Rippling 今年 1 月全力押注 AI，3 月执行会上 CFO 亮出一张账单：token 支出已相当于研发人力预算的 40%，单月环比涨 80%，照此趋势下一年会涨到 90%。数百万美元级别，就是这么烧掉的。
对每一家做企业 AI 应用开发的团队，这件事都值得拆开看。事前测算回答"应该花多少"，事后复盘回答"实际换回什么"，两者缺一不可。AIcoding 商业化的 ROI 深度测算覆盖前者，本文聚焦后者——优码云结合 Rippling 的公开复盘，整理出四指标和五条可以直接搬进评审会的清单。
为什么上线后的度量比立项测算更重要
立项测算的假设是需求稳定、用量可控、模型价格不变。现实是这三个假设几乎全部会破：全员默认用最贵旗舰模型、token 用量随场景扩散指数增长、账单按供应商独占通道计费。
业界常引用的 95% 试点失败率，主因往往不是技术不成熟，而是"上线即结束"——没有人继续跟踪它到底产生了多少价值。AI Agent 从 Demo 到生产的五道工程关卡一文讲过，Demo 跑通与生产可用之间隔着完整的工程化与度量闭环。
Rippling 提供了一个罕见的前后对照：他们并没有限制 AI 用量，7 月内部 token 消耗 6000 亿，几乎追平 4 月峰值的 6050 亿，但当月成本只有 4 月的 37%。差距全部来自度量与路由——这是立项测算阶段根本看不见的东西。
Rippling 自建度量工具的三个细节：按员工、按功能、按任务
Rippling 的 AI Spend Console 不是又一个账单看板，它的核心是把支出拆到三种粒度：
- 按员工：分析发现约 10–15% 的员工驱动了约 60% 的 AI 支出，其中一名工程师单月烧掉 5 万美元。
- 按功能：员工默认调用最新、最贵的旗舰模型处理一切任务，包括销售团队拿它改邮件语法。Rippling 与几家主流工具和模型供应商谈定支出上限，并自建 AI 网关把请求路由到高性价比模型。
- 按任务：把 token 消耗与代码行数、PR 数等真实产出挂钩，识别"AI slop"——那些看起来高产、实际总被同事要求返工的产出。
CEO Parker Conrad 提到，自建基准测试发现某国产开源模型便宜 85%，性能却几乎持平。这就是路由策略的直接收益来源。
CPO Matt MacInnis 的判断值得记住：推理供应商没有动机帮你控费，他们有动机让支出失控，也不会互相协作。度量这件事，只能企业自己做。
企业 AI 投入事后 ROI 四指标：调用成本、人工替代工时、质量提升、客户影响
从 Rippling 的复盘可以提炼出四个指标。每个都配了可量化阈值，方便在评审会上对齐：
| 指标 | 怎么度量 | 可量化阈值 | 红灯信号 |
|---|---|---|---|
| 调用成本 | token 月支出、占研发人力预算比 | 控制在人力预算 15–20% 以内 | 月环比增超 30% 且无对应产出 |
| 人工替代工时 | 同一任务改造前后耗时对比 | 单任务时间回收 ≥ 30% | 效率提升停留在个人，流程无变化 |
| 质量提升 | 代码评审返工率、缺陷率、客诉率 | 返工率不升或下降 | AI 产出返工比例持续上升 |
| 客户影响 | 上线速度、NPS、客诉量 | 可归因的客户侧指标改善 | 客户侧看不到任何变化 |
某跨境电商 SaaS 团队的教训与此呼应：全面铺开 AI 编程后三个月，API 账单涨到原来的 3.2 倍，PR 合并率反而从 78% 掉到 64%。根因和 Rippling 一致——默认旗舰模型写所有代码，没人按任务看性价比。企业 AIcoding 跨平台转型的 ROI 拆解里对这类隐性成本有更细的测算。
5 条 CTO 复盘清单，每步都有通过标准
- 第 30 天建基线：选 3 个高频任务，记录 token 消耗、完成时间、返工率。通过标准：能回答"每人每月烧多少 token、产出什么"。
- 第 60 天出分账表：按员工、团队、角色输出第一张支出分布。通过标准：能点名 top 20% 高消耗者及其用途。
- 第 90 天上限与路由：给每个工具设支出上限，按任务类型路由到低成本模型。通过标准：80% 任务在限流后成本下降且可继续运行。
- 第 120 天验证质量：对比返工率、缺陷率与上线前基线。通过标准：质量指标持平或更好，而非靠牺牲质量省成本。
- 每季度回看：连续两个季度拿不出量化结果的场景直接冻结，不再新增预算。通过标准：每个在跑场景都有一行可汇报的数字。
这套清单的价值在于把"AI 有没有用"从感觉问题变成数据问题。Rippling 最终把 token 支出从人力预算的 40% 压到约 15%，同时没削减用量——这正是复盘该有的样子。
常见问题
小团队也要做事后度量吗？
要，但可以简化。三五个人的团队先做第 1 步基线即可，一张电子表格就能记录 token 与产出。等出现"某个成员月支出异常"再升级到工具化。
怎么向 CFO 汇报 AI 投入产出？
用上面四指标，把"省了多少钱、提了多少效、质量是否稳定、客户是否感知"各给一个数字。Rippling 的 CFO 看的是 token 占人力预算的比例——这是 CFO 最熟悉的语言。
止损信号是什么？
三个：成本月环比涨超 30% 且无对应产出；返工率连续两月上升；所有收益都停留在个人效率、没有任何流程级变化。出现任一条，就该冻结新场景。
度量工具自建还是采购？
先问你的网关层有没有用量数据。已有 AI 网关的，先用它的报表做第 1–2 步；确实要按员工、按任务追踪，再评估商业化工具或自建轻量看板。自建的前提是有人力持续维护。
ROI 归因窗口多长？
调用成本一个月可见，工时与质量一到两个季度可见，客户影响需要两到三个季度。所以单季度数字不能下结论，连续两季度无量化结果才该冻结——这也是清单第 5 步的设计逻辑。
参考
Julie Bort, TechCrunch, "After Rippling blew millions on AI in months, it built an employee ROI tool", 2026-08-07, techcrunch.com
如果你的企业 AI 应用开发也到了需要复盘 ROI 的阶段，欢迎找优码云聊聊。我们在 /contact 提供成本结构诊断，典型项目与复盘案例见 /cases。