根据Azul Systems的《CIO云趋势调查和报告》，83%的受访首席信息官报告说，从他们的基础设施和应用程序云支出来看，实际支出要高于预期支出。在这些受访者中，60%的人表示支出至少超过26%。

一般来说，由于云部署的复杂性和跨基础设施的泛滥配置，企业缺乏对云支出的实时可见性，通常几乎没有监督。从分析使用模式到过滤遥测数据，手动干预来控制成本已经不够。IT领导者正在采用预测性AI和机器学习来持续从历史数据中学习，预测资源需求，并降低云成本。

借助AI和机器学习技术，企业可以增强资源需求预测，以确保更准确的预测，并更好地管理不断增加的云支出。

为什么传统成本优化工具无效

企业领导们并没有注意到这些云支出问题。Azul发现，43%的首席信息官表示，其企业的首席执行官和/或董事会对他们的云支出感到担忧。

传统上，云服务的成本优化工具专注于监控系统级指标，包括CPU使用情况、内存消耗和网络流量。他们依靠静态规则来传递CPU和存储使用阈值、跟踪错误率和其他固定指标。这些一次性工具不仅对衡量当今云资源需求的复杂性无效，而且对消费的可见性也有限，因此很难确定成本驱动因素。手动干预以重新校准云使用情况和降低成本，也是低效的，只会增加IT负担。

随着企业运行多个云服务，他们越来越多地部署云原生软件。这些高功能应用程序依赖于快速发布和加速的持续集成和持续交付（CI/CD）管道。快速更新和部署往往超出IT领导者的能力，让他们无法有效控制云服务费和管理资源需求急剧波动。缺乏对应用程序级性能的分析也延伸到无法准确预测未来资源需求，导致额外的成本效率低下。

在优化费用并确保云工作负载的一致高可用性（HA）时，也会出现类似的挑战。企业最终将为不准确的预测之间的差异付出代价，这可能导致资源短缺、资源分配过剩或服务闲置。对于使用传统云监控工具的企业，也会遇到与云定价复杂性相关的挑战。其中一些问题包括忽视数据传输成本，以及未能考虑地区和服务之间的数据传输费用。

对成本和有效服务监控的担忧还包括合规和监管实践。缺乏精细云意识的企业面临安全和数据隐私漏洞的风险，导致缓解费用和昂贵的处罚。这些限制都突出了与人为错误和过时工具相关的潜在问题。

相比之下，动态AI方法可自动调整云资源分配，并自动化云成本管理策略，以帮助降低成本。

AI如何改进云成本优化

为了提高运营灵活性和改善云支出，这需要依赖AI和机器学习（ML）的分析能力。随着企业采用AI驱动的工具，他们可获得以下优势：

• 改进云服务使用情况。
• 消除闲置资源。
• 通过调整实例来节省成本。
• 能够根据预测的增长计算未来云支出。

例如，企业可以使用预测性AI将当前的云使用数据与既定的运营基线进行比较，实时识别成本违规情况。

云使用数据的质量和准确性推动了AI调整资源分配和预测成本的能力。机器学习模型使用详细的云信息，例如CPU使用情况、内存分配和网络流量，主动独立地纠正与过度配置或利用率不足相关的资源分配。

在改进IT运营方面，AI可以根据服务提供商推荐最具成本效益的实例类型，例如通用、点、计算和存储密集型。除了检测成本异常外，AI工具还可以使用预定义的支出阈值生成预算警报。

基于AI的FinOps如何提供商业价值

FinOps提供一个运营框架，可制定云支出政策，并在制定投资战略和促进云成本意识方面发挥着至关重要的作用。FinOps提供管理云财务和确保业务价值的广泛方法，在工程、财务、运营和产品团队之间建立协作问责制。

然而，这不仅仅是一种调整云成本的方法。例如，AI驱动的FinOps平台为多云环境中的自动化优化、预测性成本预测和智能资源标签提供选项。虽然企业可以单独使用AI来自动化系统级成本控制，但全面的FinOps方法提供了所需的策略、财务问责制和精细的见解，以指导AI驱动的成本控制。

Agentic AI的引入和SaaS的使用代表智能云成本优化演变的下一阶段。在这种方法中，AI代理可以自主识别、推荐和持续实施成本优化。该框架结合这些创新，以实现两个关键目标：

1. 控制成本。
2. 最大化业务价值。

这代表着一种以智能为驱动的战略方法，用于准确预测需求，动态响应云的使用，并实现大幅成本节约。