K8凯发(中国)天生赢家·一触即发

当 AI 遇见 FinOps:Snowflake 如何为 AI 时代重新定义成本管理 技术趋势
栏目:k8凯发集团 发布时间:2026-08-18
 Snowflake 提出将 AI 原生嵌入 FinOps,通过智能成本洞察与可编程治理原语,应对 AI 工作负载不可预测性带来的支出失控问题。  AI 驱动的探索式查询使成本波动与输出波动同步,传统 FinOps 方法失效;Snowflake 将 AI 用于成本归因、异常检测与预测;提供细粒度资源配额、预算触发与执行拦截等治理原语。  2026 年,智能体将在企业级应用中取得哪些实质性突破?点

  Snowflake 提出将 AI 原生嵌入 FinOps,通过智能成本洞察与可编程治理原语,应对 AI 工作负载不可预测性带来的支出失控问题。

  AI 驱动的探索式查询使成本波动与输出波动同步,传统 FinOps 方法失效;Snowflake 将 AI 用于成本归因、异常检测与预测;提供细粒度资源配额、预算触发与执行拦截等治理原语。

  2026 年,智能体将在企业级应用中取得哪些实质性突破?点击下载《2026 年 AI 与数据发展预测》白皮书,获悉专家一手前瞻,抢先拥抱新的工作方式!

  一个 Snowflake Cortex Agent™ 可能会跨多个数据集执行一连串推理步骤,一条 prompt 就可能触发数千 tokens,而与传统基础设施不同,许多 AI 工作负载从设计之初就是探索性的。

  这正是 FinOps 团队正在面对的新挑战:他们需要治理那些成本变化速度往往和输出变化速度一样快的系统。换句话说,他们被迫同时解决两个问题:

  在 Snowflake,我们一直在从底层重新思考成本管理,不只是为了跟上 AI 驱动工作负载的节奏,更是希望把 AI 本身变成成本治理机制的一部分,让治理变得更聪明、更快,并且让更多人都能用得起来。本文讲的就是这两件事:一方面,我们把 AI 嵌入成本管理工具,让它更强大;另一方面,我们也提供了一组治理原语,帮助你把自己的 AI 投资控制在可预期范围内。

  FinOps Foundation 发布的《State of FinOps 2026 Report》传递了一个极其明确的信号:AI 已经彻底进入 FinOps 议程中心。根据报告,未来 12 个月里,面向 AI 的 FinOps 已经成为团队最优先关注的前瞻性方向。AI 成本管理是组织最想补齐的技能集,同时 98% 的 FinOps 团队已经开始管理 AI spend,而两年前这一比例还只有 31%。AI 在一个产品周期内,就从一个新兴议题变成了几乎所有 FinOps 团队的共同职责。

  真正让它变难的,不只是 AI 支出的规模,更是它的性质。报告总结出了实践者最常遇到的三个问题:

  此外,报告中被需求方提得最多的能力,是对 AI spend 的细粒度监控,例如 tokens、LLM requests 和 GPU utilization。正如一位从业者所说:“团队一方面要管理更分散、更复杂的 AI 项目成本,另一方面又被要求不要过度限制 AI 使用,以免拖慢 time to market。”

  FinOps Foundation 把这总结成一个双重议程:既要用 AI 提高 FinOps 的生产力和效率,也要管理 AI 本身的支出。而这恰恰是 Snowflake 一直在构建的方向。

  FinOps 最常见的失败模式,是没有足够时间把数据真正看明白。工程师可以写查询去查ACCOUNT_USAGE,财务负责人也可以看月账单,但夹在中间的大多数人并没有上下文去迅速判断:为什么上周 spend 增长了 30%,是哪一个 warehouse 导致的,又应该采取什么动作。

  CoCo 内置了一个面向成本管理的 Cost Intelligence skill,它把成本管理从“写 SQL”变成了一场对话。你可以直接问它:

  CoCo 不只会给出答案,还会解释原因、展示底层数据,并保留后续追问所需的上下文。它能把 warehouse 活动、query 模式、用户行为和成本归因串起来,而这些事情过去通常需要一位对ACCOUNT_USAGEschema 非常熟悉的数据分析师才能完成。

  这个 skill 同时可用于 Snowsight UI™ 和 Snowflake CoCo CLI / Desktop。也就是说,无论你是在终端里的平台工程师,还是在浏览器里的 FinOps 分析师,你用到的都是同一套自然语言成本分析接口。

  你本来就可以用内置的 Cost Anomaly 功能检测 Snowflake account 上的成本异常,但“知道异常发生了”只完成了一半工作。真正卡住团队的,通常是搞清楚“为什么会发生”。

  过去,这往往意味着团队要花几个小时,把仓库历史记录、查询日志和用户活动一条条拼起来。

  现在,当 CoCo 被嵌入成本管理界面后,你可以直接在支出图表上选中一个异常点,然后点击 解释 查看细节。CoCo 会自动调查这个异常,将其与仓库活动关联起来,识别出相关的用户或工作负载,并在多数情况下于几秒内用通俗易懂的语言返回一段叙述式解释。

  更重要的是,每一条洞察都对应一个动作:如果 anomaly 需要调查,CoCo 只差一键;如果某个 warehouse 还没有归属到 cost center,你可以直接借助 CoCo 生成 tagging plan。目标很明确:把“发现问题”和“修复问题”之间的距离压缩到最短。

  虽然 AI 让成本管理变得更聪明,但它同时也制造了一个组织必须主动治理的全新成本类别。为此,Snowflake 构建了一整套专门面向 AI 成本治理的原语,从可见性到通知,再到强制执行。

  你无法治理自己看不见的东西。Snowflake 在 AI 成本可见性上投入很大,而且是逐层细化的。

  这些视图会以更高粒度展示每日 AI spend,可以细分到 account、user 以及 function/model 级别。借助它们,你可以监控不同业务单元的 AI 采纳趋势、比较不同团队的 AI 使用情况,并构建内部 chargeback 报告,而不需要再手写跨多个账户复杂 JOIN 的查询。

  在Admin>

  Cost Management里的消耗视图中,账户管理员可以深入分析 AI 支出,并通过服务类型筛选器把特定 AI 功能的用量从仓库计算中单独隔离出来。结合新版账户概览和成本智能技能,团队可以非常快地看出:AI 成本是否在上升、哪些服务驱动了它、是谁在产生这些用量,而且整个过程都不需要离开 Snowsight 界面。

  可见性告诉你已经发生了什么,而护栏可以帮助你避免那些你不想发生的事。Snowflake 的 budgets 和 quotas 原语,已经被扩展到了专门治理 AI 工作负载的层面。

  Snowflake 预算是对一组定义好的资源施加的月度支出上限,用来监控额度使用量。随着最新更新,预算现在已经覆盖 AI 相关服务类型:AI Functions、Snowflake CoWork、Cortex Agents 和 Snowflake CoCo,同时也保留对传统计算资源的支持。

  通过基于标签的预算,你可以把自己的组织结构直接映射到支出控制上。给 AI 资源打上团队、成本中心或项目的标签,再创建一个作用于这些标签的预算。当支出接近你定义的阈值时,通知就会自动发给对应的人,支持邮件、Slack / Teams / PagerDuty webhook,甚至云服务商消息队列。

  当阈值被真正突破时,Custom Action 也就是你定义的 stored procedure,可以自动执行,例如撤销访问权限、写入 audit log,或者触发下游工作流。这样一来,你得到的就不再是一条被动提醒,而是一层可编程、可自动响应的成本治理机制。

  很多组织在大规模推行 AI 能力时,最常见的问题之一,就是个别用户可能会制造非常夸张的成本。例如,对 100 万行数据运行一个复杂的 Cortex function,或者在一个紧密循环里重复触发 LLM 调用。

  传统 budgets 关注的是资源级 aggregate spend,但它们无法防住这种单个用户异常放大的风险。

  用户范围通过 Snowflake 标签来定义,这样你就能把现有的组织结构,例如成本中心、部门、团队,映射到配额作用域里,而不必人工逐个列出用户。

  为了保证足够可见性,不论是配额管理员,还是用户本人,都会在接近上限或真正触顶时收到自动通知,具体频率和阈值则取决于你的配额配置。

  对于需要强硬治理的组织,强制阻断可以在用户达到其配额后的几分钟内快速封顶,从而降低失控支出风险。根据你设定的每日或每月上限,用户对特定 AI 功能的访问会在到达上限后自动受限,并在下一个周期开始时自动恢复。

  对于那些希望把 AI 广泛下放给一线用户的组织而言,每用户配额就是让自助式 AI 更安全的关键原语。你可以把 AI 函数开放给每个分析师,同时又对每个人的使用情况做独立追踪,并在账单失控前采取动作。

  这一波 FinOps 工具之所以和以往不同,在于 AI 此刻同时承担着两种完全不同的角色。

  一方面,AI 正在驱动成本管理本身。借助 CoCo 的成本智能技能,任何团队成员都不需要再是对ACCOUNT_USAGE深度熟悉的数据工程师,也能用自然语言理解支出、调查异常、创建预算。新版账户概览则把 AI 生成的洞察放到了成本工作流中心,把 看起来不对劲 和 知道发生了什么、接下来该做什么 之间的时间差压缩到极短。成本管理不再只是后台报表,而是嵌入团队日常运作中的 AI 辅助决策层。

  另一方面,AI 也是被治理的对象。细粒度 AI 使用量视图、基于标签的 AI 预算和每用户配额的组合,给了 FinOps 和平台团队一组足够完整的原语,让他们能够在更广范围内部署 AI,同时维持更强的财务治理能力。你现在可以看清到底是哪一种 AI 功能花了多少钱,在团队和个人两个层级上执行限制,并在跨过阈值时自动触发治理动作。

  这两面结合起来,反映出一个简单但非常重要的原则:面对 AI 驱动的成本复杂性,正确的回应不是增加更多手工流程,而是把由 AI 驱动的更好工具直接嵌入到你的数据所在平台之中。