Attribute™ vorgestellt: Runtime-Kostenzuordnung für KI und Shared Cloud Infrastructure

Ihre KI-Rechnung kommt als eine einzige Position. Ab heute zeigt Ihnen Attribute™ präzise, wer und was dahintersteckt.

Das Attributionsproblem ist Tagging längst entwachsen

Kostenzuordnung wurde für eine Zeit entwickelt, in der sich Infrastruktur sauber auf Verantwortliche abbilden ließ: ein Service, eine VM, ein Tag. Dieses Modell trägt nicht mehr. Moderne Workloads laufen auf gemeinsam genutzten Kubernetes-Clustern, mandantenfähigen Datenbanken, gepoolten GPU-Flotten und zentralen LLM-Gateways — also auf Ressourcen, die per Definition keinen einzelnen Eigentümer haben, dem sich ein Tag zuweisen ließe. Die Branchendaten belegen die Lücke: Nur 43 % der Cloud-Kosten werden auf Unit-Ebene erfasst (Gartner, 2025). Der Großteil der Ausgaben auf einer modernen Cloud-Rechnung lässt sich mit tag-basierten Werkzeugen strukturell nicht zuordnen.

KI hat die Lage drastisch verschärft. Ob die Inferenz über OpenAI, Anthropic oder Bedrock läuft — die Rechnung erscheint als einzelne Position. Auf einem Token klebt kein Tag. Sie sehen nicht, welcher Kunde Ihren Inference-Endpoint aufgerufen hat, welches Feature eine Completion ausgelöst hat, welcher Agent sich in eine Retrieval-Kette verzweigt hat oder welcher Trainingslauf die meisten GPU-Stunden verbraucht hat. Da KI-Ausgaben zu einem zentralen Bestandteil der COGS werden, ist diese Intransparenz keine technische Lästigkeit mehr — sie ist ein Margenproblem.

So funktioniert Attribute™

Attribute geht einen grundlegend anderen Weg: Statt Ressourcen zu labeln, wird der Verbrauch zur Laufzeit beobachtet.

Ein schlanker eBPF-Sensor lässt sich in rund 15 Minuten in Ihren Clustern ausrollen — ohne Anwendungs-Instrumentierung, ohne Konfigurationsänderungen. Auf Kernel-Ebene beobachtet der Sensor den Netzwerkverkehr zu jeder Ressource — LLM-APIs, GPU-Workloads, Datenbanken, Object Storage, Message Queues wie Kafka und RabbitMQ — und ordnet Kosten anhand der tatsächlichen Nutzung zu, nicht anhand statischer Labels. Deep Packet Inspection erkennt Kunden-IDs, Mandanten, Partner und Bots direkt im Datenstrom. So erreicht die Zuordnung auch Entitäten, die sich noch nie taggen ließen. Einen Kunden kann man nicht taggen; Attribute muss das auch nicht.

Das Ergebnis: verbrauchsbasierte Zuordnung auf drei Ebenen, an die klassische Tools nicht herankommen:

KI- und LLM-Kosten. Jeder Token-Aufruf wird auf das Team, den Kunden, das Feature oder den Agenten zurückgeführt, der ihn ausgelöst hat — aufgeschlüsselt nach Modell, Anbieter und Workload. GPU-Stunden werden dem konkreten Job oder Experiment zugeordnet, das sie verbraucht hat. Sie sehen die tatsächlichen TCO jeder KI-Funktion, die Sie ausliefern — Inferenz plus die dahinterliegenden Compute-, Datenbank- und Datentransferkosten — unabhängig davon, ob die Ausgaben in AWS, Google Cloud, Azure oder bei Drittanbietern wie OpenAI, Anthropic, Snowflake und MongoDB Atlas anfallen.

Shared Infrastructure. Mandantenfähige Cluster, gemeinsam genutzte Datenbanken und Message Queues werden nach beobachtetem Laufzeitverbrauch aufgeteilt — nicht nach willkürlichen Verteilungsschlüsseln. Showback und Chargeback ergeben sich automatisch aus der Messung, statt quartalsweise in Excel ausgehandelt zu werden.

Netzwerk und Datentransfer. Egress-Gebühren, Cross-AZ-Transfer und NAT-Gateway-Kosten zählen zu den intransparentesten Posten jeder Cloud-Rechnung, weil die Abrechnungsdaten keine Quellenzuordnung enthalten. Da Attribute den Traffic direkt an der Quelle beobachtet, erkennt es genau, welcher Workload den Transfer erzeugt hat — und schließt damit einen blinden Fleck, den kein Tool auf Basis von Tags oder Billing-Daten adressieren kann.

Vom Kostenreport zur Kostenerklärung

Der Unterschied ist qualitativer Natur. Ein herkömmliches Tool meldet Ihnen, dass die EC2-Ausgaben im Monatsvergleich um 17 % gestiegen sind — eine Zahl ohne Kontext, die Ihr Team tagelang in Tag-Archäologie verstrickt. Attribute sagt Ihnen: Der Verbrauch eines bestimmten Kunden liegt um 44.000 $ höher, bei 50 Mio. zusätzlichen Tokens, ausgelöst durch das Auto-Summary-Feature, das letzten Monat live gegangen ist. Nutzung, verknüpft mit der dahinterliegenden Geschäftstätigkeit: Finance erhält COGS und Marge pro Kunde und Tarifstufe; Engineering bekommt eine präzise Antwort und kann weiterbauen; Product erhält Unit Economics, um KI-Funktionen auf Basis realer Margen zu bepreisen — nicht auf Basis von Annahmen.

Loslegen

Die Installation dauert rund 15 Minuten. COGS pro Kunde, pro Feature und pro Team liegen in der Regel innerhalb der ersten Woche vor — ohne Tagging-Kampagne, ohne Data-Pipeline-Projekt, ohne Code-Änderungen.

Demo buchen →