Rippling laat zien wat je AI-licenties écht opleveren

TL;DR

• Wat: Rippling lanceert een AI Spend Console die AI-uitgaven koppelt aan GitHub-data en prestaties van medewerkers.
• Waarom relevant: Als ondernemer betaal je steeds meer AI-licenties, maar weet je zelden of die investering zich terugverdient.
• Wat je ermee kunt: Stel jezelf de vraag of je per medewerker kunt zien wat AI-tooling oplevert — en zo niet, hoe je dat wél zou meten.

Ik stuitte op een tweet van @stanine over een nieuw product van Rippling: de AI Spend Console. Wat me triggerde was niet zozeer het dashboard — dashboards zijn er genoeg — maar het feit dat Rippling AI-kosten rechtstreeks koppelt aan wat engineers daadwerkelijk produceren. Dat vind ik een interessante stap, en ik leg hieronder uit waarom.

Wat doet de Rippling AI Spend Console?

Rippling is een Amerikaans platform dat HR, IT en financiën bundelt. Met de AI Spend Console voegen ze daar nu AI-kostenbeheer aan toe. Het idee: je koppelt je AI-leveranciers — denk aan OpenAI, Anthropic en Cursor — aan het platform, en Rippling laat per medewerker, team of afdeling zien hoeveel er wordt uitgegeven.

Tot zover klinkt dat als een rapportagetool. Maar er zitten twee elementen in die het interessanter maken.

Ten eerste: een model router. Dat is een laag die bepaalt welk AI-model wordt ingezet voor welk type taak. Niet elke vraag heeft het duurste model nodig. Door slim te routeren kun je kosten drukken zonder dat de kwaliteit merkbaar daalt. Parker Conrad, de CEO van Rippling, gaf volgens TechCrunch aan dat Rippling intern al flink heeft geschoven tussen modellen — ze stapten voor een deel over van Anthropic naar OpenAI's nieuwere model omdat dat "zowel beter als kosteneffectiever" bleek.

Ten tweede: lineage-analyse met GitHub-data. Rippling koppelt de AI-uitgaven van een ontwikkelaar aan diens pull requests en code reviews op GitHub. Zo ontstaat er een beeld van de verhouding tussen kosten en opbrengst — wat in feite een vorm van ROI-meting is op individueel niveau.

De kern: wie levert waarde, wie verbrandt budget?

Dit is het punt waar het voor mij echt interessant wordt. Conrad deelde een observatie die ik eerlijk gezegd veelzeggend vind: de best presterende engineers geven het meest uit aan AI, en dat levert ook het meest op. Dat is logisch — wie productiever is, gebruikt meer tooling.

Maar het systeem signaleert ook het omgekeerde: medewerkers met hoge AI-kosten én veel afgewezen code reviews. Conrad noemde dat vrij direct: engineers die "een hoop slop genereren" — veel output, maar weinig kwaliteit. Het systeem kan vervolgens limieten instellen, managers waarschuwen, of zelfs toegang beperken wanneer drempels worden overschreden.

Ik vind het bijzonder dat dit soort analyses nu mogelijk wordt. Tegelijk roept het vragen op. Want wanneer je individuele medewerkers gaat beoordelen op hun AI-gebruik, zit je al snel in een gesprek over privacy en werkdruk. Dat is iets waar je als ondernemer bewust mee om moet gaan.

Wat betekent dit voor een Nederlands bedrijf?

Nu denk je misschien: leuk, maar wij zijn geen techbedrijf met honderd developers. Toch zit er een breder punt in dat ook relevant is voor het MKB.

De AI-kosten voor Nederlandse bedrijven lopen op. Volgens diverse bronnen besteden MKB-bedrijven in 2026 tussen de 50 en 5.000 euro per maand aan AI-tooling — van chatbots tot klantenservice-automatisering tot codeerassistenten. Die bedragen groeien, en bij de meeste bedrijven is er geen helder overzicht van wat die investering oplevert.

Kun je je voorstellen dat je als ondernemer per afdeling kunt zien: dit team gebruikt AI-tool X, en sinds ze dat doen is de doorlooptijd van offertes met 30% gedaald? Of juist: dit team heeft drie licenties, maar de output is niet veranderd?

Dat is precies de vraag die Rippling probeert te beantwoorden voor softwareteams. En ik denk dat die vraag de komende jaren voor élk type bedrijf relevant wordt — ook als je geen regel code schrijft.

Het begint met meten

Wat mij opvalt is dat veel ondernemers AI-tools aanschaffen op basis van enthousiasme of een demo, maar zelden een nulmeting doen. Hoeveel tijd kost een proces nu? Wat is de foutmarge? Hoe tevreden zijn klanten? Zonder die baseline kun je achteraf niet vaststellen of de investering werkt.

Rippling maakt dat meetbaar voor één specifiek domein — softwareontwikkeling. Maar het principe geldt breder. Stel dat je als ondernemer een AI-tool inzet voor je klantenservice. Dan zou je willen weten: is het aantal afgehandelde tickets gestegen? Is de klanttevredenheid gelijk gebleven of gedaald? Hoeveel uur bespaart het team per week?

De keerzijde: controle versus vertrouwen

Er zit ook een kant aan dit verhaal waar ik wat genuanceerder over ben. Rippling maakt het mogelijk om per medewerker te zien hoeveel die uitgeeft aan AI en wat dat oplevert. Dat is nuttige informatie, maar het is ook een vorm van monitoring die niet in elke bedrijfscultuur past.

In Nederland zijn we over het algemeen terughoudender met individuele prestatiemonitoring dan in de VS. De AVG stelt bovendien eisen aan hoe je met dit soort gegevens omgaat. Als je overweegt om AI-gebruik per medewerker te gaan meten, is het verstandig om daar transparant over te zijn en het gesprek met je team aan te gaan vóórdat je het implementeert.

Ik denk dat de waarde vooral zit op teamniveau: welke afdelingen halen rendement uit hun AI-tooling, en welke niet? Dat geeft je als ondernemer genoeg stuurinformatie zonder dat het voelt als individuele surveillance.

De cijfers tot nu toe

Volgens TechCrunch gebruiken momenteel zo'n 560 bedrijven de AI Spend Console, en draait het product een maandelijkse omzet van 5 tot 7 miljoen dollar. De basisprijs ligt rond de 20 dollar per maand, gebundeld met Rippling AI. Er is ook een proefperiode van 30 dagen voor bedrijven die nog geen Rippling-klant zijn.

Dat zijn geen wereldschokkende cijfers, maar het laat wel zien dat er vraag is naar dit type oplossing. Bedrijven willen grip op hun AI-kosten — niet omdat ze tegen AI zijn, maar omdat ze willen weten of het werkt.

Een signaal, geen eindstation

Voor mij is dit vooral een signaal dat we in een nieuwe fase van AI-adoptie zitten. De eerste golf was: iedereen een licentie geven en kijken wat er gebeurt. De volgende fase wordt: meten, bijsturen en verantwoorden. Rippling is een van de eerste partijen die daar een concreet product voor bouwt, gericht op softwareteams. Ik verwacht dat er de komende tijd meer van dit soort tools verschijnen — ook voor niet-technische processen. De ondernemers die nu al nadenken over hoe ze hun AI-investering meten, staan straks een stap voor.