارت داشتند، به عنوان راهنما به بقیه کمک می‌کنند.

نتیجه این اقدامات شگفت‌انگیز بود: هزینه توکن‌ها از ۴۰ درصد بودجه بخش تحقیق و توسعه به حدود ۱۵ درصد کاهش یافت، درحالی‌که میزان استفاده از هوش مصنوعی کاهش نیافت. در ماه جولای، مصرف توکن به ۶۰۰ میلیارد رسید (مشابه اوج قبلی)، اما هزینه آن تنها ۳۷ درصد هزینه ماه آوریل بود.

برای شرکت‌های ایرانی که روزبه‌روز بیشتر به استفاده از هوش مصنوعی روی می‌آورند، داستان ریپلینگ درس‌های مهمی دارد:

• هزینه‌ها را از ابتدا رصد کنید: بدون سیستم ردیابی، احتمالاً بخش بزرگی از بودجه فناوری را بی‌آنکه بدانید هدر می‌دهید.
• از مدل‌های متنوع و مقرون‌به‌صرفه استفاده کنید: همیشه گران‌ترین مدل بهترین نیست.
• بهره‌وری واقعی را بسنجید: دسترسی به هوش مصنوعی نباید مثل ابزارهای عمومی مثل ایمیل برای همه باز باشد، مگر آنکه بتوان تأثیر آن بر خروجی واقعی کار را اندازه گرفت.

به نظر می‌رسد با بلوغ بازار، دوره «توکن‌سوزی» بی‌حساب به پایان رسیده و ابزارهایی مانند AI Spend Console به شرکت‌ها کمک می‌کند تا هوش مصنوعی را نه یک اسباب‌بازی پرهزینه، که یک سرمایه‌گذاری سنجیده ببینند. ریپلینگ این محصول را به مشترکان منابع انسانی خود ارائه می‌کند و امکان خرید مستقل آن با اتصال به سایر سیستم‌های منابع انسانی نیز وجود دارد.