semplicemente non si può taggare
Il suo programma di tagging non finirà mai. Attribute™ alloca il 100% della spesa cloud a runtime: niente tag, nessuna modifica al codice e allocazione completa entro la prossima settimana.
il tagging ha sostenuto il FinOps per un decennio.
Anche i programmi più maturi tracciano solo il 43% dei costi cloud a livello di unità (Gartner, 2025). Il divario continua ad allargarsi, perché le categorie di spesa in più rapida crescita sono semplicemente impossibili da taggare.
Cluster Kubernetes, Kafka, database e code servono molti team contemporaneamente. Un tag assegna un solo proprietario: non può dividere ciò che non è mai stato separabile.
I tag tracciano l'infrastruttura, i clienti la attraversano. In un'architettura multi-tenant non esiste una risorsa da taggare, quindi il cost-to-serve resta un esercizio manuale.
Gateway LLM, cluster GPU condivisi e agenti AI producono un'unica voce in fattura. A livello di fatturazione, ogni chiamata di inferenza è identica.
Egress, trasferimenti cross-AZ, NAT gateway. La fattura arriva, ma gli export di fatturazione non dicono mai quale workload ha generato il traffico.
il vero problema
Gli strumenti basati sui tag leggono gli export di fatturazione. Gli export di fatturazione descrivono le risorse, non l'utilizzo. Possono dirle che un'istanza EC2 è costata 40.000 $, ma mai quale team, cliente o funzionalità l'ha consumata.
Attribute™ installa un sensore eBPF leggero che legge il traffico di rete a runtime. Vede quale workload ha chiamato quale risorsa, quale ID cliente viaggiava nella richiesta e quale modello ha risposto alla chiamata di inferenza. Ogni dollaro viene ricondotto al consumatore che l'ha generato, in base a ciò che è realmente accaduto e non a etichette che qualcuno si è ricordato di applicare.
dei workloads attribuiti
per installare il sensore, senza modifiche al codice
per l'allocazione, non mesi di tagging
come funziona
01. Installazione in 15 minuti. Un sensore eBPF leggero viene installato nel cluster via Helm, insieme a un'integrazione Terraform per la fatturazione. Nessuna modifica al codice o alla configurazione.
02. Il sensore legge i dati a runtime. eBPF osserva il traffico verso ogni risorsa cloud: compute, database, storage, Kafka, GPU ed endpoint LLM. La deep packet inspection estrae identificatori come token JWT, header HTTP e client ID direttamente dal traffico.
03. I costi finiscono dove devono stare. Ogni dollaro viene attribuito al cliente, al team, alla funzionalità o all'agente AI che l'ha generato. Le risorse condivise vengono ripartite in base al consumo effettivo, non con divisioni uniformi o stime.
il tagging non è mai stato la risposta al FinOps
| Capability | Attribute™ | Programma di tagging |
|---|---|---|
| Attribuzione e allocazione | ||
| Tempo per avere dati significativi | Dal primo giorno, non appena il sensore osserva il traffico | Settimane o mesi di lavoro di tagging |
| Copertura | 100% dei workloads attribuiti | 43% dei costi tracciati a livello di unità (media di settore) |
| Risorse condivise | Allocate in base al consumo effettivo | Divisioni uniformi, pro-rata o stime approssimative |
| Costo per cliente | Rilevato automaticamente dal traffico a runtime | Il concetto di cliente non esiste |
| Spesa AI e LLM | Allocazione a livello di token per cliente, funzionalità o team | Solo la spesa totale |
| Infrastruttura self-managed (Kafka, Elasticsearch su EC2) | Il sensore vede dentro il workload | Invisibile negli export di fatturazione |
| Costi di rete | Ricondotti al workload che ha generato il traffico | Non attribuibili |
| Manutenzione continua | Nessuna. L'attribuzione segue il traffico | Applicazione delle policy, engineer da rincorrere, pulizie trimestrali |
ha già investito nei tag?
I team che hanno dedicato anni al tagging temono che l'investimento sia sprecato. Non lo è: tutto ciò che hanno costruito continua a funzionare.
Attribute™ acquisisce i tag esistenti come un segnale in più. La differenza è che l'attribuzione non dipende più da essi. Il 57% della spesa che i suoi tag non hanno mai raggiunto viene comunque allocato, e il backlog di tagging smette di bloccare showback, chargeback e margini per cliente.
Attribute™ sostituisce mesi di programmi di tagging con un sensore runtime leggero
Gli altri strumenti FinOps leggono i suoi export di fatturazione. Attribute™ legge i dati a runtime e mappa i costi sul workload che li ha generati. Attribuisca all'istante la spesa AI, di rete, dei database e le altre spese condivise a clienti, workloads e funzionalità.
Il sensore è di sola lettura e viene eseguito in sandbox nel kernel. Attribute™ è certificato SOC 2 Type 2 e ISO 27001, ed è una FinOps Certified Platform.
AICPA
SOC 2
AICPA
ISO 27001
FinOps
Platform
ogni picco ha un proprietario e una spiegazione.
Poi inizia l'indagine: giorni di archeologia dei tag, scavi nelle dashboard e thread su Slack per scoprire il "perché". Attribute™ salta l'indagine.
tre cose che finalmente può fare
Ognuna di queste attività normalmente resta in attesa di un programma di tagging che non finisce mai. Attribute le rende possibili dal primo giorno.
Allochi l'infrastruttura condivisa tra i team in base all'utilizzo reale. Ogni stakeholder, dall'engineering al finance, lavora sugli stessi numeri, e i report di costo smettono di essere contestati.
COGS e margine per account, rilevati automaticamente dal traffico. Un cliente ha individuato oltre 360 account in cui i costi superavano i ricavi: più di 1,3 milioni di dollari di perdite prima invisibili.
Attribuzione a livello di token per cliente, funzionalità e team su OpenAI, Anthropic, Bedrock e Vertex AI. Funziona con gateway LLM gestiti e self-hosted.
Abbiamo eliminato la necessità di taggare migliaia di risorse. Attribute ci ha dato piena visibilità sui costi senza bisogno di alcun tag.
Ziv Sivan, VP of Engineering at Akamai
FinOps senza tagging
Installi in 30 minuti e veda l'allocazione per cliente, funzionalità e team entro la prossima settimana. Tenga i tag che ha già e si liberi della dipendenza da essi.
Sì. Il tagging è uno dei metodi di allocazione dei costi, non un requisito del FinOps. L'attribuzione a runtime legge il traffico live per determinare quale team, cliente o funzionalità ha consumato ogni risorsa, ottenendo un'allocazione fuori dalla portata dei tag: infrastruttura condivisa, workloads AI, traffico di rete e costi per cliente in ambienti multi-tenant.
Il tagging ha tre problemi strutturali. La copertura si degrada, perché i tag richiedono un impegno umano continuo. L'infrastruttura condivisa non può essere suddivisa con precisione, perché un tag assegna un solo proprietario per risorsa. E le categorie di spesa in più rapida crescita, AI e rete, non hanno alcuna superficie taggabile. I dati di settore mostrano che solo il 43% dei costi cloud viene tracciato a livello di unità.
No. I tag esistenti continuano a funzionare e Attribute li usa come segnale aggiuntivo. L'attribuzione però non dipende più da essi, quindi la spesa non taggata o non taggabile viene comunque allocata.
Un sensore eBPF leggero osserva il traffico di rete a runtime. La deep packet inspection identifica workloads, identificatori dei clienti e chiamate ai modelli direttamente nel traffico, quindi li correla con i dati di fatturazione per allocare ogni dollaro in base al consumo effettivo. Non sono richieste modifiche al codice o alla configurazione.
La maggior parte dei clienti vede i dati attribuiti il giorno stesso. Il sensore si installa in circa 15 minuti e l'attribuzione inizia non appena osserva il traffico.
Sì. Il sensore legge il traffico in entrata e in uscita dai gateway LLM e dagli endpoint API su OpenAI, Anthropic, Bedrock, Azure OpenAI e Vertex AI, attribuendo il consumo di token al cliente, alla funzionalità o al team che ha generato ogni chiamata.
Sì. eBPF viene eseguito in sandbox nel kernel ed è la stessa tecnologia alla base dei principali strumenti di observability e sicurezza. Il sensore è di sola lettura, non richiede modifiche alle applicazioni e Attribute è certificato SOC 2 Type 2 e ISO 27001.
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
