Firma wydała miliony na tokeny AI i sama zbudowała narzędzie, które to zatrzyma

👁 129 przeczytań

Znam tę historię na pamięć, bo powtarzała się przez pierwsze miesiące 2026 roku w dziesiątkach firm jednocześnie: management zarządza AI-first, inżynierowie dostają dostęp do wszystkich narzędzi bez limitów, a CFO odkrywa kilka miesięcy później, że budżet płonie spokojnie i systematycznie jak ognisko z banknotów. Różnica polega na tym, że Rippling - zamiast zamieść sprawę pod dywan - opisał ją publicznie, a potem zbudował z tego produkt.

Liczba, która wstrząsnęła zarządem

W marcu 2026 roku CFO Adam Swiecicki stanął przed zarządem Ripplinga z zestawieniem, które - według Chief Product Officera Matta MacInnisa - wprawiło wszystkich w osłupienie. Firma była na drodze do wydania na tokeny AI równowartości 40% całego budżetu wynagrodzeń w dziale R&D. Przy czym wydatki rosły w tempie 80% miesięcznie. Prosta ekstrapolacja pokazywała, że za rok koszty tokenów mogły sięgnąć 90% tego, co Rippling płaci swoim - notabene dobrze wynagradzanym - inżynierom.

„Byliśmy zdumieni” - przyznał MacInnis w rozmowie z TechCrunch.

Zarząd uruchomił pilny projekt analizy wydatków. Wyniki były jeszcze bardziej niepokojące w szczegółach niż w ogólnym ujęciu: 10-15% pracowników generowało około 60% całkowitych kosztów AI, a jeden inżynier sam w sobie spalał 50 000 dolarów miesięcznie na tokeny. Problemem nie była AI jako taka - problemem było to, że nikt nie wiedział, co za te pieniądze dostaje.

Tokenmaxxing jako choroba wczesnej adopcji

Słowo „tokenmaxxing” - maksymalizowanie zużycia tokenów bez oglądania się na koszty - jest trafnym określeniem fazy, przez którą przechodziły firmy po tym, jak ogłosiły swoje „AI-first” strategie. Logika była prosta: dajemy ludziom najlepsze narzędzia i niech sobie używają. Efekt uboczny był równie prosty: Cursor, OpenAI, Anthropic - żaden z tych dostawców nie miał żadnej motywacji, żeby pomagać klientom ograniczać wydatki. MacInnis powiedział to wprost: „Dostawcy inferencji nie mają żadnych bodźców, żeby pomagać ci kontrolować wydatki. Mają wszelkie bodźce, żeby były one nieograniczone - i dokładnie tak to działa. Nie dają ci przejrzystych danych o zużyciu i nie współpracują ze sobą nawzajem.”

To jest uczciwa obserwacja, nawet jeśli wygodna dla firmy, która właśnie sprzedaje rozwiązanie tego problemu. Providenci AI rzeczywiście zarabiali na każdym tokenie. Domyślne ustawienia prowadziły do używania najnowszych, najdroższych modeli do wszystkich zadań - zarówno do wygenerowania szkicu maila, jak i do złożonej analizy kodu. Nikt nie konfigurował polityk użycia, bo nikt nie miał narzędzi, żeby je egzekwować.

Rozwiązanie: widoczność zamiast zakazu

Rippling nie chciał gasić adopcji AI - chciał ją ucywilizować. Pierwszym krokiem było wynegocjowanie twardych limitów wydatków bezpośrednio z dostawcami narzędzi. Następnie firma zaczęła budować wewnętrzną analitykę, która w końcu ewoluowała w produkt: AI Spend Console.

Najciekawsza funkcja narzędzia to nie samo śledzenie kosztów, lecz korelacja wydatków z produktywnością. Console ma pokazywać - i tu cytuję dokumentację produktową Ripplinga - „którzy inżynierowie mają wysokie wydatki na AI, podczas gdy ich współpracownicy często proszą ich o poprawki kodu podczas code review”. To jest precyzyjne pytanie: czy dostajemy za te pieniądze lepszy kod, czy droższy slop?

Równolegle Rippling - jak wiele innych firm technologicznych w 2026 roku - doszedł do wniosku, że strategia „jeden model do wszystkiego” jest po prostu nieefektywna finansowo. CEO Parker Conrad wspomniał niedawno, że wewnętrzne benchmarki firmy wskazały na Groka (SpaceX przejął Cursor i oferuje dostęp do własnego modelu) jako lidera ogólnego, ale GLM 5.2 od Z.ai jest o 85% tańszy przy zbliżonej wydajności dla zadań programistycznych. W świecie, gdzie jeden inżynier może wydać 50 tysięcy dolarów miesięcznie, taka różnica w cenie przestaje być ciekawostką, a staje się pozycją w budżecie.

Co to mówi o dojrzałości rynku

Historia Ripplinga jest interesująca nie dlatego, że firma popełniła spektakularny błąd. Interesująca jest dlatego, że ten błąd był niemal powszechny na początku roku, a osiem miesięcy później mamy już całą klasę produktów, które go adresują. Cykl problem-rozwiązanie-produkt skompresował się do kilku miesięcy.

Mam jednak jedno zastrzeżenie do tej narracji: Rippling sprzedaje teraz narzędzie do kontroli wydatków innym firmom, które przeszły dokładnie tę samą ścieżkę. To sprytne - własny ból jako produkt. Ale warto pamiętać, że narzędzie do mierzenia ROI z AI nie odpowiada na trudniejsze pytanie, które zarządy wolą omijać: co zrobić z inżynierem, który wydaje 50 000 dolarów miesięcznie i produkuje świetny kod? Albo z takim, który wydaje 500 dolarów i produkuje równie świetny? Widoczność to dopiero pierwszy krok do odpowiedzi na pytanie, ile naprawdę jest wart AI w pracy konkretnego człowieka.

// czytaj dalejHakerzy atakują narzędzie używane przez miliony stron. Wystarczyła luka w panelu hostinguPremiumKPMG napisało raport o AI z pomocą AI. Halucynacje zdemaskowały firmy, które rzekomo opisanoNewsyGemini wsiada do samochodu. Miliony kierowców dostaną asystenta AI przez aktualizacjęPremium