AI 花费从 40% 降到 15%：企业开始按员工追踪 Token，ROI 会不会变成新监控
作者：陈墨｜OC 产业与资本编辑
陈墨
据 TechCrunch 报道，人力资源软件公司 Rippling 在数月内为 AI 花费数百万美元后，建立了 AI Spend Console，把模型支出追踪到用户和团队，并设置预算及多模型路由。公司称，AI 支出占相关成本的比例由约 40% 降到 15%。
一句话结论：企业 AI 成本治理正在从“公司一共用了多少 Token”走向“哪名员工用了什么模型、产生什么结果”；这能减少浪费，也可能把尚难量化的知识工作变成一套新的个人绩效监控。
成本失控并不神秘。编程 Agent 会反复读取仓库、生成代码、运行测试和修复错误，一次任务可能触发大量调用；企业同时采购多个模型和工具后，同一员工还可能在不同产品里重复付费。没有统一网关时，财务部门通常只能看到供应商账单，看不到请求来自哪个团队、任务或自动化流程。
Rippling 的做法是集中记录调用，把少数高消耗用户和工作流找出来，再通过预算、模型选择和内部“AI captains”推动治理。Databricks 也在推广类似能力：AI Gateway 可以按模型、服务端点、调用者和标签归因成本，并对用户设置预算阈值。此前 OC 已报道企业通过路由和预算削减 Token 开支，这次新增变化是控制粒度进一步下沉到个人。
问题在于，“花费”容易测，“收益”很难测。一名工程师用高价模型排除生产故障，Token 成本可能很高但价值巨大；另一名员工生成大量低价值文档，调用便宜也不代表有效。如果管理者只看人均调用量、提交数或节省工时，员工会倾向于选择更容易被仪表盘看见的行为。
个人归因还会改变使用心理。员工需要尝试和失败才能找到合适工作流，一旦每次调用都与姓名、预算和绩效连接，最需要探索的人可能最先减少使用。反过来，不设任何约束又会让自动循环、重复上下文和错误模型选择持续烧钱。
更稳妥的制度是先按团队和用例治理，再把个人数据用于排障而非排名。成本看板应同时呈现任务类型、质量结果、失败重试和人工节省时间，并设置数据保留与访问范围。AI 预算可以成为工程资源管理工具，但不应自动变成员工能力评分。
关键事实
- Rippling 称其 AI 支出在数月内达到数百万美元规模
- 公司通过统一看板、预算和多模型路由将相关支出占比从约 40% 降至 15%
- 工具可以把模型调用归因到具体用户和团队
- Databricks 等平台也已提供按调用者、端点和标签统计成本的能力
OC 判断
下一轮企业 AI 竞争不只是谁买到了最强模型，而是谁能把模型选择、预算和结果放进同一条运营链。按员工追踪只是技术上容易的一步；能否避免把复杂工作压成粗糙排名，才是管理上的难题。
为什么重要
- 对开发者：请求应带任务标签并记录重试原因，否则成本数据无法解释。
- 对企业：预算告警应优先作用于自动化工作流和团队，不宜直接变成绩效榜。
- 对员工：企业需要明确 AI 使用日志保存多久、谁能查看以及是否用于考核。
评论
围绕这篇文章补充信息、提出问题或分享观察。