En marzo de 2026, el CFO de Rippling, Adam Swiecicki, presentó a los directivos de la empresa una cifra que nadie esperaba: la compañía iba camino de gastar el 40% de su presupuesto anual de salarios R&D en tokens de IA. El gasto crecía al 80% mensual. Si la tendencia continuaba, en un año el coste de los tokens igualaría el 90% del sueldo de todos los ingenieros. Lo cuenta el CPO Matt MacInnis a TechCrunch el 7 de agosto de 2026.
La respuesta de Rippling no fue recortar el uso de IA: fue entender de dónde venía el gasto y construir una herramienta para gestionarlo. Esta semana ha lanzado el AI Spend Console, una consola que rastraea, atribuye y enruta el gasto en IA por empleado, equipo y función, conectando el consumo de tokens con indicadores de productividad real.
Quién gastaba y en qué
El análisis interno reveló una distribución muy desigual: aproximadamente el 10-15% de los empleados representaba el 60% del gasto total en IA. No era malicia; era una combinación de entusiasmo, acceso a modelos frontier caros y falta de herramientas para vincular el gasto con el resultado.
Un caso concreto: un ingeniero gastaba 50.000 dólares al mes en tokens. Otro empleado usaba Claude para analizar su calendario y correo electrónico y organizar su agenda, a un ritmo de 30.000 dólares anuales. En ambos casos, el ROI de ese gasto no estaba siendo medido por nadie.
MacInnis describe el problema con una cita que resume la actitud del sector: los proveedores de inferencia —OpenAI, Anthropic— «no tienen incentivos para ayudarte a controlar el gasto». Sus ingresos crecen con el consumo, y los dashboards que ofrecen no están diseñados para correlacionar uso con productividad, sino para facturar.
El patrón de Rippling no es excepcional. Gartner estima que hasta el 40% de las suscripciones enterprise de IA están sin usar o infrautilizadas en 2026. La oleada de adopción de herramientas como Cursor, Copilot, Claude y ChatGPT Enterprise en 2025 se hizo en muchos casos sin métricas de retorno.
Cómo funciona el AI Spend Console
La herramienta tiene tres capas. La primera es el tracking de gasto: conecta con los proveedores de IA (Cursor, OpenAI, Anthropic) y desagrega el consumo por empleado, equipo y rol. La segunda es el routing inteligente: un gateway propio de Rippling que analiza cada solicitud y la envía automáticamente al modelo más adecuado y económico para esa tarea. La tercera es la atribución de productividad: cruza el consumo de tokens con métricas de output —líneas de código, pull requests, calidad del código en revisiones— para identificar si el gasto genera valor real.
El routing fue clave en la solución interna de Rippling. El análisis reveló que los empleados tendían a usar los modelos frontier más caros para todo, incluidas tareas que un modelo más barato podía resolver perfectamente. Después de implementar el gateway, Rippling adoptó modelos de open-weight más baratos como GLM 5.2, que en sus benchmarks internos tiene un rendimiento casi equivalente al de los modelos frontier pero a un 85% menos de coste.
Esta decisión de Rippling encaja en una tendencia más amplia documentada en el sector: las empresas que adoptaron IA masivamente en 2025 están pasando en 2026 de la experimentación sin métricas a la racionalización con ROI.
El «tokenpocalypse» de GitHub Copilot —cuando Microsoft pasó de cuota plana a cobrar por token porque el coste de los usuarios intensivos superaba los ingresos de la suscripción— fue el primer aviso del sector de que la economía del uso de IA necesitaba ser revisada. Rippling vivió el mismo problema internamente y decidió construir la solución en lugar de esperar que los proveedores la ofrecieran.
El CTO de Uber, que declaró esta semana el fin del «tokenmaxxing» y la necesidad de vincular el consumo de IA con productividad real, describe el mismo giro: la era de experimentación irrestricta está terminando y empieza la de la justificación del gasto.
Mi valoración
Llevamos cubriendo la adopción empresarial de herramientas de IA desde el boom de 2023. La historia de Rippling es la versión honesta de lo que ha vivido el 80% de las empresas que adoptaron IA de forma acelerada: el gasto explotó antes de que hubiera métricas para justificarlo.
Lo que más me convence del AI Spend Console es el cruce entre consumo de tokens y productividad. La mayoría de las herramientas actuales miden el primero pero no el segundo. Si la herramienta puede identificar qué ingenieros con alto gasto en IA tienen sus PRs rechazados frecuentemente en code review, eso es información que cambia las decisiones de gestión.
Lo que más me preocupa es que la herramienta mide gasto, no valor. Un ingeniero puede producir código de alta calidad con un coste de tokens bajo, o código mediocre con un coste alto. Pero también puede estar haciendo trabajo estratégico que no genera PRs ni líneas de código directas —diseño de arquitectura, revisión de decisiones— y aparecer como «ineficiente» en el dashboard. Las métricas de productividad en ingeniería son famosamente difíciles de definir bien.
La pregunta a 12 meses: ¿adoptará el sector el modelo de «routing inteligente» que Rippling describe como parte estándar de la infraestructura empresarial de IA? Mi predicción es que sí, y que en 18 meses la mayoría de las empresas con más de 100 empleados técnicos tendrán algún tipo de gateway de IA con selección de modelo.
Preguntas frecuentes
¿Está disponible el AI Spend Console para empresas externas a Rippling?
Sí. El AI Spend Console está incluido para los clientes de HR de Rippling con costes adicionales por uso, y también se puede comprar como producto standalone e integrar con otros sistemas de RRHH distintos de Rippling.
¿Qué herramientas de IA puede rastrear?
El sistema puede rastrear el gasto en Cursor, OpenAI y Anthropic, que fueron los tres proveedores que Rippling estaba usando cuando identificó el problema. MacInnis indicó que la integración con otros proveedores está en el roadmap.
¿Puede el AI Spend Console ver el contenido de las conversaciones de mis empleados con la IA?
El sistema rastrea el consumo de tokens, los modelos utilizados y métricas de output como commits y PRs, pero según la descripción de Rippling no accede al contenido de las conversaciones. La empresa no ha publicado una auditoría de privacidad independiente sobre este punto.
