许多企业的云账单自去年以来呈现出明显的共同趋势：人工智能相关的费用占比正持续攀升。过去，云账单的主要开销集中在计算与存储资源上；而如今，打开账单，仅 GPU 实例费用加上各类模型的 API 调用成本，就可能已经超越了传统云服务的总和。
这一变化引发了一个关键问题：过去行之有效的 FinOps 方法论，还能有效管控 AI 成本吗？
答案是：能管理一部分，但远远不足以应对全部挑战。
AI 正在从两个维度重塑 FinOps：其一是 AI 如何助力 FinOps 提升效率，即“用 AI 做 FinOps”；其二是 FinOps 如何有效管控 AI 这类新型云资源的成本，即“FinOps for AI”。这两个方向看似接近，实则解决的问题截然不同。
本文将重点聚焦后一个方向——当 AI 成为云账单的核心支出，FinOps 的工作方式需要发生哪些变革？这些变革背后的原因是什么？企业目前在真实场景中面临哪些具体挑战？
FinOps 基本功在 AI 时代还能保留多少
在深入探讨 AI 之前，我们先回顾一下 FinOps 的基本框架。FinOps 并非一个新鲜概念，它是一套成熟的云成本管理实践方法论，核心无非是几件事：明确钱花在了哪里（可观测性）、想办法减少支出（优化）、将成本合理分摊到对应责任部门（归属），并持续循环改进。这一框架在传统云时代已被验证行之有效。
进入 AI 时代后，许多 FinOps 团队发现，这套方法论套用在 AI 成本上，要么不适用，要么适用的难度直接上升了一个量级。
先说仍然有效的部分。成本归属的基本逻辑没有改变——AI 服务产生的费用仍需归属于具体的团队、项目或产品。这一目标未变，只是实现路径变得更复杂了。费率优化的思路也未变——无论是 GPU 实例还是模型 API，折扣的核心逻辑仍然是“买得越多越便宜”，问题在于谁应该购买、购买多少。预算管理的基本框架同样适用——你需要预测未来的 AI 支出，设定超支预警，并定期回顾预算执行情况。流程本身没有变，但 AI 市场的变化速度让预测变得愈发困难。
接下来是那些不太适用的部分。
传统云成本具有相对稳定的特征：用量可预测，价格波动较小，新 SKU 的发布频率可控。你可以根据过去三个月的 CPU 核小时消耗，较为准确地预测下个月的支出，误差通常能控制在正负 10% 以内。这种预测能力是 FinOps 方法论的重要基石，因为它让预算变得可信。
AI 成本则完全不同。Token 消耗的波动性远高于 CPU 核小时——用户每次提问的长短不同、模型版本更新后消耗模式可能发生变化、新 AI 功能上线会导致用量突然跃升，这些变量叠加在一起，使 AI 成本预测的难度大幅提升。更棘手的是，模型 API 的价格调整频率近年实际上在加快而非放缓。你可能在第一季度刚刚完成一版 AI 成本预测，第二季度就收到某模型厂商调整 API 价格的通知，整个预测瞬间失效。这种情况在传统云领域几乎不会发生，但在 AI 领域正逐渐成为常态。
因此，客观来看：FinOps 的框架并未过时，但 FinOps 团队需要为 AI 场景单独建立一套预测、分摊和优化方法论，而不是简单地将传统 FinOps 流程直接套用。
AI 给 FinOps 工作方式带来了哪些变化
以下几个变化最为显著。
数据分析的深度要求提升了一个层级。 传统 FinOps 的数据分析通常是针对云账单进行汇总，按资源类型分组、按标签归因，这一过程基本上是结构化的、可自动化完成的。AI 成本的分析则复杂得多。你需要理解 Token 消耗的模式，掌握不同模型版本的单价差异，了解用户输入 Token 与模型输出 Token 的计费区别。更重要的是，你需要将 AI 成本与业务指标关联起来审视——“这一百万元的大模型 API 费用，带来了多少转化？多少效率提升？多少用户满意度改进？”这些问题是传统 FinOps 报表无法回答的。
成本优化的思路从“选型”转向了“架构”。 传统云的 Right-sizing 通常是选择一个更小规格的实例，这个决策相对直接。AI 成本优化的维度则宽泛得多：应该用 GPT-4 还是 GPT-4o Mini？应该调用云厂商的托管模型还是自行部署开源模型？应该采用 RAG 架构还是纯长上下文方案？这些架构选择直接影响 AI 成本，而且每个选择都伴随权衡——更便宜的方案通常意味着效果上的某种妥协，这并非 FinOps 团队能独立决定，需要与 AI 产品团队共同权衡。
成本责任主体的范围急剧扩大。 在传统云时代，成本的主要责任人是工程和运维团队，这些人对云资源有基本认知，了解实例规格和按量付费等概念。而在 AI 时代，产品经理、营销人员甚至客服人员都可能直接使用 AI 服务，但他们中的大多数人对“这个服务花了多少钱”完全没有概念。更麻烦的是，他们使用的 AI 能力可能嵌入在日常使用的 SaaS 工具中，他们根本不知道每点一下鼠标，背后都在产生模型 API 调用费用。这并非他们的错，而是 FinOps 团队的失职——你没有将成本可见性传递到这些新的 AI 使用者手中。
预测性成本管理从“加分项”变成了“必选项”。 传统 FinOps 通常是月度回顾——月底查看账单是否超支，分析原因，制定改进计划。这在传统云场景下可以接受，因为传统云成本变化相对缓慢，月度回顾足够及时。AI 成本的变化速度快得多，一次新产品功能的 AI 功能发布，可能下周就会让 AI 账单翻倍。如果等到月底看账单才发现超支，能做的补救已经非常有限。你需要周级甚至日级的 AI 成本可见性，配合预测能力，提前掌握“按当前调用量，本月 AI 账单大概是多少，是否会超出预算”。
AI 正在如何改变 FinOps 本身
讲完 FinOps for AI，再简要提一下 AI for FinOps，这是另一个正在快速发展的方向——利用 AI 能力来提升 FinOps 自身的工作效率。
自然语言查询账单是目前最实用的方向。大多数企业的云成本数据分散在多个云平台、多个账号、多个服务中，查询某个数据通常需要写 SQL 或导出 Excel，等数据团队跑完数据才能看到。AI 改变了这一过程——你直接用自然语言询问“过去三个月，哪个产品的 GPU 成本增速最快”，几秒钟就能获得结果，还能追问原因。这在以往是不可想象的效率提升。
异常检测是另一个明显提效的场景。传统 FinOps 的异常检测通常基于规则——账单突然超过某个阈值，或某个服务用量突然飙升，这种规则简单粗暴但有效。AI 让异常检测变得智能得多——AI 模型可以学习你的云消费模式，自动判断“这个用量今天比平时高了 40%，但因为今天有个批量任务，属于正常波动”，还是“这个用量异常，原因可能是某个服务的配置问题导致了资源浪费”。前者是正常波动，后者需要告警。这种智能判断，以往需要经验丰富的 FinOps 工程师花费时间分析才能得出，现在 AI 可以自动完成大部分工作。
成本报告生成的自动化也开始普及。每个季度向管理层汇报 AI 成本，通常需要花费几天时间准备 PPT 和数据。AI 可以自动生成报告初稿，分析数据趋势，识别主要成本驱动因素，甚至基于数据生成初步建议。这项工作目前仍需人工复核，但效率提升已经非常可观。
企业真实面临的 AI 成本挑战
以下是几个在实际工作中看到的真实挑战。
挑战一：AI 成本归因困难。 一家公司的 AI API 账单显示月支出 80 万元，但没有人能说清楚这 80 万元的具体分布。原因是多个团队的多个应用都在使用同一个 API key，且这些应用之间缺乏统一的调用日志收集机制，成本归属只能依赖估算。这并非技术问题，而是组织问题——AI 服务在企业内部的使用方式还缺乏规范，各自为战，没有统一的成本记账规则。
挑战二：AI 模型选型缺乏成本视角。 产品团队在选择 AI 模型时，通常从效果角度出发——GPT-4 效果最好，就用 GPT-4。很少有人会同时算一笔账：如果这个功能每天被调用一万次，GPT-4 和 GPT-4o Mini 的月成本差异是多少，这个效果差异是否值得这个差价。FinOps 团队通常不参与这个决策，因此成本视角是缺失的。最好的情况是产品团队在某功能上线后才发现成本超预期，最坏的情况是成本一直超支却无人知晓。
挑战三：AI 成本预测缺少历史数据。 AI 是新生事物，大多数企业的 AI 应用规模真正起来也就这一两年。这意味着用于 AI 成本预测的历史数据积累还不够，预测模型尚未运行顺畅。传统云服务的预测可以借助过去 12 个月的数据建立基准，而 AI 成本预测可能只有过去 3 个月的数据，且这 3 个月的用量增长曲线可能还处于快速上升期，参考价值有限。这是一个时间问题，也是一个学习曲线问题——AI 用量越大、积累的数据越多，预测才能越准确。
挑战四：GPU 资源预留的决策风险。 GPU 资源相对稀缺，购买 GPU 预留实例需要提前锁定承诺，这个决定比预留 EC2 实例风险更高。你需要预测未来的 GPU 需求量，但 AI 业务的增长曲线往往比传统云业务更难预测。买多了浪费，买少了影响业务，这个权衡对 FinOps 团队来说是一个全新课题。
AI 成本管理的未来方向
尽管挑战众多，但对 AI 成本管理的未来持乐观态度。这个领域正在快速成熟。
全自动化闭环是最终目标——从成本异常检测，到根因分析，到优化建议，再到执行验证，全部由 AI 系统自动完成，人工只负责审核重大决策。这在某些场景下已经开始实现，例如自动化的 GPU 实例类型推荐、闲置资源的自动回收。但要实现完整闭环，仍需时间。
成本意识向 AI 使用者的渗透是另一个趋势。目前的状态是：FinOps 团队在努力管理 AI 成本，但 AI 的使用者——产品经理、数据科学家、工程师——大多数缺乏成本意识。未来的方向是让成本可见性成为 AI 使用工具的标准配置，就像云服务器的仪表盘会显示 CPU 和内存使用率一样，AI 工具也应该让使用者实时看到自身行为的成本影响。这需要 FinOps 团队与产品团队共同推动。
碳排放成本纳入 AI 成本管理体系是正在发生的另一个变化。AI 推理会产生碳足迹，尤其是在大规模 GPU 集群上进行训练和推理时。越来越多的企业开始要求 AI 服务提供 per-request 的碳排放数据，这一数据维度在传统的 FinOps 框架中完全不存在，但现在开始变得重要。
写在最后
AI 正在深刻改变 FinOps 的工作内容和方法论，但 FinOps 的核心目标始终未变——让组织的每一分钱都花得值得。
变化的是实现路径。在传统云成本管理中，FinOps 团队是核心执行者；在 AI 成本管理中，FinOps 团队更像是规则的制定者和协调者——你需要将成本意识传递给更广泛的利益相关方，建立让成本可见性渗透到 AI 使用场景的机制，并与 AI 产品团队共同在效果与成本之间找到平衡点。
这并非 FinOps 的终结，而是 FinOps 能力的扩展。如果你正在从事 FinOps 工作，现在正是学习 AI 相关知识的最佳时机——云成本管理的本质没有改变，但游戏规则正在被重写，你有机会参与这一重写的过程。
