今年 3 月，Rippling 的 CFO Adam Swiecicki 在一次高管会议上展示了一个数字，让整个管理层「无法相信」：这家 HR 软件公司的 AI token 支出正以每月 80% 的速度增长，按此趋势，当年 token 成本将达到 R&D 部门人力预算的 40%。次年，这个比例会逼近 90%。
Rippling 首席产品官 Matt MacInnis 对 TechCrunch 回忆当时的反应：「We were incredulous。」
这不是一个孤立的财务事故。过去六个月里，从 Jensen Huang 宣称「$500K 工程师就该烧 $250K token」，到 Palantir CEO Alex Karp 怒斥行业「完全走错了方向」，再到 Databricks 发布系统性成本管理指南——企业 AI 编码工具的叙事正在经历从「越多越好」到「按 ROI 治理」的断裂。
失控的数字
Rippling 在 2026 年初和大多数科技公司一样，向全员开放 AI 编码工具，鼓励实验，举办 hack week 和「ship show」。然后账单来了。
深入分析后，团队发现了几组触目惊心的数据：
- 极端集中：10% 到 15% 的员工贡献了约 60% 的总支出。一名工程师月烧 $50,000。
- 昂贵默认值：员工无差别使用最贵的前沿模型——不是因为需要，而是因为「没人调过默认设置」。
- 生产力非线性：AI 工具确实提高了 PR 产出，但最大的提升来自初次采用，而非持续烧更贵的模型。MacInnis 的原话是，「constraints made engineers smarter, not less capable」。
Rippling 紧急与每家 AI 供应商设置了月度硬上限，但这只是止血，不是药方。
从「Tokenmaxxing」到成本定价
Rippling 的遭遇放在 2026 年上半年的语境中看，几乎是必然。
年初，「tokenmaxxing」——最大化 token 消耗量——是一种被硅谷高管公开鼓励的行为。3 月，Nvidia CEO Jensen Huang 表态：「如果你的 $500K 工程师不烧 $250K 的 token，那一定有问题。」Meta 内部举办 token 使用竞赛并提供奖励。OpenAI CEO Sam Altman 在 5 月表示，他「期待看到 tokenmaxxing 初创公司能做出什么」。
问题是，烧 token 和创造价值之间不存在线性关系。
到了夏天，反弹开始。Palantir 的 Alex Karp 在 CNBC 上直言：「美国企业私下都很愤怒——花那么多钱买 token，什么价值都没得到，还把自己的 IP 喂给了对方。」微软 CEO Satya Nadella 罕见警告称，企业正「付两次钱」：一次买 token，一次送出数据。Moody's AI 分析负责人 Vincent Gusdorf 总结得最直接：「用 AI 创造你不需要的东西，太容易了。」
ABC News 在 7 月下旬报道中宣告 tokenmaxxing 正在「退潮」——「as bills started to pile in, people realized that those new tools are quite expensive and you need to use them wisely」。
Rippling 怎么修
Rippling 的应对是三层体系，最终被产品化成了 8 月 6 日发布的 AI Spend Console。
第一层是数据归因。团队手动从 Cursor、OpenAI、Anthropic 的供应商面板抓数据，灌入自建数据湖，利用 Rippling 自身的 HR 身份系统将 token 消耗映射到员工、团队和部门——谁在烧钱，烧在哪里。
第二层是AI Gateway。所有 LLM 流量经过内部路由层，实现模型访问控制、请求路由和日志审计。不再允许任何人用最贵的模型做任何事。Rippling 在自己的 benchmark 中发现，Z.ai 的 GLM 5.2「比前沿模型便宜 85%，性能几乎相同」，CEO Parker Conrad 在 X 上公开了这一结论。
第三层是组织变革。Rippling 选拔了 20 名「AI Captain」，覆盖每个非研发部门。他们的职责不只是推广工具，而是确保 AI 用例与 ROI 挂钩。Rippling 的 token 成本从 R&D 人力预算的 40% 压到了 10%–15%，折合每年节省数千万美元。而 token 使用量几乎没降——7 月的消耗量回到了 4 月的高峰，但成本仅为当时的 37%。MacInnis 开的玩笑是：「we're not letting the sales team do grammar updates using Fable。」
不只是 Rippling：企业 AI 成本治理的通用公式
8 月 7 日，Databricks 在同一时间线发布了《Managing AI Coding Costs at Scale》。这篇与 Stripe、Coinbase、Uber、Ramp 等公司协作撰写的文章，提出了四杠杆框架。
最有效的杠杆是模型切换——迁移到更便宜的模型。Databricks 提出了一个比「前沿模型」更实用的概念：「效率前沿」（efficiency frontier）——在给定质量水平下，哪个模型最便宜。这个前沿的推进速度远快于智能前沿，每周都有新模型发布。Databricks 在内部评测中发现 GLM 系列编码任务「价格极具竞争力」后，将其推广到全公司；Stripe 则发现 Opus 4.7 相比 4.6 质量没有提升却更贵，因此拒绝向内部开放。
第二个杠杆是动态路由——自动将简单任务分发给便宜模型，复杂任务交给贵模型。Databricks 内测数据显示，智能路由在不牺牲质量的情况下将平均任务成本降低 30% 以上。
第三个杠杆是可见性与渐进摩擦：即时反馈员工当前支出、设置可自清除的「消费提醒门」、触发超额时自动降级到便宜模型，而非直接切断访问——因为某些「高消费」用户恰恰是产出最高的。
第四个是上下文优化：编码 Agent 的一轮推理中，用户原始 prompt 只占 token 的极小比例，主要成本来自工具调用、代码库搜索和系统提示。Databricks 通过调优 harness 和缓存设置，token 生成量减少近 50%，质量无损。
退潮之后
tokenmaxxing 作为 2026 年 Q1 的技术泡沫，其生命周期之短——从 Jensen Huang 3 月的动员令到 7 月的行业反思，不过一个季度——印证了 Mozilla CTO Raffi Krikorian 的判断：「这和当年用代码行数衡量程序员生产力是同一种模式。一年后回头看，大家都会觉得好笑。」
但退潮后留下的东西是真实的。企业正在为 AI 编码工具搭建一套新的基础设施层——AI Gateway、模型路由、支出控制台——这套工具存在的理由不是「让 AI 更好用」，而是「让 AI 用得下去」。这些工具同时解决了模型供应商锁定问题：当流量经过自建网关、模型切换成本趋近于零时，AI lab 之间的竞争将不再是品牌忠诚度，而是每美元能交付多少有效代码。
对于 AI lab 而言，这一转变的价值信号是混合的。更便宜的模型会吃掉更多推理量，但推理单价在下降。「效率前沿」的推进意味着没有玩家可以靠先发锁定客户。对于企业用户，Rippling 和 Databricks 的案例给出了同一个答案：AI 编码工具从实验期进入运营期后，关键绩效指标不是 token 消耗量，而是每美元产出的有效 PR。
Rippling 的 CPO 说得直接：如果不把 token 消费和生产力挂钩，「all bets are off on any of this stuff being available to the broader employee base」。
