Datadog представил AI Costs в Cloud Cost Management для единой атрибуции расходов на AI

Datadog выпустил функцию AI Costs в продукте Cloud Cost Management (CCM), которая объединяет данные о расходах и использовании моделей от нескольких поставщиков в одной панели — задача, которая ранее требовала ручной консолидации фрагментированных отчётов биллинга. Новация призвана сэкономить время FinOps‑ и инженерных команд, дав им единый источник правды для сравнения провайдеров и анализа моделей; это упрощает принятие решений по оптимизации затрат и быстрое выявление нестандартного роста расходов.

Функция предоставляет две взаимодополняющие точки доступа к данным. Первая — единая страница AI‑затрат с агрегированными ежедневными трендами, разбивкой по провайдерам, списком основных драйверов затрат и встроенным обнаружением аномалий. Вторая — преднастроенные провайдер‑специфичные дашборды, которые собирают метрики использования: потребление токенов, распределение моделей и объёмы запросов. Такие метрики помогают сопоставлять рост расходов с фактическими сигналами использования и быстрее связывать перерасход с конкретными моделями или типами трафика.

Datadog подчёркивает, что платформа стандартизирует данные о затратах и теги через CCM Explorer, поскольку у разных поставщиков схемы биллинга и измерения расхода отличаются. CCM уже агрегирует инфраструктурные расходы из AWS, Microsoft Azure, Google Cloud и Oracle Cloud Infrastructure, что позволяет рассматривать AI‑затраты в контексте общей стоимости владения. Среди поддерживаемых AI‑поставщиков Datadog называет OpenAI, Anthropic, GitHub Copilot, Amazon Bedrock, Google Gemini и Vertex AI; это избавляет команды от ручного объединения экспортов и API‑выгрузок при сравнении провайдеров.

Практическое значение нововведения заключается в автоматической атрибуции расходов конкретным пользователям и сервисам, применении согласованных тегов по всем провайдерам и формировании отчётов для повышения бизнес‑ответственности. Финансовые и SRE‑команды получат возможность быстрее обнаруживать изменения в расходах и связывать их с изменениями использования моделей или трафика, а разработчики — сократят ручную работу по созданию отдельных пайплайнов отчётности. Преднастроенные дашборды и сигнализация по аномалиям дают операционный контекст для оперативного исследования причин перерасхода и корреляции их с выбором модели или поведением пользователей.