Dans cet article
Aujourd'hui, nous lançons AI Spend Console. Cet outil donne aux directeurs financiers et aux directeurs techniques une vision claire des dépenses en IA, les relie aux résultats de l'entreprise et encadre l'utilisation des LLM approuvés.
Contrairement aux simples tableaux de bord d'utilisation ou aux solutions ponctuelles, AI Spend Console relie les dépenses en IA aux attributs des collaborateurs, afin d'identifier les départements, équipes ou fonctions à l'origine de votre facture IA. L'outil relie aussi ces dépenses à des indicateurs métier clés, comme les évaluations de performance ou le volume de pull requests, pour comprendre où l'utilisation des tokens améliore réellement les résultats de l'entreprise.
Voici pourquoi nous avons créé ce produit, et comment nous en sommes arrivés là.
Comme beaucoup d'entreprises tech, nous avons adopté l'IA tôt. Nous avons donné accès aux outils d'IA à l'ensemble des collaborateurs, sans aucune limite. Nous encouragions l'expérimentation, avec des hackweeks, des lunch and learns et des sessions de démo.
Très vite, une déferlante de nouvelles dépenses s'est abattue sur nous. Nos dépenses en tokens IA augmentaient de 80 % par mois, et nous étions sur une trajectoire qui nous aurait menés à consacrer 40 % du budget masse salariale R&D aux tokens.
Au départ, nous n'avions pas l'infrastructure nécessaire pour suivre, comprendre et gérer les usages et cette nouvelle catégorie de dépenses. Notre équipe Finance compilait manuellement les données de plusieurs tableaux de bord fournisseurs, puis menait des analyses ponctuelles. Elle pouvait voir la dépense totale, mais pas quelles équipes ou fonctions en étaient à l'origine. Plus important encore, rien ne permettait de relier les dépenses liées à l'IA à un quelconque impact sur l'activité.
Nous ne pouvions pas répondre à des questions comme :
Quels modèles sont les plus utilisés, et par quelles équipes ?
Quelles fonctions et quels niveaux font grimper notre facture IA ?
Comment la dépense IA par pull request varie-t-elle entre nos collaborateurs les plus performants et les moins performants ?
Quels ingénieurs à forte dépense IA voient leurs pairs leur demander fréquemment de refaire leur travail lors des revues de code ?
J'avais déjà vu ce schéma. Dans un poste précédent, je gérais les dépenses d'infrastructure AWS de l'un des plus grands sites web au monde. Je savais exactement à quoi ressemblent des coûts cloud incontrôlés, et je savais que la situation allait empirer. J'ai donc commencé à m'attaquer au problème avec Catalina Zhao, de notre équipe BizOps. Nous avons rapidement réuni une équipe de choc rassemblant des responsables de tous les départements — BizOps, RH, Ventes Produit, Ingénierie, Marketing et bien d'autres — pour bâtir le programme IA de Rippling.
Go and See est l'une des valeurs fondamentales de Rippling. Nous avons donc pris le temps d'échanger avec nos ingénieurs, tout en explorant les habitudes d'usage (par exemple, les utilisateurs actifs quotidiens) ainsi que les données sur le coût des modèles, les dépenses fournisseurs et les habitudes d'usage (par exemple, les utilisateurs actifs quotidiens).
Nous avons travaillé avec quelques ingénieurs pour extraire ces données directement dans un data lake centralisé, un processus entièrement manuel et extrêmement chronophage.
Voici ce que nous avons découvert :
La concentration était extrême. Environ 10 à 15 % de nos collaborateurs généraient près de 60 % des dépenses totales en IA. Un ingénieur dépensait à lui seul 50 000 $ par mois.
Les paramètres par défaut coûteux étaient la norme. Les modèles les plus récents étaient configurés en mode rapide, non pas par choix délibéré, mais parce que personne n'avait pris le temps d'examiner la question et de définir de bonnes pratiques.
Le signal de productivité était réel, mais pas linéaire. Les ingénieurs qui utilisaient intensivement des outils d'IA comme Cursor livraient davantage de PR, mais les plus grands gains de productivité venaient de l'adoption initiale, pas d'une dépense accrue sur les modèles de pointe.
Notre organisation d'ingénierie devait évoluer. Nous avons identifié les ingénieurs qui repoussaient les limites de l'innovation avec des cas d'usage IA créatifs, constaté que ces cas d'usage restaient cloisonnés au lieu de se diffuser à l'ensemble de l'organisation, et repéré les freins à une adoption plus large.
La trajectoire n'était pas tenable. Nous avons construit un modèle de prévision des coûts et découvert que nous étions en passe de consacrer 40 % du budget masse salariale R&D aux tokens IA. L'année suivante, ce chiffre approcherait 90 %.
Pour limiter les coûts, nous avons fixé, chez chaque fournisseur d'IA, un plafond de dépense mensuel standard par outil. Ce n'était pas une solution pérenne, mais elle nous a donné le temps de mettre notre stratégie en place.
Nous avions besoin d'une visibilité claire sur la consommation de tokens — par qui, et sur quels modèles — puis de relier ces coûts à des indicateurs métier comme la qualité du code ou le nombre de PR fusionnées.
Nous avons utilisé notre infrastructure Data Cloud pour importer directement dans Rippling les dépenses en IA depuis nos fournisseurs (comme Cursor, OpenAI et Anthropic).
Lorsque des données externes comme la consommation de tokens sont importées dans Rippling, notre logiciel identifie les champs faisant référence à des utilisateurs : adresses e-mail, identifiants collaborateurs, noms d'utilisateur et noms d'affichage. Il les associe automatiquement au profil d'identité Rippling correspondant, sans que les utilisateurs métier aient à configurer ces correspondances eux-mêmes. Par exemple, un nom d'utilisateur GitHub (coder3) est associé à l'adresse e-mail professionnelle du collaborateur (adam@examplecompany.com).
Grâce aux capacités d'ingestion et de mise en correspondance des données de Rippling, nous avons centralisé nos données de dépenses et d'usage IA, puis les avons reliées à notre contexte organisationnel natif. Une pull request GitHub n'est pas traitée comme une simple ligne de données : c'est un enregistrement rattaché à un collaborateur et à des attributs comme son équipe, sa fonction ou son département. Les données métier deviennent ainsi plus faciles à analyser, à encadrer et à exploiter.
Une fois nos données de dépenses et d'usage IA dans Rippling, nous avons utilisé la capacité de Rippling AI à concevoir et générer de façon autonome des tableaux de bord à partir de n'importe quelle question, sans écrire une ligne de SQL.
Nous avons commencé à créer des tableaux de bord pour suivre l'évolution hebdomadaire des dépenses en IA, l'usage des modèles par équipe, les dépenses au regard des PR GitHub, des dépenses au regard des reprises de code, et bien plus encore, à l'échelle de notre équipe d'ingénierie.
Nous avons créé pour l'ingénierie un tableau de bord appelé AI Scorecard. Il relie les données de Cursor, de la suite OpenAI (Codex) et de la suite Claude (Code) pour mettre en avant quatre indicateurs clés :
Score d'adoption (10 points) : la fréquence à laquelle un collaborateur sollicite un outil de façon agentique chaque jour.
Score d'usage (10 points) : le degré d'engagement d'un collaborateur avec les outils d'IA.
Score de productivité (10 points) : la production d'un collaborateur (PR, lignes de code).
Temps de cycle (10 points) : le délai de fusion des PR.
Score d'efficacité (7,5 points) : les dépenses en IA rapportées à la productivité.
Tous les tableaux de bord Rippling respectent automatiquement les permissions définies dans Rippling, ce qui permet aux utilisateurs de partager des vues adaptées à chaque destinataire. Par exemple, un manager d'ingénierie peut consulter le tableau de bord comme n'importe quel autre manager, mais uniquement à l'échelle de son équipe.
Observer combien chaque personne dépense n'est que la moitié du travail. Notre équipe avait aussi besoin d'un moyen de la contrôler.
Nous avons conçu Rippling AI Gateway* : une couche de routage interne placée entre nos collaborateurs et les modèles approuvés. Tout le trafic LLM y transite. Cela nous donne un point unique pour définir et faire respecter les limites de dépense et les politiques d'accès aux modèles, orienter chaque requête IA vers le modèle adapté à la tâche, et journaliser chaque transaction.
Cela signifie aussi que nous pouvons déployer de nouveaux modèles sans obliger l'organisation à retravailler toute sa configuration, mettre en place la logique de routage et conserver des journaux de sécurité sans négociation avec les fournisseurs. Nous pouvons également utiliser notre AI Gateway dans notre écosystème de développement pour exécuter des tâches agentiques et des workflows orchestrés (comme des bots Slack ou le tri des tickets JIRA). Nos outils ne dépendent plus d'un seul fournisseur.
Il nous fallait ensuite changer en profondeur notre approche de l'IA à l'échelle de toute l'entreprise, pas seulement en R&D.
Nous avons lancé le programme AI Captains, une équipe interne de Ripplers dont l'objectif est d'étendre l'usage de l'IA de façon délibérée dans chaque organisation hors R&D. Ils font le lien entre notre orientation IA à l'échelle de l'entreprise et la réalité quotidienne de chaque équipe. Ils aident à choisir le bon outil pour chaque tâche, à automatiser les workflows à plus forte valeur, à accompagner les collaborateurs, et à s'assurer que chaque cas d'usage IA est relié à un ROI réel.
Chaque capitaine est responsable de trois volets pour son organisation :
Impact : concevoir et valider des solutions IA pour leur organisation, avec un ROI réel à la clé.
Adoption : faire adopter les bons outils d'IA par leur organisation.
Gouvernance : maintenir la bonne tenue de la plateforme, suivre les usages, examiner et valider les skills, et assurer le support de premier niveau pour les problèmes liés à l'IA.
20 AI Captains ont été désignés dans toute l'entreprise, avec des résultats significatifs. Pour la R&D, nous sommes passés d'une prévision de 40 % du budget masse salariale consacré aux tokens à seulement 10 à 15 %, soit des dizaines de millions de dollars économisés chaque année. La productivité a continué de progresser, car les contraintes ont rendu les ingénieurs plus astucieux, pas moins compétents. Nous avons observé le même effet dans les autres équipes.
Quand la dépense était illimitée, les collaborateurs se tournaient par défaut vers les modèles les plus coûteux, pour s'épargner toute charge cognitive. Avec un budget, ils ont vraiment appris à utiliser les outils. Ils ont identifié les points forts de chaque modèle, les configurations les plus efficaces, les harnais qui donnaient les meilleurs résultats. La contrainte a fait naître l'innovation.
Ce travail nous a conduits à convertir notre approche en produit, afin que d'autres entreprises puissent, elles aussi, voir, comprendre et contrôler leurs dépenses en IA. Avec AI Spend Console, les directeurs financiers et techniques obtiennent une vision claire des dépenses en IA, la relient aux résultats de l'entreprise et, bientôt, encadreront l'utilisation des LLM approuvés.
Rippling AI génère des tableaux de bord soumis à permissions sur l'ensemble de vos données connectées. Vous pouvez même poser des questions de suivi en langage naturel pour approfondir l'analyse des dépenses et des usages, ou personnaliser vos graphiques, sans écrire une ligne de SQL.
AI Spend Console vous permet de :
Identifier ce qui pèse sur vos dépenses en IA. Ventiler les coûts par équipe, fonction ou département.
Comprendre la valeur de cette dépense. Relier les dépenses en IA à des indicateurs métier comme les évaluations de performance ou le volume de pull requests, pour repérer les usages peu rentables.
Contrôler l'accès à l'IA et les dépenses*. Appliquer des politiques d'accès aux modèles selon les attributs des collaborateurs, puis orienter automatiquement les requêtes IA vers les LLM approuvés.
Dès aujourd'hui, vous pouvez essayer AI Spend Console gratuitement pendant 30 jours, sans abonnement Rippling requis.
L'IA n'est pas qu'une ligne budgétaire. Elle est désormais ancrée dans le fonctionnement de chaque entreprise et dans la conception de chaque produit. Dépenser de l'argent en IA, en soi, ne veut rien dire. Ce qui compte, c'est de le faire de façon délibérée.
Le contexte change tout. Une dépense délibérée commence par la visibilité. Vous devez pouvoir voir l'ensemble de vos dépenses en IA en un seul endroit, reliées aux équipes, fonctions et départements qui les génèrent, et connectées aux résultats métier qu'elles produisent. Sans ce contexte organisationnel, la dépense n'est qu'un chiffre. Rippling AI Spend Console vous donne les trois à la fois.
Nous nous en sommes servis pour passer d'une absence totale de visibilité, et d'une trajectoire vers près de la moitié du budget masse salariale R&D consacrée aux tokens, à un programme IA encadré et mesuré, qui rend Rippling plus productive que jamais.
Si vous souhaitez l'essayer, vous pouvez commencer ici.
Clause de non-responsabilité
Rippling et ses filiales ne fournissent pas de conseils fiscaux, comptables, ni juridiques. Ce document a été préparé à titre d’information uniquement ; il n’est pas destiné à fournir des conseils fiscaux, comptables ni juridiques, et ne doit pas être utilisé comme tel. Vous devez consulter vos propres conseillers fiscaux, comptables et juridiques avant de vous engager dans une quelconque activité ou transaction connexe.
Inscrivez-vous sur la liste d’attente de Rippling AI Gateway.
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.
Présentation de Rippling Global
Paie globale. RH globale. Tout est global.
Comment demander des paiements : un guide pour les prestataires (avec modèles d'email)
Se faire payer en tant que contractant peut être semé de longs retards. Si la date d'échéance de votre facture est passée, voici comment suivre avec votre client pour être payé.
Comment embaucher une main-d'œuvre internationale dans le respect des règles
Sans un examen diligent, les entreprises risquent de violer involontairement les lois du travail dans les pays où elles emploient des travailleurs. Alors, comment surveiller et appliquer la conformité globale? Nous mettrons en lumière une multitude de considérations d'emploi internationales, puis expliquerons comment Rippling aide à surveiller et à appliquer les lois internationales sur l'emploi, pour que vous n'ayez pas à le faire.
Calcul de la masse salariale : définitions et enjeux
Calcul masse salariale : un enjeu stratégique pour les entreprises. Apprenez à maîtriser et à réduire ce coût grâce à des astuces et des exemples concrets.
Les 5 pièges du développement international et comment les surmonter
À la conférence Gartner ReimagineHR à Londres, nous avons parlé des défis liés à l'expansion mondiale. Voici les points principaux.
Employé ou prestataire : comment classer les travailleurs aux Pays-Bas (quiz inclus)
Vous embauchez des travailleurs aux Pays-Bas ? Faites notre quiz pour classer correctement vos employés et prestataires—et évitez d'être frappé par des amendes et des pénalités.
Tester un marché avec un EOR : Guide pratique et conseils essentiels
Découvrez comment tester un marché avec un Employer of Record (EOR) pour accélérer votre expansion internationale de manière flexible et conforme.
Tester un marché avec un EOR : Guide pratique et conseils essentiels
Découvrez comment tester un marché avec un Employer of Record (EOR) pour accélérer votre expansion internationale de manière flexible et conforme.
Faites davantage d’économies, automatisez les tâches fastidieuses et prenez de meilleures décisions en gérant les RH, l’IT et les finances en un seul endroit.
