August 2026 im Rückblick: KI-Ausgaben werden aufgeschlüsselt, CloudFlow wird wirklich Multi-Cloud, Kubernetes bekommt Guardrails

Wissen, was Ihre KI wirklich kostet

Das Muster ist bei jeder neuen Integration dasselbe: Konto verbinden, und die Kosten erscheinen in Cloud Analytics mit den Dimensionen, die für den jeweiligen Anbieter relevant sind – bereit für Budgets, Alerts, Allocations und Anomalie-Erkennung.

• OpenRouter. Abgerechnete Kosten pro Modell und pro Hosting-Anbieter. Wenn Sie einen Workload aus Latenz- oder Preisgründen über drei Anbieter routen, sehen Sie jetzt, welchen Weg das Geld genommen hat.
• xAI. Grok-API-Kosten nach Modell, Nutzungsart und API-Key. Die API-Key-Dimension ist die, nach der Teams fragen – denn so lassen sich Ausgaben einem Service zuordnen.
• Fireworks AI. Kosten und Nutzung nach Modell, Deployment-Typ und GPU, inklusive Budgets und Attribution. Dedizierte Deployments und Serverless sind nebeneinander sichtbar.
• Snowflake und Databricks, tiefer attribuiert. GenAI Intelligence zeigt jetzt, wer wie viel für welches KI-Produkt ausgibt – von einzelnen Snowflake-Queries bis zu Databricks-Workloads. Gemeinsames Warehouse, Antwort pro Team.
• Anthropic-Ausgabenberichte ohne manuelle Konvertierung. DataHub-Schema-Templates verarbeiten CSV-Dateien im nativen Anbieterformat direkt. Aus der Anthropic-Konsole exportieren, hochladen, fertig.
• Die Self-Hosting-Frage, mit Daten beantwortet. compute.doit.com simuliert jetzt die Entscheidung "Sollen wir ein offenes Modell selbst hosten oder weiter pro Token zahlen?" auf drei Wegen: ein Deployment dimensionieren, bereits vorhandene Hardware bewerten oder Ihre Anthropic- oder OpenAI-Rechnung einfügen und ein differenziertes Urteil erhalten, welche Anteile sich gleichwertig auf ein offenes Modell abbilden lassen. Alles dahinter – täglich erhobene GPU-Preise, vLLM-Durchsatz-Benchmarks, die Closed-to-Open-Äquivalenztabelle – ist zugleich eine kostenlose REST-API ohne Key mit llms.txt-Einstiegspunkt, sodass Ihre Agents dieselbe Analyse in vier GET-Requests durchführen können.

CloudFlow: mehr Clouds, mehr Kontrollfluss

CloudFlow hat die Aufgabe, FinOps-Runbooks in Automatisierung zu verwandeln. Der August hat sowohl die Reichweite als auch die Entscheidungslogik erweitert.

• Support für Oracle Cloud. Dieselben Flows, die Sie auf AWS, Google Cloud und Azure ausführen, funktionieren jetzt auch mit Oracle Cloud.
• Azure-Support (Early Preview). Azure-Aktionen und -Trigger neben den anderen Clouds.
• OpenAI- und Anthropic-Admin-APIs. Ausgaben-Guardrails, API-Key-Hygiene und Nutzungsreports für Ihre LLM-Anbieter – als Flow-Nodes. Rotieren Sie veraltete Keys nach Zeitplan oder alarmieren Sie jemanden, wenn die Tagesausgaben eine Grenze überschreiten.
• Switch-Node. Leiten Sie jedes Ergebnis anhand eines Feldwerts auf den richtigen Pfad. Für Entscheidungen mit mehreren Ausgängen müssen Sie keine Branch-Nodes mehr stapeln.
• Parallel-Paths-Node. Teilen Sie einen Flow in unabhängige Pfade auf, damit sich Aufgaben, die nichts miteinander zu tun haben, keine Sequenz mehr teilen – und ein Fehler in einem Pfad die anderen weiterlaufen lässt.
• Datastore kann SQL. Datastore-Tabellen mit PostgreSQL direkt im Flow abfragen, umformen und pflegen. Joins, Aggregationen und Aufräum-Jobs, ohne irgendetwas zu exportieren.
• E-Mail-Trigger. Jeder veröffentlichte Flow kann eine eigene E-Mail-Adresse haben. Eine E-Mail dorthin, und der Flow läuft. Praktisch, um alles anzubinden, was E-Mails senden kann – also alles.
• Flows exportieren und importieren (Preview). Zwei API-Operationen und passende CLI-Befehle serialisieren einen Flow inklusive Subflows in ein einziges JSON-Bundle – ohne Zugangsdaten oder Tenant-Zustand – und importieren ihn als Entwurfs-Flows in einen anderen Tenant. Einmal bauen, von Staging nach Production überführen oder einen funktionierenden Flow an ein Schwesterteam übergeben.

Sehen, aufschlüsseln, abfangen: Cloud Analytics

• Trend-Erkennung, neu gebaut. Die "Was ist im Trend"-Analyse zeigt jetzt Veränderungen, die wirklich zählen – entwickelt für Menschen und Agents gleichermaßen. In unseren eigenen Tests hat der neue Detektor das Rauschen drastisch reduziert, ohne die echten Kostentreiber zu verlieren.
• Geteilte Kosten nach Nutzungsmetriken aufteilen. Allocation-Treiber können jetzt aus Observability-Plattformen wie Datadog oder Prometheus stammen, sodass geteilte Kosten dem tatsächlichen Verbrauch folgen – statt einem festen Prozentsatz, der im letzten Quartal noch gestimmt hat.
• Workflow für Anomalie-Triage. Review-Status, Kommentare und Aktivitätsverlauf zu jeder Kostenanomalie. Die Erkennung war nie das Schwierige – sondern zu wissen, wer sich das angesehen hat und was entschieden wurde.
• Dashboard-Filter nach Service, Projekt, Region und mehr. Dashboards ließen sich bisher nach Allocations filtern. Jetzt filtern sie nach den Dimensionen, in denen viele Teams tatsächlich denken.
• Jedes Widget in einem Schritt duplizieren. Dashboards zu bauen heißt meist: Variationen eines Themas – derselbe Report, anderer Zeitraum oder anderes Group-by. Duplizieren und anpassen statt neu bauen.
• Periodenübergreifende Trend-Charts für Tages- und Wochenbudgets. Verfolgen Sie die Ausgaben pro Periode im Vergleich zum Budget über die letzten 30 Tage oder 16 Wochen – so wird ein Budget zur Trendlinie statt zum Urteil eines einzelnen Monats.
• Cloud Intelligence™ in Grafana. Live-Cloud-Kostendaten in den Dashboards, die Sie ohnehin betreiben – ab sofort für alle Cloud Intelligence™-Kunden verfügbar. Korrelieren Sie Ausgaben mit den operativen Metriken daneben und alarmieren Sie bei Kosten genauso wie bei Latenz.

PerfectScale: Kubernetes-Optimierung mit besserem Urteilsvermögen

• Erkennung mutmaßlicher CPU-Runaways. Wenn wiederholte CPU-Erhöhungen den Ressourcendruck nicht beheben, ist das ein Workload-Problem, keine Frage der Nachfrage. PerfectScale markiert diese Container jetzt und pausiert weitere Erhöhungen bei konfigurierbaren Schwellenwerten, die Sie im Automations-YAML festlegen.
• ResourceQuota-Support im Full Mode. Workloads in quota-beschränkten Namespaces lassen sich jetzt per Right-Sizing bis an die Quota-Grenzen anpassen – Governance deckelt die Optimierung nicht mehr stillschweigend.
• Unevictable Pods, jetzt per API behebbar. Unevictable Pods blockieren das Herunterskalieren von Nodes und begrenzen unbemerkt die Elastizität des Clusters. Sie sind jetzt programmatisch sichtbar und behebbar.
• InfraFit Public API. Node-Auslastung, Effizienzdaten und Erkenntnisse zur Infrastruktur-Optimierung – verfügbar für Ihr eigenes Tooling.
• Workloads nach JVM-Runtime filtern. Finden Sie jeden Java-Workload in einem Cluster mit einem Klick, ganz ohne Labels. Das Speicherverhalten von Java ist eine Disziplin für sich – und hat jetzt einen eigenen Filter.
• Flexible CUDs von Google Cloud in PerfectScale for Commitments. Kontinuierliche Nutzungsanalyse und ein gestaffelter Kaufplan für flexible Commitments in Compute Engine, GKE und Cloud Run – ausgeführt mit Freigaben oder autonom innerhalb der Guardrails, die Sie definieren. Der Support für Cloud SQL folgt als Nächstes.
• Zahlen im Format Ihrer Region. Ein Detail – aber wenn Sie schon einmal 1.000 als Eins gelesen haben, wissen Sie, warum es dieses Update gibt.