Après avoir investi des millions dans l'IA, Rippling lance un outil de calcul du retour sur investissement des employés

Rippling, un fournisseur de logiciels de gestion des ressources humaines de premier plan, a lancé AI Spend Console, un outil conçu pour limiter le tokenmaxxing en aidant les organisations à surveiller et à contrôler leurs dépenses en intelligence artificielle. Une fonctionnalité phare permet aux entreprises de suivre les dépenses par employé individuel, par équipe et par rôle, afin de déterminer si des coûts plus élevés sont corrélés à une productivité réelle ou à un simple bruit généré par l’IA.

Selon l’article de blog de l’entreprise, l’outil identifie les « ingénieurs ayant des dépenses en IA élevées dont les collègues demandent fréquemment des réécritures de code », mettant ainsi en lumière les inefficacités des flux de travail de développement.

La solution est née après que Rippling ait adopté le tokenmaxxing début cette année, suivant les tendances du secteur, avant de constater que les employés épuisaient rapidement les budgets. Le directeur principal des produits (CPO), Matt MacInnis, se souvient d’une réunion de direction en mars au cours de laquelle le directeur financier (CFO), Adam Swiecicki, a révélé des chiffres alarmants qui ont choqué l’équipe de direction.

Rippling prévoyait de consacrer 40 % de son budget de personnel de recherche et développement (R&D) aux jetons d’IA, ce qui équivaut à dépenser pour les jetons autant que 40 % de la rémunération versée aux employés de ce département, soit des millions de dollars. (La division R&D abrite généralement les équipes d’ingénierie dans la plupart des entreprises technologiques.)

Avec une croissance des dépenses de 80 % d’un mois sur l’autre, le maintien de cette tendance entraînerait des coûts de jetons d’IA l’année prochaine représentant 90 % du budget alloué au personnel de R&D hautement rémunéré.

« Nous étions incrédules », a déclaré MacInnis à TechCrunch.

La direction a immédiatement lancé un projet « urgent » pour analyser les dépenses et évaluer la valeur tirée de ces dépenses, a-t-il expliqué. La publicité de lancement du produit représente même Swiecicki assis sur un tabouret pendant que les employés jettent des liasses de billets dans une déchiqueteuse.

Après analyse, Rippling a découvert des informations telles que « environ 10 à 15 % de nos employés génèrent environ 60 % des dépenses totales en IA. Un ingénieur dépensait 50 000 dollars par mois », selon son article de blog.

Rippling n’avait pas l’intention d’arrêter l’utilisation de l’IA, mais plutôt de la réduire considérablement. L’entreprise a commencé par négocier des plafonds de dépenses avec ses principaux outils : Cursor, OpenAI et Anthropic. Cela a révélé un problème clair : les employés utilisaient par défaut les modèles de pointe les plus récents et les plus coûteux pour toutes les tâches.

« La vérité est que les fournisseurs d’inférence comme Anthropic et OpenAI n’ont absolument aucun intérêt à vous aider à contrôler vos dépenses. Ils bénéficient de dépenses incontrôlées, ce qui se produit exactement. Ils ne fournissent pas d’informations détaillées sur l’utilisation et ne collaborent pas entre eux », a déclaré MacInnis.

C’était un défi courant au début de 2026. Huit mois dans l’année, les entreprises ont réalisé deux points clés : premièrement, elles ont besoin de plusieurs modèles provenant de différents laboratoires d’IA à différents prix, y compris des options de pointe à poids ouvert, potentiellement provenant de fournisseurs chinois.

Le fondateur et PDG de Rippling, Parker Conrad, a noté le mois dernier que les benchmarks internes révélaient que Grok de SpaceX était le leader global, mais que « GLM 5.2 est 85 % moins cher mais [offrait] des performances presque identiques » aux modèles de pointe. (SpaceX possède désormais Cursor, qui donne accès à Grok et à des dizaines d’autres modèles.) GLM 5.2 de Z.ai s’est imposé comme un modèle chinois privilégié pour les tâches de codage parmi les entreprises technologiques, Databricks préconisant également son utilisation.

Deuxièmement, les entreprises reconnaissent désormais la nécessité d’une passerelle IA qui dirige les invites vers le modèle le plus rentable pour chaque tâche. Rippling est arrivé à cette conclusion et a construit sa propre passerelle IA, intégrée à ce produit. MacInnis a noté que les entreprises utilisant d’autres passerelles peuvent toujours utiliser AI Spend Console, bien que celles qui recherchent des fonctionnalités de gouvernance des dépenses doivent utiliser la passerelle de Rippling.

AI Spend Console génère des tableaux de bord (anciennement appelés classements pendant l’ère du tokenmaxxing) qui attribuent des scores à des métriques telles que les invites quotidiennes combinées à la production de travail (lignes de code/demandes de tirage) et aux dépenses.

Avec cet outil, Rippling a réduit ses dépenses en jetons de 40 % de son budget de personnel à environ 15 %, sans restreindre l’utilisation de l’IA. L’entreprise a atteint un pic de 605 milliards de jetons le mois où le directeur financier a émis son avertissement, a partagé MacInnis. En juillet, l’utilisation interne a atteint à nouveau 600 milliards de jetons, mais « le coût des jetons dépensés en juillet était de 37 % du coût des jetons dépensés en avril », a-t-il ajouté.

« C’est simplement parce que nous dirigeons désormais vers des modèles plus efficaces », a-t-il dit, plaisantant en disant que « nous n’autorisons pas l’équipe commerciale à effectuer des mises à jour de grammaire avec Fable. »

Cependant, Rippling souligne que la technologie seule est insuffisante. L’entreprise a identifié les employés utilisant l’IA de manière efficace et les a désignés comme « capitaines IA » pour aider le reste de l’organisation.

MacInnis a noté que les efforts pour étendre l’utilisation de l’IA au-delà de l’ingénierie restent en cours, car les ingénieurs logiciels ont été les principaux utilisateurs jusqu’à présent. Néanmoins, Rippling applique cette approche aux équipes d’intégration des clients pour automatiser les tâches de données de courrier et de réconciliation. Le tableau de mesure mesurera alors la productivité en fonction du nombre de clients intégrés.

« Nous devons être capables de relier la consommation de jetons dans les fonctions générales et administratives (G&A) et orientées vers les clients à la productivité. Si nous ne pouvons pas le faire, la disponibilité de ces outils pour l’ensemble des employés est incertaine », a déclaré MacInnis.

Ainsi, si Rippling sert d’exemple, le tokenmaxxing a peut-être basculé si loin dans la direction opposée que l’accès des employés à l’IA ne ressemblera plus à l’ubiquité de Slack ou des e-mails. Si la productivité ne peut pas être mesurée, tous les employés ne conserveront pas l’accès.

Concernant le produit, AI Spend Console est inclus pour les abonnés RH de Rippling, bien que des coûts supplémentaires basés sur l’utilisation s’appliquent. Il peut également être acheté en tant que produit autonome et intégré à d’autres systèmes de référence RH, a déclaré MacInnis.