In diesem Artikel
Ab heute ist die AI Spend Console verfügbar. Sie gibt CFOs und CTOs einen klaren Überblick über die AI-Ausgaben, verknüpft sie mit Geschäftsergebnissen und steuert den Einsatz freigegebener LLMs.
Anders als einfache Nutzungs-Dashboards oder Einzellösungen verknüpft die AI Spend Console Ausgaben mit Mitarbeiterattributen. So sehen Sie genau, welche Abteilungen, Teams oder Rollen für Ihre AI-Rechnung verantwortlich sind. Zusätzlich verbindet sie die Ausgaben mit zentralen Geschäftskennzahlen wie Performance-Bewertungen oder der Anzahl an Pull Requests, sodass Sie erkennen, wo der Einsatz von Tokens tatsächlich bessere Ergebnisse bringt.
Hier erzählen wir, warum wir dieses Produkt entwickelt haben und wie es dazu kam.
Wie viele Tech-Unternehmen haben wir früh auf AI gesetzt. Wir haben AI-Tools für alle Mitarbeitenden freigeschaltet, ohne Limits. Wir haben Experimentieren aktiv gefördert und Hackweeks, Lunch-and-Learns und „Ship Shows" veranstaltet.
Sehr schnell zeichnete sich eine regelrechte Kostenlawine ab. Unsere AI-Token-Ausgaben wuchsen um 80 % im Monatsvergleich, und wir waren auf dem Weg, 40 % unseres R&D-Personalbudgets für Tokens auszugeben.
Anfangs fehlte uns die Infrastruktur, um Nutzungsmuster und diese neue Kostenkategorie zu erfassen, zu verstehen und zu steuern. Unser Finance-Team trug Daten aus mehreren Anbieter-Dashboards manuell zusammen und wertete sie punktuell aus. Sie sahen die Gesamtausgaben, aber nicht, welche Teams oder Rollen für die Anstiege verantwortlich waren. Vor allem aber ließen sich die AI-Ausgaben nicht mit einer messbaren Geschäftswirkung verknüpfen.
Wir konnten Fragen wie diese nicht beantworten:
Welche Modelle werden am häufigsten genutzt, und von welchen Teams?
Welche Rollen und Level treiben unsere AI-Rechnung nach oben?
Wie unterscheiden sich die AI-Ausgaben pro Pull Request zwischen unseren Top- und Low-Performern?
Welche Engineers mit hohen AI-Ausgaben werden von ihren Kolleg:innen im Code-Review häufig zur Nachbesserung aufgefordert?
Dieses Muster kannte ich bereits. In einer früheren Rolle habe ich die AWS-Infrastrukturkosten einer der größten Websites der Welt verantwortet. Ich wusste genau, wie unkontrollierte Cloud-Kosten aussehen, und mir war klar, dass es schlimmer werden würde. Deshalb habe ich das Problem zusammen mit Catalina Zhao aus unserem BizOps-Team angepackt. Wir haben schnell eine Task Force aus Führungskräften verschiedener Bereiche aufgestellt, darunter BizOps, HR, Product Sales, Engineering und Marketing, um unser AI-Programm bei Rippling aufzubauen.
Einer unserer Kernwerte bei Rippling ist „Go and See". Also haben wir uns Zeit mit unseren Engineers genommen und gemeinsam Nutzungsmuster, etwa tägliche aktive Nutzer:innen, sowie Daten zu Modellkosten und Anbieterausgaben analysiert.
Gemeinsam mit einigen Engineers haben wir die Daten direkt in einen zentralen Data Lake überführt. Das war ein komplett manueller und extrem zeitaufwendiger Prozess.
Das waren unsere Ergebnisse:
Die Konzentration war extrem. Rund 10 bis 15 % der Mitarbeitenden verursachten etwa 60 % der gesamten AI-Ausgaben. Ein Engineer gab monatlich 50.000 US-Dollar aus.
Teure Standardeinstellungen waren die Regel. Die neuesten Modelle liefen im Fast-Modus, nicht weil wir das bewusst entschieden hatten, sondern weil sich niemand damit befasst und Best Practices festgelegt hatte.
Der Produktivitätseffekt war real, aber nicht linear. Engineers, die AI-Tools wie Cursor intensiv nutzten, lieferten mehr Pull Requests. Die größten Produktivitätssprünge entstanden jedoch durch die erste Einführung der Tools, nicht durch höhere Ausgaben für Frontier-Modelle.
Unsere Engineering-Organisation musste sich weiterentwickeln. Wir erkannten, welche Engineers mit kreativen AI-Anwendungsfällen Innovationstreiber waren, wo diese Anwendungsfälle isoliert blieben, statt sich unternehmensweit zu verbreiten, und welche Hürden eine breitere Nutzung verhinderten.
Der Trend war nicht tragfähig. Ein Prognosemodell zeigte uns, dass wir auf dem Weg waren, 40 % unseres R&D-Personalbudgets für AI-Tokens auszugeben, im Folgejahr sogar fast 90 %.
Um die Kosten einzudämmen, haben wir bei jedem AI-Anbieter ein festes monatliches Ausgabenlimit pro Tool festgelegt. Das war keine dauerhafte Lösung, aber sie hat uns Zeit verschafft, unsere Strategie aufzubauen.
Wir brauchten einen klaren Überblick darüber, wer welche Modelle in welchem Umfang nutzt, und mussten diese Kosten mit Geschäftskennzahlen wie Codequalität und der Anzahl gemergter Pull Requests verknüpfen.
Über unsere Data-Cloud-Infrastruktur haben wir AI-Ausgaben direkt von unseren Anbietern wie Cursor, OpenAI und Anthropic in Rippling übernommen.
Sobald externe Daten wie der Token-Verbrauch in Rippling einfließen, erkennt unsere Software Felder, die Nutzer:innen referenzieren: E-Mail-Adressen, Mitarbeiter-IDs, Benutzernamen und Anzeigenamen. Sie verknüpft diese automatisch mit dem passenden Rippling-Identitätsprofil, sodass Business-User diese Verknüpfung nicht selbst einrichten müssen. Ein GitHub-Benutzername wie coder3 wird zum Beispiel der geschäftlichen E-Mail-Adresse zugeordnet, etwa adam@examplecompany.com.
Dank der Datenerfassung und -zuordnung von Rippling haben wir unsere AI-Ausgaben- und Nutzungsdaten zentralisiert und mit dem integrierten Org-Kontext verknüpft. Ein GitHub-Pull-Request ist damit keine einzelne Datenzeile mehr, sondern ein Datensatz, der mit einer Mitarbeiterin oder einem Mitarbeiter und Attributen wie Team, Rolle oder Abteilung verbunden ist. So lassen sich Geschäftsdaten leichter analysieren, steuern und in konkrete Maßnahmen umsetzen.
Da unsere AI-Ausgaben- und Nutzungsdaten jetzt in Rippling vorlagen, konnten wir mit Rippling AI eigenständig Dashboards zu jeder Frage erstellen, ganz ohne SQL.
Wir haben Dashboards für unser Engineering-Team aufgebaut: für die wöchentliche Entwicklung der AI-Ausgaben, die Modellnutzung nach Teams, das Verhältnis von Ausgaben zu GitHub-Pull-Requests, Ausgaben im Verhältnis zu Nachbesserungen am Code und weitere Kennzahlen.
Für Engineering haben wir ein Dashboard namens AI Scorecard entwickelt. Es verknüpft Daten aus Cursor, der OpenAI-Suite (Codex) und der Claude-Suite (Code) und bildet vier zentrale Kennzahlen ab:
Adoption Score (10 Punkte): Wie oft eine Mitarbeiterin oder ein Mitarbeiter ein Tool täglich agentisch promptet.
Usage Score (10 Punkte): Wie intensiv eine Mitarbeiterin oder ein Mitarbeiter AI-Tools nutzt.
Productivity Score (10 Punkte): Der Output einer Mitarbeiterin oder eines Mitarbeiters, etwa Pull Requests und Codezeilen.
Cycle Time (10 Punkte): Wie lange dauert es, bis ein Pull Request gemergt wird?
Efficiency Score (7,5 Punkte): Verhältnis von AI-Ausgaben zu Produktivität.
Alle Rippling-Dashboards folgen automatisch den Berechtigungen in Rippling, sodass Nutzer:innen Dashboards passend zur jeweiligen Rolle teilen können. Eine Engineering-Managerin oder ein Engineering-Manager sieht das Dashboard beispielsweise genauso wie andere Führungskräfte, jedoch beschränkt auf das eigene Team.
Zu wissen, wie viel eine einzelne Person ausgibt, reicht nicht aus. Unser Team brauchte auch eine Möglichkeit, diese Ausgaben zu steuern.
Wir haben das Rippling AI Gateway* entwickelt: eine interne Routing-Schicht zwischen unseren Mitarbeitenden und den freigegebenen Modellen. Der gesamte LLM-Traffic läuft darüber. So können wir an zentraler Stelle Ausgabenlimits und Modellzugriffsrichtlinien festlegen und durchsetzen, AI-Anfragen an das jeweils passende Modell weiterleiten und jede Transaktion protokollieren.
Dadurch können wir neue Modelle einführen, ohne dass die Organisation ihr gesamtes Setup umbauen muss. Die Routing-Logik ist bereits vorhanden, und Sicherheitsprotokolle entstehen ohne zusätzliche Verhandlungen mit Anbietern. Zusätzlich nutzen wir das AI Gateway in unserem Entwickler-Ökosystem für agentische Jobs und orchestrierte Workflows, etwa Slackbots oder die Triage von JIRA-Tickets. Unser Tooling ist damit nicht mehr an einen einzelnen Anbieter gebunden.
Als Nächstes mussten wir unseren Umgang mit AI im gesamten Unternehmen grundlegend verändern, nicht nur in R&D.
Wir haben das AI-Captains-Programm ins Leben gerufen: ein internes Team aus Ripplern, das den gezielten Einsatz von AI in allen Bereichen außerhalb von R&D vorantreibt. Sie verbinden unsere unternehmensweite AI-Ausrichtung mit dem Arbeitsalltag der einzelnen Teams. Sie helfen bei der Auswahl der richtigen Tools, automatisieren die wertvollsten Workflows, befähigen Mitarbeitende und stellen sicher, dass AI-Anwendungsfälle einen echten ROI liefern.
Jeder Captain verantwortet drei Bereiche für die eigene Organisation:
Impact: AI-Lösungen für die eigene Organisation entwickeln und validieren, mit klarem ROI.
Adoption: Die eigene Organisation bei der Nutzung der richtigen AI-Tools unterstützen.
Governance: Für Plattformhygiene sorgen, die Nutzung überwachen, Skills prüfen und freigeben und als Tier-1-Support bei AI-Fragen zur Verfügung stehen.
Rippling-weit wurden 20 AI Captains nominiert, mit deutlichem Erfolg. Für R&D sank die Prognose von 40 % des Personalbudgets für Tokens auf 10 bis 15 %. Das entspricht mehreren zig Millionen Dollar pro Jahr. Die Produktivität stieg dabei weiter, denn die Grenzen machten Engineers klüger statt weniger leistungsfähig. Dasselbe Muster zeigte sich auch in anderen Teams.
Mit unbegrenztem Budget griffen Mitarbeitende automatisch zu den teuersten Modellen, um sich keine Gedanken machen zu müssen. Mit einem festen Budget lernten sie die Tools dagegen wirklich kennen. Sie fanden heraus, welches Modell wofür am besten geeignet ist, welche Konfigurationen am effizientesten sind und welche Setups die besten Ergebnisse liefern. Die Beschränkung hat die Innovation hervorgebracht.
Aus dieser Arbeit ist ein eigenständiges Produkt entstanden, damit auch andere Unternehmen ihre AI-Ausgaben erfassen, verstehen und steuern können. Mit der AI Spend Console erhalten CFOs und CTOs einen klaren Überblick über ihre AI-Ausgaben, verknüpfen sie mit Geschäftsergebnissen und steuern schon bald auch den Einsatz freigegebener LLMs.
Rippling AI erstellt automatisch berechtigungskonforme Dashboards für alle verbundenen Daten. Sie können sogar in natürlicher Sprache Rückfragen stellen, um Ausgaben- und Nutzungsmuster genauer zu analysieren oder Diagramme anzupassen, ganz ohne SQL.
Mit der AI Spend Console können Sie:
Ursachen für AI-Ausgaben erkennen: Kosten nach Teams, Rollen oder Abteilungen aufschlüsseln.
Den Wert der Ausgaben einordnen: AI-Ausgaben mit Geschäftskennzahlen wie Performance-Bewertungen oder der Anzahl an Pull Requests verknüpfen, um ineffiziente Nutzung sichtbar zu machen.
AI-Zugriff und -Ausgaben steuern*: Zugriffsrichtlinien auf Basis von Mitarbeiterattributen durchsetzen und AI-Anfragen automatisch an freigegebene LLMs weiterleiten.
Ab heute können Sie die AI Spend Console 30 Tage kostenlos testen.
AI ist längst kein reiner Kostenposten mehr. AI prägt, wie Unternehmen heute arbeiten und wie Produkte entstehen. Geld für AI auszugeben ist für sich allein kein Erfolg. Entscheidend ist der gezielte Einsatz.
Kontext ist entscheidend. Gezielte Ausgaben beginnen mit Transparenz. Sie müssen alle AI-Ausgaben an einem Ort sehen, verknüpft mit den Teams, Rollen und Abteilungen, die sie verursachen, und mit den Geschäftsergebnissen, die daraus entstehen. Ohne diesen Org-Kontext bleiben Ausgaben nur eine Zahl. Die Rippling AI Spend Console liefert alle drei Elemente auf einen Blick.
Damit sind wir von völliger Intransparenz und einem Kurs Richtung fast der Hälfte unseres R&D-Personalbudgets für Tokens zu einem gesteuerten, messbaren AI-Programm gekommen, das Rippling produktiver macht als je zuvor.
Wenn Sie es ausprobieren möchten, können Sie hier starten.
Haftungsausschluss
Rippling und seine verbundenen Unternehmen bieten keine Steuer-, Buchhaltungs- oder Rechtsberatung an. Dieses Material wurde nur zu Informationszwecken erstellt und ist nicht als Rechts-, Buchhaltungs- oder Steuerberatung gedacht und sollte nicht als solche herangezogen werden. Sie sollten Ihre eigenen Steuer-, Buchhaltungs- und Rechtsberater konsultieren, bevor Sie damit verbundene Aktivitäten oder Transaktionen durchführen.
Tragen Sie sich in die Warteliste für Rippling AI Gateway ein.
Whitney Zack is a Director of Engineering at Rippling. Raised in the woodlands of New York, prior to Rippling, he studied organizational strategies, distributed systems, and people management at Reddit. In 2022, Whitney joined Rippling to tackle complex organizational challenges of incubating startups. Outside of work, he’s builds secret rooms in homes, competes in video games, and brews his own beer. Catalina Zhao is on the Business Operations team at Rippling, where she works on a variety of high-priority initiatives for senior leadership across the company. She joined Rippling in 2025, and her prior experience spans operating at, investing in, and advising high-growth tech startups.
5 Wege, wie KI die HR-Betriebskosten in Europa senkt
Über 1.000 HR-Verantwortliche in Europa, Kanada und Australien verraten, wo KI ihnen wirklich Kosten spart: von schnellerem Recruiting bis zu weniger Fehlern in der Lohnabrechnung. Der Beitrag zeigt fünf konkrete Bereiche, in denen sich der Einsatz von KI in HR-Budgets bereits bemerkbar macht.
10 Dinge, die Arbeitgeber über kanadische Arbeits- und Arbeitsrecht wissen müssen
Wenn Sie Mitarbeiter in Kanada einstellen, müssen Sie die Arbeitsregeln im Blick behalten, damit Sie nicht gegen das Gesetz verstoßen. Von der Klassifizierung von Arbeitnehmern bis zu den Beschäftigungsstandards, hier sind 10 Dinge, die Sie unbedingt wissen müssen, wenn Sie in Kanada einstellen.
10 Dinge, die Arbeitgeber über irische Arbeits- und Beschäftigungsgesetze wissen müssen
Wenn Sie Mitarbeiter in Irland einstellen, müssen Sie die Arbeitsregeln im Auge behalten, damit Sie das Gesetz nicht verletzen. Von der Klassifizierung der Arbeitskräfte bis zu Arbeitsstandards, hier sind 10 Dinge, die Sie unbedingt wissen müssen, wenn Sie in Irland einstellen.
Die 5 Fallstricke der Globalisierung – und wie man sie überwindet
Auf der Gartner ReimagineHR-Konferenz in London haben wir über die Herausforderungen gesprochen, die mit der globalen Expansion einhergehen. Hier sind die wichtigsten Erkenntnisse.
Die 7 wichtigsten HR-Trends 2025
Stellen Sie mithilfe dieser HR-Trends für das Jahr 2025 sicher, dass Ihr HR-Team bestens auf die neuen Herausforderungen und Möglichkeiten vorbereitet ist.
KI-Verordnung in HR: Was das KI-MiG von HR-Teams verlangt – und ab wann
Das KI-MIG-Gesetz verschafft dem EU AI Act in Deutschland echte Durchsetzungskraft. Die meisten HR- und Finance-Teams sind darauf noch nicht vorbereitet. Von Shadow-AI und Audit-Mängeln bis hin zu deterministischer KI-Governance: Was das neue Gesetz für Ihre Personaldaten bedeutet.
So verwalten Sie das Eigenkapital der Mitarbeiter in Australien
Mitarbeiterbeteiligungen sind nicht nur eine Rekrutierungsstrategie – es ist eine Investition in die Zukunft Ihres Unternehmens. So verwalten Sie Beteiligungspläne effektiv.
AI-ready für HR und Finance: Der Guide für deutsche Führungskräfte
Deutsche CFOs und HR-Verantwortliche stehen zwischen strengen DSGVO- und GoBD-Vorgaben und den kommenden Pflichten des EU AI Act 2027. Dieser Guide erklärt die drei Säulen verantwortungsvoller KI-Governance: menschliche Prüfung, Datenschutz als Architekturprinzip und deterministische Regeldurchsetzung. Dazu kommen praxisnahe Anwendungsfälle für Spesen, Reporting und länderübergreifende Payroll.
Mit zentralen HR-, IT- und Finanzfunktionen sparen Sie bares Geld, automatisieren Routineaufgaben und treffen fundiertere Entscheidungen.
