Rippling lança AI Spend Console após custos de IA atingirem 40% da folha

A empresa de software de gestão de recursos humanos Rippling lançou nesta semana o AI Spend Console, uma plataforma desenvolvida com o objetivo explícito de combater o chamado tokenmaxxing — a prática de consumo desenfreado e não otimizado de recursos de inteligência artificial generativa em ambientes corporativos. A nova ferramenta surge no mercado em agosto de 2026 como uma resposta direta a um dilema enfrentado pela própria Rippling, que viu suas despesas operacionais com modelos de linguagem escalarem a patamares alarmantes após liberar o acesso amplo às tecnologias sem mecanismos estritos de governança financeira.

O AI Spend Console atua mapeando de forma granular os custos gerados por cada funcionário, equipe e cargo dentro da organização, correlacionando o investimento financeiro em tokens com os entregáveis reais de trabalho. A proposta da Rippling é identificar se o gasto com inteligência artificial está resultando em aumentos genuínos de produtividade ou se está apenas gerando volume de código e texto sem valor prático, classificado no setor como AI slop. No blog oficial da empresa, a Rippling destaca que o sistema consegue cruzar dados de consumo com revisões de código (code reviews), apontando exatamente quais engenheiros apresentam alto custo individual em tokens, mas cujos projetos frequentemente exigem refatoração por parte de outros membros do time.

O impacto orçamentário inicial

A decisão de conceber o AI Spend Console foi desencadeada por um momento de crise financeira interna ocorrido em março de 2026. O diretor de produtos (CPO) da Rippling, Matt MacInnis, revelou que a liderança executiva foi surpreendida durante uma reunião de diretoria quando o diretor financeiro (CFO), Adam Swiecicki, apresentou o relatório de despesas da divisão de Pesquisa e Desenvolvimento (P&D). Até aquele momento, a empresa havia adotado a estratégia de tokenmaxxing, incentivando o uso irrestrito de IA entre seus times de desenvolvimento sem monitoramento centralizado de custos.

Os dados levantados por Adam Swiecicki revelaram que a Rippling estava no caminho para gastar com tokens o equivalente a 40% de toda a sua folha de pagamento da divisão de P&D — departamento que engloba a maior parte da engenharia de software da empresa de RH. Na prática, isso significava que o valor repassado aos provedores de infraestrutura de IA correspondia a quase metade de tudo o que a Rippling desembolsava para remunerar toda a sua força de trabalho técnica, totalizando uma queima na casa dos milhões de dólares.

A trajetória de expansão dos custos preocupou ainda mais os executivos da Rippling. As métricas mostravam que as despesas com tokens estavam crescendo a uma taxa de 80% ao mês (month-over-month). As projeções financeiras indicavam que, se aquele ritmo de utilização fosse mantido nos doze meses seguintes, a empresa estaria gastando em tokens de IA o equivalente a 90% do orçamento total destinado aos salários de seus engenheiros e pesquisadores de P&D, comprometendo a sustentabilidade financeira do negócio.

Em depoimento concedido ao veículo de tecnologia TechCrunch, o CPO Matt MacInnis relembrou o sentimento da diretoria no momento da apresentação do relatório pelo CFO:

“Ficamos incrédulos.”

Diante do cenário crítico, a alta gestão da Rippling iniciou um projeto de caráter emergencial para auditar o destino do capital e avaliar o real retorno sobre o investimento. A gravidade daquela descoberta foi posteriormente satirizada no anúncio em vídeo divulgado para o lançamento do AI Spend Console, no qual o CFO Adam Swiecicki aparece sentado em um banco enquanto funcionários recolhem maços de cédulas e os despejam em uma trituradora de papel operada na sede da empresa.

A análise dos padrões de uso

A auditoria interna promovida pela Rippling revelou dados impressionantes sobre a concentração do consumo de recursos. O levantamento publicado no blog oficial da empresa apontou que cerca de 10% a 15% dos funcionários eram responsáveis por aproximadamente 60% de todo o gasto em inteligência artificial de toda a companhia. A análise identificou distorções extremas, como o caso de um único engenheiro de software que consumia sozinho cerca de $50.000 por mês em tokens para a realização de suas tarefas diárias de codificação.

A investigação mostrou que o principal vetor de desperdício era comportamental: na ausência de diretrizes claras de custos, os funcionários escolhiam por padrão os modelos frontier mais recentes e dispendiosos disponíveis no mercado para qualquer atividade, independentemente de a tarefa exigir um modelo de ponta ou uma solução mais simples. Como primeira medida de contenção, a Rippling negociou tetos máximos de gastos com os fornecedores das ferramentas mais utilizadas por suas equipes, incluindo a plataforma de desenvolvimento Cursor e os laboratórios OpenAI e Anthropic.

Críticas aos provedores de inferência

No entanto, o processo de renegociação deixou clara a falta de ferramentas nativas para a governança de custos por parte dos grandes fornecedores de modelos de linguagem. O executivo Matt MacInnis fez críticas diretas sobre a ausência de incentivos comerciais por parte das empresas de infraestrutura de IA para ajudar seus clientes corporativos a economizar recursos:

“A verdade é que os provedores de inferência, como Anthropic e OpenAI, não têm absolutamente nenhum incentivo para ajudá-lo a controlar seus gastos. Eles têm todos os incentivos para que isso seja uma despesa descontrolada, e é exatamente isso que fazem. Eles não fornecem grandes insights de uso e não colaboram entre si.”

Estratégia multimodelo e AI gateway

A situação vivida pela Rippling no início de 2026 refletiu um movimento mais amplo percebido pelo setor de tecnologia. Oito meses após o início do ano, o mercado de software corporativo compreendeu que depender exclusivamente de uma única API ou de modelos frontier de alto custo era uma estratégia financeiramente inviável. As empresas passaram a adotar abordagens multimodelo, combinando fornecedores ocidentais com alternativas de pesos abertos (open weight), incluindo modelos competitivos provenientes do ecossistema de tecnologia da China.

O fundador e CEO da Rippling, Parker Conrad, revelou recentemente os dados de testes internos de comparação de modelos promovidos pela empresa. Embora o modelo Grok, desenvolvido pela SpaceX — empresa que hoje detém o controle da plataforma de desenvolvimento Cursor —, tenha se posicionado como o líder absoluto de desempenho geral nas tarefas de engenharia da Rippling, a avaliação surpreendeu ao analisar o custo-benefício de modelos alternativos. O modelo chinês GLM 5.2, desenvolvido pela Z.ai, entregou uma performance praticamente idêntica aos modelos frontier, apresentando um custo 85% inferior. A ferramenta GLM 5.2 tornou-se uma das escolhas preferidas no setor para tarefas de programação, ganhando também a defesa pública de empresas de infraestrutura de dados como a Databricks.

Para operacionalizar a troca dinâmica entre diferentes fornecedores, o mercado corporativo passou a demandar a implementação de um AI gateway — um intermediário técnico encarregado de analisar o teor do prompt e direcioná-lo automaticamente para o modelo de menor custo capaz de executar a tarefa com eficiência. A Rippling desenvolveu seu próprio AI gateway como componente integrado do AI Spend Console. Conforme explicou Matt MacInnis, organizações que já utilizam sistemas de gateway terceirizados podem adotar o AI Spend Console para visualização de dados, mas o bloqueio e controle ativo dos gastos exigem a implantação do gateway proprietário da Rippling.

Redução do custo por token

O AI Spend Console consolida as métricas em painéis gerenciais — que substituíram as antigas tabelas de classificação do período do tokenmaxxing —, atribuindo notas aos colaboradores com base na quantidade de prompts diários submetidos, na produção real de código medida por pull requests aceitos e no custo financeiro total acumulado. Com a aplicação dos novos parâmetros de governança e do roteamento inteligente de requisições, a Rippling conseguiu reduzir o custo de seus tokens de 40% do orçamento de pessoal da divisão de P&D para cerca de 15%.

Um aspecto relevante é que a redução de custos com o AI Spend Console não exigiu o racionamento do volume absoluto de inteligência artificial consumida pelos engenheiros da Rippling. No mês de abril de 2026, quando o CFO emitiu o alerta interno sobre o orçamento, o consumo da empresa atingiu um pico de 605 bilhões de tokens. Em julho do mesmo ano, a utilização voltou a bater a marca de 600 bilhões de tokens. Contudo, devido à otimização das chamadas via AI gateway, o custo total da fatura de tokens em julho representou apenas 37% do valor pago no pico de abril.

O CPO Matt MacInnis ressaltou que a drástica queda no valor gasto por token foi alcançada eliminando a utilização de modelos caros em tarefas triviais que poderiam ser resolvidas por opções econômicas:

“Isso acontece simplesmente porque agora estamos roteando para os modelos mais eficazes. Não estamos deixando a equipe de vendas fazer atualizações gramaticais usando o Fable.”

A declaração faz referência humorística à restrição do uso de plataformas de alta complexidade como o Fable por departamentos não técnicos para simples correções de texto.

Capitães de IA e governança

A Rippling constatou que a implementação de barreiras tecnológicas no AI gateway não substitui a necessidade de aculturamento interno para o uso eficiente da IA. A empresa mapeou os profissionais que obtinham os melhores resultados de produtividade com o menor consumo de tokens e os nomeou capitães de IA (AI captains). Esses profissionais foram encarregados de orientar e treinar os demais colaboradores da organização sobre técnicas avançadas de elaboração de prompts e seleção consciente de modelos.

Embora os engenheiros de software tenham sido os usuários históricos prioritários das ferramentas na Rippling, a empresa está expandindo o monitoramento do AI Spend Console para setores administrativos e gerais (G&A). Equipes de integração de clientes (customer onboarding) estão utilizando modelos automatizados para o tratamento de dados de correspondência e reconciliação de informações financeiras. Nesses casos, o painel do AI Spend Console afere o ROI correlacionando o gasto de tokens com a velocidade e o volume de novos clientes integrados com sucesso.

Sobre a obrigatoriedade de comprovar o retorno financeiro em setores não voltados ao desenvolvimento de código, Matt MacInnis foi enfático ao abordar o futuro do acesso às ferramentas na Rippling:

“Temos que ser capazes de vincular o consumo de tokens em funções de G&A e em funções voltadas ao cliente diretamente à produtividade. Se não pudermos fazer isso, o acesso irrestrito a esse tipo de tecnologia para a base ampla de funcionários estará comprometido.”

Essa exigência de medição contínua indica uma virada de postura que pode ser adotada por todo o setor corporativo de tecnologia. Se no início da onda de IA generativa as empresas encaravam o acesso a assistentes inteligentes de forma semelhante ao provisionamento de e-mail corporativo ou contas no Slack, o exemplo da Rippling sugere que o acesso futuro poderá ser restringido ou condicionado à comprovação analítica de ganhos operacionais mensuráveis por função.

Comercialização do AI Spend Console

Em termos de oferta comercial, o AI Spend Console foi disponibilizado como um recurso incluso para os clientes que já assinam o módulo de RH da Rippling, sujeitos apenas a cobranças adicionais associadas ao volume de uso de IA. Além disso, Matt MacInnis confirmou que o produto é vendido no formato stand-alone, podendo ser integrado com outros sistemas de gestão e registro de recursos humanos concorrentes disponíveis no mercado.