Rippling 用真实薪酬数据跑了 2100 次模型 选最便宜的那个处理工资

SaaStr 最近一篇内容介绍了 Rippling 的一个工程实践——他们用真实薪酬数据跑了 2100 次模型评分对比，最终挑选出最便宜的 AI 模型来处理公司的工资单自动化任务。这个工程实践对所有在 AI 落地中纠结选哪个模型的企业都是一个重要参考——不是选最强的，而是选性价比最高的。

先解释一下背景。Rippling 是美国头部的人力资源 SaaS 公司，业务覆盖工资、福利、入离职、考勤、税务等多个模块。公司内部有大量流程需要 AI 能力，比如员工入职文档自动化处理、工资单异常检测、跨州税务规则匹配等。过去几年 LLM（大语言模型）能力快速提升，公司开始尝试把 LLM 嵌入到这些流程里。但选择哪个模型成了一个难题——头部闭源模型（GPT-4、Claude 4、Gemini Pro）能力强但价格贵，开源模型便宜但质量参差。

Rippling 这次的工程实践是真实场景下的对比测试。他们用真实的薪酬数据（脱敏后）做测试集，对 2100 个模型样本进行评分。每个模型都被要求完成同一组任务——比如识别工资单异常、提取员工信息、生成合规报告——然后用统一的评分标准评估每个模型的准确率、响应时间、成本。2100 次评分意味着他们对每种主流模型都做了多次重复测试，避免单次测试的偶然性。

测试结果有几个重要发现。发现 一是头部模型不是所有任务都强——在某些特定任务上（比如简单的字段提取），头部模型的准确率和中等模型相差不大，但成本可能高出 5-10 倍。发现 二是任务分类很重要——把工作流拆分成多个子任务，每个子任务选用最适合的模型，整体成本可以压到只用头部模型的 20% 以下。发现 三是成本敏感度——同样是 LLM 调用，成本在不同任务上差异巨大，复杂任务用头部模型、简单任务用轻量模型，是性价比最优的组合。

这个实践给国内做 AI 落地的公司几个启示。启示 一：不要盲目追最强模型——很多公司把用 GPT-4当成 AI 落地的标志，但实际业务场景里很多任务用轻量模型就够了。盲目追最强模型会导致成本不可控，无法规模化。启示 二：真实数据测试——Rippling 用真实业务数据测试，避免了 演示数据下的假象。国内很多公司做模型选型时用公开行业测试基准，但 公开行业测试基准上的表现和实际业务场景往往差距很大。启示 三：任务级成本核算——AI 落地不是单次模型调用，而是一个工作流的多个任务组合，每个任务的成本都要核算清楚。

更深一层的思考是，AI 落地正在从能不能做转向怎么做便宜。2023-2024 年的核心问题是AI 能不能替代人工，2025-2026 年的核心问题已经变成AI 替代人工的成本是多少。Rippling 这次的实践本质上是回答第二个问题——通过精细化的模型选型，把 AI 替代人工的成本压到极致，从而让 SaaS 的毛利率保持健康。

AI 模型的成本结构在过去两年发生了剧烈变化。2023 年头部模型 API 价格居高不下，2024 年开始价格战打响，GPT-4o、Claude 4 Sonnet、Gemini Pro 等模型的价格大幅下调。2025 年开源模型（Llama、Qwen、Mistral）的快速进步进一步压低了边际成本。2026 年的现状是——对于大部分企业级任务，已经存在多个足够好且足够便宜的模型选项，问题不再是能不能做而是怎么组合。

对 SaaS 公司来说，AI 落地的能力建设有几个优先级。优先级 一是数据基础设施——真实业务数据的清洗、标注、脱敏是 AI 落地的前提。优先级 二是模型评测体系——类似 Rippling 这种 2100 次评分的测试框架，让模型选型有数据依据。优先级 三是工作流重构——把业务流程拆分成 AI 友好的子任务，每个子任务配最优模型。优先级 四是成本监控——实时监控 AI 调用的成本，发现异常及时调整。

Rippling 这次的实践给整个 SaaS 行业提供了一个精细化 AI 落地的样板。AI 落地不是一招鲜吃遍天的单模型方案，而是多模型组合 + 任务级优化的工程实践。能把这套工程体系建起来的 SaaS 公司，会在毛利率、客户体验、运营效率三个维度同时获得竞争优势；建不起来的公司，可能会被 AI 成本反向侵蚀利润，最终失去 SaaS 行业原本的健康商业模式。

对企业级 AI 落地的从业者来说，Rippling 这套方法论提供了几个值得长期投入的研究方向。方向 一：模型评测基准——建立企业内部专属的评测数据集，避免依赖公开行业测试基准 的误导。方向 二：模型路由——根据任务类型自动选择合适模型，类似负载均衡但针对 AI 调用。方向 三：成本可视化——把 AI 调用成本按任务、按部门、按客户展示出来，让管理者有清晰的成本意识。这三个方向的技术门槛不算高，但能扎实做好的公司不多。

AI 落地的下半场拼的不是模型有多强，而是工程有多细。Rippling 的 2100 次评分是这个方向的一个标杆案例。

创业找资源，上乌鸦部落。