Rippling, AI Harcamalarını Kontrol Eden Yeni Aracını Tanıttı

AI Harcamalarında Yeni Dönem

İnsan kaynakları yazılımı sağlayıcısı Rippling, bu hafta AI Spend Console adlı yeni bir ürününü tanıttı. Bu araç, şirketlerin yapay zeka harcamalarını izlemesine ve kontrol etmesine yardımcı olmayı amaçlıyor. Özellikle dikkat çeken özelliklerinden biri, bireysel çalışanların, ekiplerin ve rollerin ne kadar harcama yaptığını ve bu harcamaların gerçekten verimlilik artışı sağlayıp sağlamadığını haritalandırması. Rippling, aracın "hangi mühendislerin yüksek AI harcaması yaptığını ve meslektaşlarının kod incelemelerinde sık sık işlerini tekrar yaptırdığını" göstereceğini belirtiyor.

Rippling'in Kendi AI Harcama Krizi

Bu ürün, Rippling'in yılın başında yapay zeka harcamalarına tam gaz girmesinin ardından yaşanan şok edici bir deneyim sonucu ortaya çıktı. Mart ayında yapılan bir yönetim kurulu toplantısında CFO Adam Swiecicki'nin sunduğu rakamlar herkesi şaşırttı. Rippling, araştırma ve geliştirme (Ar-Ge) personel bütçesinin %40'ını yapay zeka token'larına harcıyordu. Bu, Ar-Ge birimindeki çalışanlara ödenen toplam maaşın %40'ına denk geliyordu ve milyonlarca dolarlık bir tutardı. Harcamalar aylık %80 artıyordu ve bu trend devam ederse, gelecek yıl Ar-Ge çalışanlarına ödenen maaşın neredeyse %90'ı kadar bir tutarı yapay zeka token'larına harcayacaklardı.

Harcamayı Dizginleme Çabaları

Rippling yönetimi, bu durumu anlamak ve ne elde ettiklerini görmek için acil bir proje başlattı. Analizler sonucunda, çalışanların yaklaşık %10-15'inin toplam AI harcamasının %60'ını oluşturduğu ve bir mühendisin ayda 50.000 dolar harcadığı tespit edildi. Rippling, AI kullanımını durdurmak istemiyordu, sadece kontrol altına almak istiyordu. Bunun için kullandıkları araçlarla (Cursor, OpenAI, Anthropic) azami harcama limitleri müzakere etmeye başladılar. Kısa sürede bariz bir sorun fark ettiler: Çalışanlar tüm görevler için en yeni ve en pahalı öncü modelleri kullanıyordu. Rippling'in Ürün Müdürü Matt MacInnis, "Gerçek şu ki, Anthropic ve OpenAI gibi çıkarım sağlayıcılarının harcamalarınızı kontrol etmenize yardımcı olmak için hiçbir teşvikleri yok. Harcamanın kontrolden çıkması için her türlü teşvikleri var ve tam olarak bunu yapıyorlar. Size iyi bir kullanım içgörüsü sağlamıyorlar ve birbirleriyle işbirliği yapmıyorlar" dedi.

Verimlilik ve Maliyet Dengesi

2026'nın başlarında yaygın olan bu sorun, sekiz ay sonra işletmelerin birkaç şeyi anlamasıyla çözülmeye başladı. Öncelikle, farklı fiyat noktalarında birden fazla AI laboratuvarından birden fazla modele ihtiyaç olduğu anlaşıldı. Rippling'in kurucusu ve CEO'su Parker Conrad, kendi iç kullanımları için yaptıkları karşılaştırmalarda SpaceX'in Grok modelinin genel olarak lider olduğunu, ancak Z.ai'nin GLM 5.2 modelinin %85 daha ucuz olduğunu ve öncü modellere neredeyse benzer performans gösterdiğini belirtti. İkinci olarak, işletmeler artık görevler için en iyi ve en uygun maliyetli modele yönlendiren bir AI ağ geçidine (gateway) ihtiyaç duyduklarını biliyorlar. Rippling de bu sonuca vardı ve kendi AI ağ geçidini geliştirdi. AI Spend Console, kullanıcıların günlük istem sayısı, iş çıktısı (kod satırı/pull request) ve harcama gibi özellikleri puanlayan panolar sunuyor.

Sonuçlar ve Gelecek Planları

Rippling, bu araç sayesinde token harcamasını personel bütçesinin %40'ından yaklaşık %15'ine düşürdü. Ancak AI kullanımını kısıtlamadı. CFO'nun uyarısını yaptığı ay 605 milyar token harcanırken, Temmuz ayında iç kullanım yine 600 milyar tokena ulaştı, ancak maliyet Nisan ayına göre %63 daha düşüktü. MacInnis, "Artık daha etkili modellere yönlendiriyoruz" diyerek bu düşüşü açıkladı. Ayrıca, teknolojik çözümlerin yeterli olmadığını belirten Rippling, AI'ı etkili kullanan çalışanları 'AI kaptanları' olarak atadı ve bu kişilerin şirketin geri kalanına yardımcı olmasını sağladı. Mühendislik dışındaki alanlarda AI kullanımı henüz gelişme aşamasında; örneğin müşteri karşılama ekipleri için bazı posta verilerini ve veri mutabakatı görevlerini otomatikleştirmek üzerinde çalışıyorlar. MacInnis, "Token tüketimini genel yönetim ve müşteri odaklı fonksiyonlarda verimliliğe bağlayabilmeliyiz. Bunu yapamazsak, tüm bu şeylerin daha geniş çalışan tabanına sunulması tehlikede" dedi.

Neden Önemli?

Rippling'in bu hamlesi, Türkiye'deki şirketler için de önemli dersler içeriyor. Yapay zeka harcamalarının kontrolsüz artışı, özellikle büyük ölçekli teknoloji şirketlerinde ciddi maliyet sorunlarına yol açabilir. Türk işletmeleri, AI araçlarını benimserken maliyetleri izlemek ve verimliliği ölçmek için benzer stratejiler geliştirmeli. Rippling'in deneyimi, yapay zeka kullanımının yasaklanması yerine akıllı yönlendirme ve eğitimle kontrol altına alınabileceğini gösteriyor. Ayrıca, farklı fiyat noktalarındaki modellerin karşılaştırılması ve en uygun maliyetli çözümlerin seçilmesi, bütçe dostu bir AI stratejisi için kritik. Türkiye'deki şirketler, bu örnekten yola çıkarak AI harcamalarını daha şeffaf ve yönetilebilir hale getirebilir.