Rippling iba camino a gastar en tokens de IA el 40% del presupuesto de su equipo de I+D y construyó una consola para controlarlo

Rippling, proveedor de software de recursos humanos, presentó esta semana AI Spend Console, un producto que mide cuánto gasta cada empleado, equipo y rol en inteligencia artificial y si ese gasto se traduce o no en más trabajo terminado. El producto nació de un susto interno.

¿Qué número asustó al comité ejecutivo de Rippling?

Según relató a TechCrunch el Chief Product Officer Matt MacInnis, en una reunión de marzo el CFO Adam Swiecicki mostró que la compañía iba camino a quemar en tokens de IA el equivalente al 40% del presupuesto de remuneraciones de toda su unidad de I+D. Millones de dólares. El gasto crecía 80% mes a mes y, de mantenerse la tendencia, al año siguiente el gasto en tokens habría llegado al 90% de lo que la empresa paga en sueldos a esa misma unidad.

«Estábamos incrédulos», dijo MacInnis. El análisis posterior arrojó un patrón que cualquier líder reconocerá: entre 10% y 15% de los empleados generaba cerca del 60% del gasto total y un solo ingeniero gastaba 50.000 dólares al mes.

¿Cómo bajaron el gasto sin frenar el uso de IA?

Rippling no quiso apagar la IA, quiso encauzarla. Los pasos fueron tres:

• Topes negociados con cada proveedor que usaba la empresa: Cursor, OpenAI y Anthropic.
• Un gateway propio de IA que enruta cada prompt al modelo más costo-efectivo para la tarea, en vez de dejar que todos usen por defecto el modelo frontera más caro.
• Tableros de productividad que cruzan prompts por día, resultado del trabajo (líneas de código, pull requests) y gasto.

El resultado es la parte interesante: el gasto en tokens bajó de 40% a cerca de 15% del presupuesto de la unidad, y el consumo no cayó. En abril, el mes de la alarma, Rippling consumió 605 mil millones de tokens. En julio volvió a los 600 mil millones, pero el costo de julio fue 37% del costo de abril. «Eso es solo porque ahora enrutamos a los modelos más efectivos», explicó MacInnis.

¿Por qué los proveedores de modelos no ayudan a controlar el gasto?

MacInnis fue directo: «La verdad es que los proveedores de inferencia, como Anthropic y OpenAI, no tienen absolutamente ningún incentivo para ayudarte a controlar tu gasto. Tienen todos los incentivos para que sea un gasto desbocado, y eso es exactamente lo que hacen. No te dan buena visibilidad de uso y no colaboran entre ellos».

La conclusión operativa que sacaron las empresas en 2026, según el reporte, es doble: se necesitan varios modelos de varios laboratorios a distintos precios, incluida alguna opción abierta, y se necesita un enrutador que decida cuál usar en cada caso. El fundador y CEO Parker Conrad comentó que en los benchmarks internos de Rippling el modelo Grok de SpaceX quedó como el mejor en general, pero que GLM 5.2 resultó «85% más barato con rendimiento casi idéntico».

¿Qué pasa cuando la IA sale del área de ingeniería?

Rippling reconoce que el uso está concentrado en ingeniería y que llevarlo al resto de la organización es trabajo en curso. Están partiendo por los equipos de onboarding de clientes, automatizando tareas de conciliación de datos, y midiendo la productividad como cantidad de clientes puestos en marcha.

La frase de MacInnis marca el estándar que viene: «Tenemos que poder vincular el consumo de tokens en funciones de administración y en funciones de cara al cliente con la productividad. Si no podemos hacer eso, todas las apuestas están perdidas para que esto llegue al resto de los empleados».

Análisis de Revenue Hub

Este caso es el mejor argumento disponible para instalar una conversación que en Chile y Latinoamérica todavía casi nadie está teniendo: la IA dejó de ser una licencia y pasó a ser un costo variable. Una licencia de CRM se presupuesta una vez al año. El consumo de tokens se comporta como el gasto en nube o en medios pagados: crece solo, se concentra en pocos usuarios y no avisa. Si tu equipo comercial ya usa asistentes para redactar propuestas, resumir llamadas o enriquecer registros, ese gasto está ocurriendo, y lo más probable es que nadie lo esté atribuyendo a un resultado.

La decisión que este caso obliga a tomar no es «cuánta IA usamos», sino quién es dueño del presupuesto de IA y contra qué métrica se justifica. Para una empresa B2B en Chile o Latinoamérica, lo recomendable es partir por lo barato y reversible: inventariar qué herramientas de IA se están pagando hoy, incluidas las que entraron por tarjeta personal de alguien del equipo, poner un tope por herramienta, y definir una sola métrica de retorno por función. Para ventas, esa métrica casi nunca es «prompts por día»: es reuniones agendadas, velocidad de emisión de propuestas o conversión por etapa. Sin esa línea base, cualquier discusión de retorno de la IA es opinión.

El segundo aprendizaje es más incómodo. Rippling mantuvo el volumen y bajó el costo un 63% simplemente eligiendo mejor el modelo por tarea. Eso significa que buena parte del gasto actual en IA no compra más capacidad, compra comodidad: usar el modelo más caro para todo porque nadie definió cuándo hace falta. En una operación comercial es exactamente el mismo problema que aparece cuando un stack de RevOps crece sin dueño. Si quieres profundizar, revisa nuestra sección de noticias de RevOps y los análisis del blog de Revenue Hub.