Datadog：标记和模型治理是AI成本管理的基础

AI成本管理为FinOps从业者带来了新的分类法，但核心原则——了解你正在使用什么、为什么使用以及成本是多少——保持不变。据Datadog公司高级FinOps分析师Deeja Cruz表示，这种连续性令人安心且具有指导意义。企业从云迁移到AI时可以借鉴的最大实践教训是保持高质量的属性标签。没有标签，无论AI工作负载多么复杂，分配支出和识别优化机会的能力都会崩溃。

Cruz在FinOps X 2026上接受theCUBE采访时说：“我能给出的最大建议是‘不要忽视你的标签’。良好的数据标签将让你能够分配成本，并回答高管提出的问题。”她与theCUBE的John Furrier和Paul Nashawaty讨论了AI成本管理如何发展FinOps角色，以及工程、财务和安全部门在实际操作中的协作方式。

Cruz描述了一个AI辅助FinOps的具体例子。一位没有开发背景的同事在存储桶配置中发现了节省成本的机会，使用大语言模型生成必要的代码更改，将拉取请求发送给存储桶所有者批准，几天后就在成本数据中看到了实际的节省。这个小案例是FinOps角色发展的一个典型例子，即从业者主导的AI使用。

“我鼓励所有FinOps从业者对这些工具感到得心应手，”Cruz说。“利用你的领域专业知识，使用这些工具更快地为组织交付价值。”

在治理方面，Datadog正在开发多模型选择策略，评估哪种模型适合特定工作负载，而不是默认选择最昂贵的选项。Datadog内部AI支出的所有权是通过FinOps团队和内部AI开发者体验团队之间的合作自然形成的，FinOps负责预测和归属，而开发者体验团队负责治理工具和开发者反馈。这种动态类似于云所有权的演变方式，Cruz认为这对仍在理清责任归属的组织来说是一个直截了当的框架。

“要弄清楚谁负责什么，谁是某项工作的主要负责人，谁是支持者，”她说。“这是一项团队运动。”

（*披露：theCUBE是FinOps X活动的付费媒体合作伙伴。FinOps Foundation作为theCUBE活动报道的赞助商，以及其他赞助商，不对theCUBE或SiliconANGLE的内容拥有编辑控制权。）