בדיווח של TechCrunch, ספקית תוכנות משאבי האנוש Rippling חשפה השבוע את המוצר "AI Spend Console", מוצר שנועד להילחם בתופעת ה"טוקנמקסטינג" (tokenmaxxing) ולסייע לחברות לעקוב אחר הוצאות הבינה המלאכותית שלהן ולרסן אותן. אחד המאפיינים המעניינים ביותר בכלי החדש הוא היכולת שלו למפות כמה כסף מוציאים עובדים בודדים, צוותים ותפקידים שונים על כלי בינה מלאכותית, ולמדוד האם הם אכן הופכים לפרודוקטיביים יותר בעקבות השימוש בהם, או שמא הם פשוט מייצרים תפוקת AI באיכות נמוכה ("AI slop"). החברה מבטיחה בפוסט בבלוג שלה כי הכלי החדש יציג, למשל, "אילו מהנדסים רושמים הוצאות בינה מלאכותית גבוהות במיוחד, בעוד שעמיתיהם נדרשים לעיתים קרובות לבצע מחדש את עבודתם במהלך סקירות קוד (code reviews)".
לפי הדיווח, הרקע לפיתוח הכלי נעוץ בהחלטה של Rippling עצמה בתחילת השנה ללכת בכל הכוח על אסטרטגיית ה"טוקנמקסטינג" – כפי שעשו חברות רבות אחרות – רק כדי לגלות במהרה כי העובדים שלה שורפים מזומנים בקצב מסחרר.
הנתונים שזעזעו את הנהלת Rippling
סמנכ"ל המוצר הראשי של Rippling, מאט מאקאיניס (Matt MacInnis), שחזר בשיחה עם TechCrunch את ישיבת צוות ההנהלה שנערכה בחודש מרץ האחרון. במהלך הישיבה, סמנכ"ל הכספים (CFO) אדם סוויסיקי (Adam Swiecicki) הציג נתון שהדהים את הנוכחים. לפי הנתונים שהציג סוויסיקי, Rippling הייתה בנתיב המהיר לשרוף כ-40% מתקציב כוח האדם של מחלקת המחקר והפיתוח (R&D) שלה על רכישת אסימוני בינה מלאכותית (tokens). המשמעות המעשית הייתה שהחברה הוציאה על אסימוני AI סכום השווה ל-40% מסך כל הפיצויים והשכר ששילמה לעובדים באותה יחידה – סכום שהסתכם במיליוני דולרים. מחלקת המחקר והפיתוח היא כידוע הבית של מהנדסי התוכנה במרבית חברות הטכנולוגיה.
ההוצאות הללו צמחו בשיעור של 80% מחודש לחודש, ואילו המגמה הזו הייתה נמשכת בקצב דומה, בשנה שלאחר מכן החברה הייתה צפויה להוציא על אסימוני בינה מלאכותית כמעט את אותו הסכום שהיא מוציאה על שכר עובדי הפיתוח היקרים שלה – כ-90% מתקציב כוח האדם של המחלקה. "לא האמנו למראה עינינו", אמר מאקאיניס ל-TechCrunch. ההנהלה החלה מיד בפרויקט "דחוף" שמטרתו להבין לעומק את פשר ההוצאות הללו ולבדוק מה בדיוק החברה מקבלת בתמורה לכסף הגדול שהיא משלמת. כחלק ממהלך השיווק של המוצר החדש, סרטון ההשקה מציג את סמנכ"ל הכספים סוויסיקי יושב על שרפרף בעוד עובדים אוספים חבילות של שטרות מזומנים ומשליכים אותם ישירות לתוך מגרסת נייר.
ניתוח דפוסי השימוש והתנהלות ספקיות ה-AI
כאשר חברת Rippling ביצעה את הניתוח הפנימי של דפוסי השימוש, היא גילתה ממצאים מפתיעים. בפוסט שפרסמה בבלוג שלה שיתפה החברה כי "בערך 10% עד 15% מהעובדים שלנו היו אחראים לכ-60% מכלל הוצאות הבינה המלאכותית של החברה. מהנדס תוכנה אחד בלבד הגיע להוצאות של 50,000 דולר בחודש בודד". ב-Rippling הבהירו כי הם לא רצו להפסיק לחלוטין את השימוש של העובדים בכלי בינה מלאכותית, אלא רק לרסן אותו באופן משמעותי.
הצעד הראשון של החברה היה לנהל משא ומתן מול הספקיות של הכלים שבהם השתמשו העובדים – Cursor, OpenAI ו-Anthropic – במטרה לקבוע תקרת הוצאות מקסימלית (spending cap) עם כל אחת מהן. במהלך הבדיקה, החברה גילתה מיד בעיה בולטת: העובדים נטו להשתמש כברירת מחדל בדгמי ה"חזית" (frontier models) החדשים והיקרים ביותר עבור כל משימה ומשימה, ללא קשר למורכבות שלה.
מאקאיניס מתח ביקורת על ספקיות הדגמים ואמר ל-TechCrunch: "האמת היא שלספקיות דגמי ה-AI (האינפרנס), כמו Anthropic ו-OpenAI, אין שום אינטרס או תמריץ לסייע לכם לשלוט בהוצאות שלכם. יש להן את כל התמריצים שבעולם שההוצאה הזו תהפוך להוצאה שיצאה משליטה, וזה בדיוק מה שקורה בפועל. הן לא מספקות לכם תובנות משמעותיות לגבי דפוסי השימוש שלכם, והן אינן משתפות פעולה זו עם זו". לפי הדיווח, בעיה זו הייתה נפוצה מאוד בתחילת שנת 2026, אך כעת, כשמונה חודשים לתוך השנה, ארגונים רבים כבר הבינו והפנימו מספר עקרונות פעולה.
הפתרונות המעשיים בשוק: דגמים מרובים וניתוב חכם
ראשית, ארגונים מבינים כיום כי הם זקוקים לשימוש במגוון דגמים של מעבדות בינה מלאכותית שונות ובנקודות מחיר משתנות, כולל אפשרות שימוש בדגמי קוד פתוח מובילים (open weight), לעיתים כאלו שמקורם בסין. מייסד ומנכ"ל Rippling, פארקר קונרד (Parker Conrad), ציין בחודש שעבר כי כאשר החברה שלו ביצעה מבחני ביצועים (benchmarks) פנימיים לצרכים שלה, היא גילתה כי דגם Grok של חברת SpaceX היה המוביל הכללי בביצועים, אך לצד זאת התברר כי הדגם "GLM 5.2 זול ב-85% אך מציג ביצועים כמעט זהים לחלוטין" לאלו של דגמי החזית המובילים. (חברת SpaceX מחזיקה כיום בבעלות על Cursor, פלטפורמה המציעה גישה ל-Grok ולעשרות דגמים אחרים). דגם GLM 5.2 של חברת Z.ai הפך בתקופה האחרונה לדגם סיני מועדף במיוחד עבור משימות כתיבת קוד בקרב חברות טכנולוגיה, כאשר גם חברת Databricks מקדמת ותומכת בשימוש בו.
שנית, ארגונים מבינים כיום כי הם זקוקים ל"שער בינה מלאכותית" (AI gateway) אשר מנתב את השאילתות (prompts) באופן אוטומטי לדגם הטוב והחסכוני ביותר עבור המשימה הספציפית. Rippling הגיעה למסקנה זו בעצמה, ולכן פיתחה שער בינה מלאכותית משלה המשולב כחלק מהמוצר החדש שהשיקה. מאקאיניס מסביר כי ארגונים שכבר משתמשים בשער בינה מלאכותית אחר יכולים עדיין להשתמש במוצר ה-AI Spend Console, אולם אם הם מעוניינים להשתמש בתכונות של המוצר המאפשרות משילות וניהול של ההוצאות בפועל, יהיה עליהם לעבור להשתמש בשער של Rippling.
הפחתת ההוצאות ומדידת פרודוקטיביות
מוצר ה-AI Spend Console מפיק לוחות בקרה (dashboards) – אשר בתקופת ה"טוקנמקסטינג" כונו "טבלאות מובילים" (leaderboards) – המעניקים ציונים על בסיס שילוב של מדדים כמו מספר שאילתות ליום, תפוקת עבודה בפועל (כגון שורות קוד שנכתבו או בקשות מיזוג - pull requests) ועלות ההוצאה הכספית.
הודות להטמעת הכלי הזה בתוך Rippling, החברה דיווחה כי הצליחה להוריד את ההוצאות שלה על אסימונים משיעור של 40% מתקציב כוח האדם של מחלקת הפיתוח לכ-15% בלבד. עם זאת, החברה מדגישה כי היא לא צמצמה או הגבילה את נפח השימוש של עובדיה בבינה מלאכותית. מאקאיניס שיתף כי החברה הגיעה לשיא של צריכת 605 מיליארד אסימונים בחודש שבו סמנכ"ל הכספים הציג את האזהרה שלו. בחודש יולי האחרון, השימוש הפנימי הגיע שוב לרמה של 600 מיליארד אסימונים, ובכל זאת, "העלות של צריכת האסימונים בחודש יולי עמדה על 37% בלבד מהעלות שנרשמה בחודש אפריל". מאקאיניס הסביר כי "זה נובע אך ורק מכך שכעת אנו מנתבים את השאילתות לדגמים היעילים והמתאימים ביותר", והתבדח כי "אנחנו כבר לא מאפשרים לצוות המכירות לבצע עדכוני דקדוק באמצעות Fable".
יחד עם זאת, ב-Rippling מציינים כי פתרונות טכנולוגיים בלבד אינם מספיקים כדי לפתור את הבעיה. החברה איתרה עובדים שהשתמשו בבינה מלאכותית בצורה יעילה במיוחד ומינתה אותם לתפקיד "קפטני AI" (AI captains), שתפקידם לסייע לשאר עובדי החברה בשימוש נכון בכלים. מאקאיניס מודה כי המאמצים להרחיב את השימוש בבינה מלאכותית אל מעבר למחלקות ההנדסה עדיין נמצאים בשלבי עבודה, שכן מהנדסי תוכנה היו המשתמשים העיקריים בכלים הללו עד כה. כעת, Rippling עובדת למשל על יישום המערכת בצוותי קליטת הלקוחות (customer onboarding) במטרה לאוטומט משימות הקשורות לנתוני דיוור והתאמת נתונים (data-reconciliation). לוח הבקרה ימדוד לאחר מכן את הפרודוקטיביות של השימוש על בסיס כמות קליטת לקוחות חדשים גדולה יותר.
"אנחנו חייבים להיות מסוגלים לקשר את צריכת האסימונים בפונקציות ניהוליות וכלליות (G&A) ובפונקציות הפונות ללקוחות ישירות לפרודוקטיביות שלהם. אם לא נצליח לעשות את זה, כל האפשרויות לתת את הכלים האלה לכלל העובדים בחברה מבוטלות", אומר מאקאיניס. לכן, אם נשליך מהמקרה של Rippling על השוק כולו, ייתכן שתופעת ה"טוקנמקסטינג" נטתה כעת לכיוון הנגדי בצורה כה חדה, עד שגישת העובדים לבינה מלאכותית לא תהיה עוד מובנת מאליה כמו גישה לאימייל או ל-Slack. אם החברות לא יוכלו למדוד את הפרודוקטיביות של העובד בשימוש בכלי, ייתכן שלא לכל העובדים תינתן גישה אליו.
באשר למוצר עצמו, ה-AI Spend Console כלול עבור לקוחות המנויים לשירותי משאבי האנוש (HR) של Rippling, אם כי קיימות עלויות נוספות המבוססות על שימוש בפועל בבינה המלאכותית. מאקאיניס מוסיף כי ניתן לרכוש את הכלי גם כשלעצמו (stand-alone) ולשלב אותו עם מערכות ניהול משאבי אנוש אחרות של חברות אחרות.