Was sich einfach nicht taggen lässt:
Ihr Tagging-Programm wird nie fertig. Attribute™ ordnet 100 % der Cloud-Ausgaben zur Laufzeit zu – ohne Tags, ohne Code-Änderungen, mit vollständiger Zuordnung bis nächste Woche.
Tagging hat FinOps ein Jahrzehnt lang getragen.
Selbst ausgereifte Programme erfassen nur 43 % der Cloud-Kosten auf Unit-Ebene (Gartner, 2025). Die Lücke wächst weiter, denn die am schnellsten wachsenden Kostenkategorien lassen sich gar nicht taggen.
Kubernetes-Cluster, Kafka, Datenbanken und Queues bedienen viele Teams gleichzeitig. Ein Tag weist genau einen Owner zu. Es kann nicht aufteilen, was nie trennbar war.
Tags erfassen Infrastruktur. Kunden bewegen sich durch sie hindurch. In einer mandantenfähigen Architektur gibt es keine Ressource zum Taggen – die Cost-to-Serve bleibt Handarbeit.
LLM-Gateways, gemeinsam genutzte GPU-Cluster und KI-Agenten erzeugen einen einzigen Posten auf der Rechnung. Auf der Billing-Ebene sieht jeder Inference-Call identisch aus.
Egress, AZ-übergreifender Transfer, NAT-Gateways. Die Rechnung kommt, aber Billing-Exporte verraten nie, welcher Workload den Traffic verursacht hat.
das eigentliche Problem
Tag-basierte Tools lesen Billing-Exporte. Billing-Exporte beschreiben Ressourcen, nicht deren Nutzung. Sie sagen Ihnen, dass eine EC2-Instanz 40.000 $ gekostet hat – aber nie, welches Team, welcher Kunde oder welches Feature sie verbraucht hat.
Attribute™ setzt einen leichtgewichtigen eBPF-Sensor ein, der den Netzwerk-Traffic zur Laufzeit liest. Er sieht, welcher Workload welche Ressource aufgerufen hat, welche Kunden-ID im Request mitkam und welches Modell den Inference-Call beantwortet hat. Jeder Dollar wird dem Verursacher zugeordnet – auf Basis dessen, was tatsächlich passiert ist, statt anhand von Labels, an die zufällig jemand gedacht hat.
der Workloads zugeordnet
Sensor-Installation, ohne Code-Änderungen
bis zur Zuordnung – statt monatelangem Tagging
so funktioniert es
01. In 15 Minuten installiert. Ein leichtgewichtiger eBPF-Sensor wird per Helm im Cluster deployt, dazu eine Terraform-Billing-Integration. Keine Code- oder Konfigurationsänderungen.
02. Der Sensor liest Laufzeitdaten. eBPF beobachtet den Traffic zu jeder Cloud-Ressource: Compute, Datenbanken, Storage, Kafka, GPUs und LLM-Endpunkte. Deep Packet Inspection extrahiert Identifikatoren wie JWT-Tokens, HTTP-Header und Client-IDs direkt aus dem Traffic.
03. Kosten landen dort, wo sie hingehören. Jeder Dollar wird dem Kunden, Team, Feature oder KI-Agenten zugeordnet, der ihn verursacht hat. Gemeinsam genutzte Ressourcen werden nach tatsächlichem Verbrauch aufgeteilt – nicht pauschal oder per Schätzung.
Tagging war nie die Antwort auf FinOps
| Capability | Attribute™ | Tagging-Programm |
|---|---|---|
| Attribution & Zuordnung | ||
| Zeit bis zu aussagekräftigen Daten | Ab Tag eins, sobald der Sensor Traffic beobachtet | Wochen bis Monate an Tagging-Arbeit |
| Abdeckung | 100 % der Workloads zugeordnet | 43 % der Kosten auf Unit-Ebene erfasst (Branchendurchschnitt) |
| Gemeinsam genutzte Ressourcen | Zuordnung nach tatsächlichem Verbrauch | Pauschale Aufteilung, anteilig oder grob geschätzt |
| Kosten pro Kunde | Automatisch aus dem Runtime-Traffic erkannt | Kein Kundenkonzept vorhanden |
| KI- und LLM-Ausgaben | Zuordnung auf Token-Ebene pro Kunde, Feature oder Team | Nur Gesamtausgaben |
| Selbst verwaltete Infrastruktur (Kafka, Elasticsearch auf EC2) | Der Sensor sieht in den Workload hinein | In Billing-Exporten unsichtbar |
| Netzwerkkosten | Bis zum Workload zurückverfolgt, der den Traffic verursacht hat | Nicht zuordenbar |
| Laufender Wartungsaufwand | Keiner. Die Attribution folgt dem Traffic | Policy-Durchsetzung, Nachfassen bei Engineers, vierteljährliches Aufräumen |
schon in Tags investiert?
Teams, die Jahre ins Tagging investiert haben, fürchten um ihre Investition. Zu Unrecht: Alles, was sie aufgebaut haben, funktioniert weiter.
Attribute™ nutzt bestehende Tags als ein zusätzliches Signal. Der Unterschied: Die Attribution hängt nicht mehr von ihnen ab. Die 57 % der Ausgaben, die Ihre Tags nie erreicht haben, werden trotzdem zugeordnet – und der Tagging-Backlog blockiert nicht länger Showback, Chargeback und Margen pro Kunde.
Attribute™ ersetzt monatelange Tagging-Programme durch einen leichtgewichtigen Runtime-Sensor
Andere FinOps-Tools lesen Ihre Billing-Exporte. Attribute™ liest Laufzeitdaten und ordnet Kosten dem Workload zu, der sie verursacht hat. Ordnen Sie KI-, Netzwerk-, Datenbank- und andere gemeinsam genutzte Ausgaben sofort Kunden, Workloads und Features zu.
Der Sensor ist read-only und läuft in einer Sandbox im Kernel. Attribute™ ist nach SOC 2 Type 2 und ISO 27001 zertifiziert und eine FinOps Certified Platform.
AICPA
SOC 2
AICPA
ISO 27001
FinOps
Platform
Jeder Kostenanstieg hat einen Owner und eine Erklärung.
Dann beginnt die Ursachensuche: Tage voller Tag-Archäologie, Dashboard-Wühlerei und Slack-Threads, um das "Warum" zu finden. Attribute™ überspringt diesen Schritt.
drei Dinge, die Sie endlich tun können –
All das wartet normalerweise auf ein Tagging-Programm, das nie fertig wird. Mit Attribute ist es ab Tag eins möglich.
Verteilen Sie gemeinsam genutzte Infrastruktur nach tatsächlicher Nutzung auf Teams. Alle Beteiligten, von Engineering bis Finance, arbeiten mit denselben Zahlen – Kostenberichte werden nicht mehr angezweifelt.
COGS und Marge pro Account, automatisch aus dem Traffic erkannt. Ein Kunde fand über 360 Accounts, bei denen die Kosten den Umsatz überstiegen – mehr als 1,3 Mio. $ an Verlusten, die vorher unsichtbar waren.
Attribution auf Token-Ebene pro Kunde, Feature und Team über OpenAI, Anthropic, Bedrock und Vertex AI hinweg. Funktioniert mit gemanagten und selbst gehosteten LLM-Gateways.
Wir mussten nicht mehr Tausende von Ressourcen taggen. Attribute hat uns volle Kostentransparenz verschafft – ganz ohne Tags.
Ziv Sivan, VP of Engineering at Akamai
FinOps ohne Tagging
In 30 Minuten installiert – und schon nächste Woche sehen Sie die Zuordnung pro Kunde, Feature und Team. Behalten Sie Ihre Tags, und machen Sie sich unabhängig von ihnen.
Ja. Tagging ist eine Methode der Kostenzuordnung, keine Voraussetzung für FinOps. Runtime-Attribution liest den Live-Traffic, um zu bestimmen, welches Team, welcher Kunde oder welches Feature eine Ressource verbraucht hat – und ordnet damit auch zu, was Tags nie erreichen: gemeinsam genutzte Infrastruktur, KI-Workloads, Netzwerk-Traffic und Kundenkosten in mandantenfähigen Umgebungen.
Tagging hat drei strukturelle Probleme. Die Abdeckung verfällt, weil Tags dauerhaften menschlichen Aufwand erfordern. Gemeinsam genutzte Infrastruktur lässt sich nicht präzise aufteilen, weil ein Tag pro Ressource nur einen Owner zulässt. Und die am schnellsten wachsenden Kostenkategorien – KI und Netzwerk – lassen sich überhaupt nicht taggen. Branchendaten zeigen, dass nur 43 % der Cloud-Kosten auf Unit-Ebene erfasst werden.
Nein. Bestehende Tags funktionieren weiter, und Attribute nutzt sie als zusätzliches Signal. Die Attribution hängt aber nicht mehr von ihnen ab – ungetaggte und nicht taggbare Ausgaben werden trotzdem zugeordnet.
Ein leichtgewichtiger eBPF-Sensor beobachtet den Netzwerk-Traffic zur Laufzeit. Deep Packet Inspection erkennt Workloads, Kunden-Identifikatoren und Modellaufrufe direkt im Traffic und korreliert sie mit den Billing-Daten, um jeden Dollar nach tatsächlichem Verbrauch zuzuordnen. Code- oder Konfigurationsänderungen sind nicht erforderlich.
Die meisten Kunden sehen zugeordnete Daten noch am selben Tag. Der Sensor ist in rund 15 Minuten installiert, und die Attribution beginnt, sobald er Traffic beobachtet.
Ja. Der Sensor liest den Traffic zu und von LLM-Gateways und API-Endpunkten über OpenAI, Anthropic, Bedrock, Azure OpenAI und Vertex AI hinweg und ordnet den Token-Verbrauch dem Kunden, Feature oder Team zu, das den jeweiligen Aufruf ausgelöst hat.
Ja. eBPF läuft in einer Sandbox im Kernel und ist dieselbe Technologie, die auch gängigen Observability- und Security-Tools zugrunde liegt. Der Sensor ist read-only, erfordert keine Änderungen an Ihren Anwendungen, und Attribute ist nach SOC 2 Type 2 und ISO 27001 zertifiziert.
We have worked with DoiT for many years, and there has been an increasing number of capabilities and features in DoiT Cloud Intelligence. We've embedded features such as Cloud Analytics and Reports in our own FinOps processes, it's become core to what we do.
Martin Lee, Director of Operations
DoiT gave us the confidence to move from experimentation to production. They helped us understand the right way to build AI for the real world.
Milad Rezazadeh, CTO
Attribute™'s cost grouping technology took our cost visibility and allocation to a whole new level. Now, our teams are fully accountable for their budgets, significantly improving our cloud efficiency and helping us minimize unnecessary costs.
Eli Zilbershtein, Head of DevOps, Hippo
You can't tag a customer in a multi-tenant environment. Attribute™ finally shows us what each customer costs and what's driving those costs.
Omri Cohen, Director of Engineering, Platform
Attribute™'s data is truly unmatched. No other solution on the market could deliver the precise customer cost and usage profiles we needed in such a complex infrastructure. Within weeks, the data from Attribute™ transformed our understanding of cost structures, influencing key strategic decisions in pricing, renegotiations, and market positioning.
Jonathan Langer, COO, Claroty
Attribute™ simplified tracking customer costs in our multi-tenant environments. Customer cost measurement is now clear and standardized, and finance gets the business context they need. Integration was quick and required no changes.
Kfir Lippmann, CFO, Salt Security
Attribute™ translates complex cloud bills into actionable, business-centric insights that empower our engineering teams to take true ownership of their costs.
Balamurugan Mohandossgandhi, Head of IT and Infrastructure, PropertyGuru
This has let us get a better idea of what our cost of goods sold really is. It's not every day you come across something that delivers value as quickly as yours did for us. I was seeing useful insights inside the POC, and we had only deployed it to a couple of real clusters.
Jason Moore, Principal DevOps Engineer, Accrete AI
