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
Cloudability hat FinOps mit erfunden. In der Praxis muss die Umsetzung trotzdem noch immer jemand erledigen.
IBM Cloudability – das Flaggschiff von Apptio, 2023 von IBM übernommen – bringt echte Reputation mit: Apptio hat die FinOps Foundation gegründet, Business Mappings setzen den Maßstab für Enterprise-Chargeback, und Gartner führt IBM 2025 als Leader im Magic Quadrant für Cloud Financial Management. Für Allokation, Budgetierung und Finance-taugliches Reporting ist Cloudability ein Schwergewicht.
Cloud Intelligence™ geht einen Schritt weiter – hin zur Umsetzung. Eine Plattform, flache Preise. Composer sagt Ihnen, was zu beheben ist, CloudFlow behebt es, PerfectScale übernimmt das Right-Sizing für Kubernetes und Data Warehouses autonom, PerfectScale for Commitments staffelt Savings Plans und CUDs über AWS und GCP hinweg, und Runtime Attribution ordnet jeden Dollar dem Kunden zu, der ihn verursacht hat – ohne Tagging, ohne Ticket-Queue und ohne prozentuale Beteiligung an Ihren Ausgaben.
Wo sich beide Plattformen wirklich unterscheiden – und wo Cloudability seinen Ruf zu Recht behält. Wir bemühen uns, in beiden Punkten präzise zu sein.
Cloudabilitys Business Mappings sind die ausgereifteste Allokations-Engine im Enterprise-FinOps: eine deklarative Regelsprache, die Kosten Business Units, Anwendungen und Cost Centern zuordnet – auf Wunsch aus ServiceNow-CMDB-Daten als Single Source of Truth. Für Finance-taugliches Chargeback in einer sauber governten Landschaft ist Cloudability nicht ohne Grund gesetzt. Eine Regel-Engine kann aber nur mit den Metadaten arbeiten, die sie bekommt. Ein Multi-Tenant-K8s-Cluster hat einen Satz Tags. Eine geteilte GPU, die fünfzig Kunden bedient, hat einen Satz Tags. Egress, NAT, Cross-AZ – nichts davon lässt sich überhaupt taggen. Gartner beziffert Unit-Level-Allokation über tag-basierte Ansätze auf rund 43 % der Cloud-Kosten. Die verbleibenden 57 % sind genau die Ausgaben, nach denen Finance immer wieder fragt. Runtime Attribution ist in Cloud Intelligence™ First-Class-Funktionalität. Ein leichtgewichtiger Sensor auf Kernel-Ebene (eBPF) beobachtet Traffic und Ressourcenverbrauch direkt auf dem Host und rekonstruiert, welcher Kunde welchen Inference-Endpoint getroffen hat, welcher Job welches Teams welche GPU-Stunde verbraucht hat und welcher Workload welche Egress-Bytes erzeugt hat.
Runtime-Kostenattribution – ohne Tagging
Cloudabilitys Optimierungs-Workflow ist ehrlich in seinem Ansatz: Die Rightsizing-Engine (mit Turbonomic-gestützten "Advanced"-Empfehlungen im Premium-Tier) speist Policies, die automatisch Jira-Issues oder ServiceNow-Requests öffnen. Eine Rightsizing-ROI-Ansicht zeigt, welche Tickets bearbeitet und welche Einsparungen tatsächlich realisiert wurden. Unter den Recommendation-to-Ticket-Pipelines ist das die am besten gebaute am Markt. Es bleibt trotzdem eine Ticket-Pipeline. Die Empfehlung landet in der Queue eines Engineers – und genau in dieser Queue verpuffen Cloud-Einsparungen erfahrungsgemäß. Automatisierte Ausführung gibt es an den Rändern – Terminierung verwaister Ressourcen, geplantes Parken von Instanzen –, aber der eigentliche Optimierungs-Loop endet im ITSM. CloudFlow ist eine Ausführungsschicht. Visuell, wo es sinnvoll ist, und code-erweiterbar, wo es sein muss – mit Rollback-Sicherheit und über 40 produktionsreifen Templates. Und die über 800 Composer-Rezepte kommen mit einem Policy-Editor: Sie schreiben eigene Policies gegen Ihre eigenen Daten, simulieren sie gegen historische Zeiträume und setzen sie dann in Produktion durch. Aus dem Finding wird die Aktion – nicht ein Ticket über die Aktion.
// Heute produktiv laufende CloudFlows
Cloudabilitys Reporting und Planung rund um Commitments ist wirklich stark – Coverage, Utilization, Amortisierung und Kaufmodellierung, denen Finance-Teams vertrauen. Und das Savings-Automation-Modul (aus der Cloudwiry-Übernahme) automatisiert das Management von AWS Reserved Instances tatsächlich, inklusive laufzeitflexibler Reservierungsstrategien, an die manueller Einkauf nicht heranreicht. Der Haken liegt im Umfang: Die Automatisierung dreht sich um AWS-RIs. Für Savings Plans, Azure- und GCP-Commitments gibt es Empfehlungen und Planungstools – Kaufentscheidung und Umsetzung liegen bei Ihnen. PerfectScale for Commitments übernimmt die Kaufentscheidung cloud-übergreifend. Stündliche Nutzungsanalyse über rollierende Zeiträume. Gestaffelte Käufe von AWS Savings Plans, Database Savings Plans und GCP CUDs. Freigabeschwellen, Ausgabenlimits, Pacing-Kontrollen. Vollautonom oder mit Freigabegate – enthalten zu flachen Preisen.
// Der Commitment-Umfang
IBM hat Kubecost 2024 übernommen, und Cloudabilitys Advanced-Containers-Add-on läuft jetzt auf Kubecost: granulare Allokation nach Cluster, Namespace und Workload, Container-Rightsizing-Empfehlungen und Effizienz-Scoring. Solide Telemetrie mit starker Open-Source-Herkunft. Zwei Einschränkungen. Es ist ein Add-on – Container-Tiefe kostet extra, obendrauf auf eine Plattform, die ohnehin schon prozentual zu Ihren Ausgaben abgerechnet wird. Und der Loop endet weiterhin bei Empfehlungen, die als Tickets ausgeliefert werden; das dauerhafte Right-Sizing von Requests und Limits bleibt die wiederkehrende Pflichtaufgabe Ihrer Engineers. PerfectScale for Kubernetes schließt diesen Loop in der Basisplattform. Autonomes, workload-bewusstes Right-Sizing auf Pod- und Container-Ebene, GPU-Auslastung getrennt erfasst, stabilitätsorientierte Guardrails pro Umgebung. Kunden erzielen typischerweise 30–50 % geringere K8s-Kosten.
// K8s im Direktvergleich
Mit Cloudability Governance (2025) kam Sichtbarkeit für KI- und GPU-Ausgaben hinzu – ein klares Zugeständnis, dass KI der am schnellsten wachsende Posten auf der Rechnung ist. Kombiniert mit Unit Economics und Business Mapping zeigt es Ihnen, was Ihre KI-Initiativen kosten. Was es nicht leistet: diese Zahl kleiner machen. Kein Audit von Inference-Pipelines, kein Modell- oder GPU-Right-Sizing, keine Attribution von KI-Ausgaben pro Kunde auf geteilter Infrastruktur. Bei Datenplattformen dasselbe Muster: Kostentransparenz ohne Optimierung auf Warehouse-Ebene. Cloud Intelligence™ behandelt beides als Optimierungsflächen. GenAI Intelligence trackt 9 KI-Anbieter und eigene Modelle – pro Kunde, pro Feature, pro Unit – während PerfectScale GenAI Inference-Pipelines auf Verschwendung prüft und Composer-Rezepte die Cache-Effektivität von Bedrock inklusive Remediation-Pfaden abdecken. PerfectScale for Snowflake automatisiert Warehouse-Right-Sizing, Idle-Suspension und Query-Effizienz – mit Kosten-Impact-Preview vor dem Commit.
// Was tatsächlich anders ist
Wer genauer hinsieht, erkennt: Die Execution-Story von IBM ist aus Akquisitionen zusammengesetzt, jede mit eigener SKU: Cloudability für Sichtbarkeit, Turbonomic für Advanced-Rightsizing-Empfehlungen, Kubecost für Container, Cloudwiry für AWS-RI-Automatisierung und IBM-Consulting-Engagements, die das Ganze zu einem Workflow zusammenfügen. Jedes Teilstück für sich ist glaubwürdig. Das Gesamtwerk ist eine Lizenzierungs-Übung – Tier-Schranken (Essentials, Standard, Premium, Financial Planning), Add-ons und Overage-Gebühren pro Unit türmen sich auf die prozentuale Ausgabenbasis. Cloud Intelligence™ liefert Sichtbarkeit, Allokation, Anomalie-Erkennung, Composer-Empfehlungen, CloudFlow-Ausführung, PerfectScale-Workload-Optimierung und Commitment-Automatisierung als eine Plattform zu flachen Preisen. Und statt eines Consulting Statement of Work bringt DoiT Forward Deployed Engineers mit – Engineers, die Code in Ihrer Umgebung schreiben: Architektur-Reviews, K8s-Tuning, Inference-Audits, Bereitschaft, wenn Production kippt.
// Der Stack, den Sie tatsächlich lizenzieren
Cloudability rechnet als Prozentsatz der verwalteten Ausgaben ab – rund 3,0 % bei 1 Mio. $ jährlicher Cloud-Ausgaben, absteigend auf etwa 2,2 % bei 6 Mio. $ laut den AWS-Marketplace-Tiers – auf Jahresverträgen, mit Overage-Gebühren pro Unit, sobald Sie Ihr vertragliches Spend-Cap überschreiten (1.650–4.410 $ pro Unit je nach Tier). Unabhängige Reviews stufen die Plattform unterhalb von rund 3 Mio. $ jährlicher Ausgaben nur selten als wirtschaftlich ein, und Referenzkunden berichten nach der IBM-Übernahme von Preissteigerungen bei Renewals von 15–35 %. Das strukturelle Problem ist keine einzelne Zahl. Es ist, dass die Gebühr an Ihre Rechnung gekoppelt ist, nicht an Ihr Ergebnis: Mehr Ausgaben bedeuten mehr Gebühren – unabhängig davon, ob die Einsparungen kommen. DoiT ist flach: Plattformpreise, die nicht mit Ihrer Rechnung skalieren, oder gebündelt mit Multi-Cloud-Procurement – DoiT vertreibt AWS, GCP und Azure ohne Aufschlag weiter, und die Konsolidierung finanziert die Plattform häufig komplett. Kein Prozentsatz auf Ausgaben. Kein Prozentsatz auf Einsparungen. Kein Overage-Zähler.
// Kommerzielles Modell
Keine Marketing-Kategorien. Die Fragen, die FinOps-Praktiker bei der Bewertung wirklich stellen. Auf Basis öffentlicher Dokumentation beider Seiten.
| Capability | Cloud Intelligence™ | Cloudability |
|---|---|---|
| // Attribution & Allokation | ||
| Kostenallokation über Multi-Cloud, K8s, Datenplattformen, KI | Nativ Out of the box, mehrere Methoden: Usage %, Utilization, Shared-Cost-Spreads. | Business Mappings Deklarative Regel-Engine mit ServiceNow-/CMDB-Integration; der Enterprise-Chargeback-Benchmark. |
| Tag-lose / Runtime-Kostenattribution | Nativ Telemetrie auf Kernel-Ebene (eBPF). Kein Tagging und keine Mapping-Regeln nötig. | Nur regelbasiert Business Mappings leiten aus Tags und Metadaten ab; Runtime-Traffic können sie nicht beobachten. |
| COGS pro Kunde ohne Tagging | Nativ Runtime-Beobachtung von Kunden-Identifiern im Request-Stream. | Über Mappings + Unit Economics Setzt eigene Regeln und identifizierbare Metadaten voraus. |
| Netzwerkkosten-Attribution (Egress, NAT, Cross-AZ) pro Workload | Nativ Workload-Level-Attribution aus beobachtetem Runtime-Traffic. | Aggregiert / tag-abgeleitet |
| // Workload-Optimierung | ||
| K8s-Kostenallokation (Pod / Namespace / Cluster) | Nativ | Kubecost-gestützt Advanced-Containers-Add-on (Aufpreis). |
| Autonomes K8s-Right-Sizing (Pod, Container, GPU) | PerfectScale Workload-bewusst, stabilitätsorientiert, autonome Ausführung. Typische Reduktion 30–50 %. | Empfehlungen Kubecost-Container-Sizing-Empfehlungen als Tickets; keine autonome Ausführung. |
| Snowflake-Optimierung (Warehouse + Query + Idle) | PerfectScale for Snowflake Automatisiertes Right-Sizing, Idle-Suspension, Query-Effizienz. | Kostentransparenz Kein Warehouse-Right-Sizing und kein Query-Tuning. |
| Databricks-Optimierung | Visibility, Insights & Optimization | Kostentransparenz |
| Sichtbarkeit von KI-/LLM-Kosten | 9 KI-Anbieter & eigene Modelle pro Kunde, pro Feature, pro Unit | Cloudability Governance KI- & GPU-Ausgabensichtbarkeit (2025); keine Attribution pro Kunde. |
| Optimierung von KI-Workloads (Inference, GPU, Modellauswahl) | PerfectScale GenAI + Composer | Nur Sichtbarkeit |
| // Commitments & Rate-Optimierung | ||
| Autonomer Commitment-Einkauf – Cloud-Abdeckung | AWS + GCP SPs, DBSPs und Compute Engine CUDs. Gestaffelt, gegen stündliche Nutzung validiert, autonom oder mit Freigabegate. | Nur AWS-RIs Savings Automation (ex-Cloudwiry) automatisiert das AWS-RI-Management. Savings Plans, Azure, GCP: nur Empfehlungen und Planung. |
| Commitment-Modellierung & Amortisierungs-Reporting | Vereinheitlicht, Multi-Cloud | RI/SP-Planungssuite Ausgereiftes Reporting zu Coverage, Utilization und Amortisierung. |
| Kosten der Commitment-Automatisierung | Enthalten Flache Plattformpreise. 0 % der Einsparungen als Gebühr. | Über Tier/Add-on Auf einer Plattform, die mit ~2,2–3 % der verwalteten Ausgaben plus Overages pro Unit bepreist ist. |
| // Intelligence & Automatisierung | ||
| Anomalie-Erkennung | Echtzeit, mit Topologie-Kontext | ML-basiert Alerts per E-Mail und Slack. |
| Kuratierte Recommendation-Engine | Composer – über 800 Rezepte Mit eigenem Policy-Editor + historischer Simulation. | Rightsizing-Engine Basis + Turbonomic-gestützte Advanced-Empfehlungen (Premium-Tier). |
| Eigene Policies mit historischer Simulation schreiben | Nativ Schreiben, gegen die Historie simulieren, dann durchsetzen. | Threshold-Policies → Tickets Trigger auf Sparziele für Jira/ServiceNow; keine historische Simulation. |
| Agentischer KI-Assistent | FinOps AI | Nicht verfügbar |
| MCP-Server für LLM-Zugriff auf Kostendaten | Nativ | Nicht verfügbar |
| Automatisierung / Remediation auf Infrastrukturebene | CloudFlow Führt Änderungen bereits heute aus. Visuell + Code, über 40 Templates, Rollback-Sicherheit. | Automatisierung am Rand Terminierung verwaister Ressourcen, Ressourcen-Parken; Kernoptimierungen laufen als ITSM-Tickets. |
| Architektur- / Ressourcengraph mit Kosten-Overlay | Cloud Diagrams Live-Topologie mit Kosten- + Performance-Overlays. | Nicht verfügbar |
| // Integrationen | ||
| Ingestion von Kosten- / Billing-Daten | Breite Abdeckung AWS, GCP, Azure, K8s, Snowflake, Databricks, BigQuery, Datadog, MongoDB, OpenAI, Anthropic und weitere. | Breite Cloud-Abdeckung AWS, Azure, GCP, OCI, IBM Cloud, K8s, On-Prem-Landschaften. |
| Ticketing- & Work-Tracking-Integrationen | Jira, Asana, GitHub Issues | Jira, ServiceNow Tiefe policy-gesteuerte Ticket-Automatisierung mit ROI-Tracking. |
| Kommunikations-Integrationen | Slack, Teams, Discord, Gmail | Slack, E-Mail |
| Incident-Management-Integrationen | PagerDuty | Nicht verfügbar |
| Allgemeine Workflow-Automatisierung | Zapier (über 2.000 Apps) + Plattform-APIs | APIs Kein Fan-out auf App-Ebene. |
| // Procurement, Preise & Experten | ||
| Multi-Cloud-Procurement / -Billing | Optionales Cloud-Procurement, ohne Aufschlag AWS / GCP / Azure. Plattformzugang gebündelt. | Nur Plattform |
| Preismodell | Flach / gebündelt Nirgendwo prozentuale Beteiligung an Ausgaben. | % der verwalteten Ausgaben ~2,2–3 % auf Jahresverträgen; Overage-Gebühren pro Unit (1.650–4.410 $) über dem vertraglichen Cap. |
| Enthaltene Expertise | Forward Deployed Engineers Schreiben Code in Ihrer Umgebung. K8s-Tuning, Inference-Audits, Incident Response. | IBM Consulting Implementierung und Managed FinOps als separate Engagements. |
| Zeit bis zu den ersten realisierten Einsparungen | Tage Sofort einsatzbereite Rezepte greifen ab dem Connect; Execution-Engines setzen sie um. | Wochen bis Monate; Sie implementieren Zuerst Mapping-/Report-Setup; Empfehlungen sind Engineering-Arbeit (außer AWS-RIs). |
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
Eliminating the need to tag thousands of resources has freed up my team and we've invested our efforts in enhancing our platform significantly.
Ziv Sivan, VP of Engineering
Ja. IBM Cloudability ist eine Enterprise-FinOps-Plattform mit Fokus auf Sichtbarkeit, Allokation und Finanzplanung – Business Mappings für Chargeback, Budgets und Forecasts, Anomalie-Erkennung, Rightsizing-Empfehlungen und Commitment-Planung. DoiT Cloud Intelligence™ deckt dieses Terrain ab und geht dann weiter in die Umsetzung: Infrastruktur-Remediation (CloudFlow), autonome Workload-Optimierung (PerfectScale for Kubernetes und Snowflake), Commitment-Automatisierung über AWS und GCP (PerfectScale for Commitments), Runtime-Kostenattribution ohne Tagging und Forward Deployed Engineers, inklusive in der Plattform.
Wo der Loop endet. Cloudabilitys Optimierungs-Workflow endet in einem Ticket – die Policy-Engine öffnet aus Rightsizing-Empfehlungen Jira- oder ServiceNow-Requests, und Ihre Engineers setzen sie um. DoiT ist eng mit dem Engineering verzahnt und schließt den Ablauf innerhalb der Plattform: CloudFlow führt Infrastrukturänderungen aus, PerfectScale rightsized Workloads autonom, und Commitments werden über AWS und GCP hinweg automatisch gekauft. Bei der Preisgestaltung dieselbe Trennlinie: Cloudability berechnet einen Prozentsatz der verwalteten Ausgaben; DoiT ist flach.
Apptio (die Muttergesellschaft von Cloudability) wurde 2023 für rund 4,6 Mrd. $ von IBM übernommen, und IBM hat weiter investiert: Kubecost wurde 2024 übernommen und treibt heute das Advanced-Containers-Add-on an; 2025 kam Cloudability Governance für Sichtbarkeit von KI- und GPU-Ausgaben hinzu. IBM ist im Gartner Magic Quadrant 2025 für Cloud Financial Management Tools als Leader positioniert. Die Kehrseite laut Referenzkunden: Die Preisgestaltung bei Renewals hat sich nach der Übernahme verschärft, mit 15–35 % Steigerungen im Jahr 2025, und fortgeschrittene Funktionen sitzen zunehmend hinter Tier-Schranken und Add-on-SKUs.
Teilweise – mit Fokus auf AWS Reserved Instances. Das Savings-Automation-Modul (aus der Cloudwiry-Übernahme) automatisiert das AWS-RI-Management, inklusive laufzeitflexibler Reservierungsstrategien. Für Savings Plans, Azure- und GCP-Commitments gibt es Empfehlungen und Planungstools – die Umsetzung erfolgt manuell. PerfectScale for Commitments staffelt Savings Plans, Database Savings Plans und Compute Engine CUDs über AWS und GCP – autonom oder mit Freigabegate, kontinuierlich gegen die stündliche Nutzung validiert – enthalten zu flachen Preisen.
Cloudability rechnet als Prozentsatz der verwalteten Cloud-Ausgaben auf Jahresverträgen ab: rund 30.000 $/Jahr für bis zu 1 Mio. $ Ausgaben (~3,0 %), absteigend auf ~2,2 % bei 6 Mio. $ laut den AWS-Marketplace-Tiers. Ein Überschreiten des vertraglichen Caps löst Overage-Gebühren pro Unit aus (1.650–4.410 $ je nach Tier); unabhängige Reviews legen nahe, dass die Plattform unterhalb von rund 3 Mio. $ jährlicher Cloud-Ausgaben selten wirtschaftlich ist. DoiT ist flach: Plattformpreise, die nicht mit Ihrer Rechnung skalieren, oder gebündelt mit Multi-Cloud-Procurement – DoiT vertreibt AWS, GCP und Azure ohne Aufschlag weiter, und viele Teams stellen fest, dass die Konsolidierung die Plattform faktisch bezahlt.
Cloudabilitys Container-Story läuft auf Kubecost (IBM hat Kubecost 2024 übernommen): Das Advanced-Containers-Add-on liefert granulare Allokation nach Cluster, Namespace und Workload sowie Container-Rightsizing-Empfehlungen. Es ist ein kostenpflichtiges Add-on, und Empfehlungen laufen als Tickets, statt ausgeführt zu werden. PerfectScale for Kubernetes führt autonomes, workload-bewusstes Right-Sizing auf Pod- und Container-Ebene aus, mit GPU-Tracking und stabilitätsorientierten Guardrails – in der Basisplattform. Kunden erzielen typischerweise 30–50 % geringere K8s-Kosten.
Am Rand. Cloudability kann verwaiste Ressourcen automatisch terminieren und Instanzen zeitgesteuert parken; die Policy-Engine erstellt aus Rightsizing-Empfehlungen automatisch Jira-Issues oder ServiceNow-Requests – mit einer Rightsizing-ROI-Ansicht, die realisierte Einsparungen verfolgt. Der eigentliche Optimierungs-Loop endet trotzdem in einer Queue, die ein Mensch abarbeiten muss. DoiT CloudFlow ist eine vollständige Ausführungsschicht – visuell plus code-erweiterbar, über 40 produktionsreife Templates, Rollback-Sicherheit – und macht aus Composer-Findings ausgeführte Änderungen.
Mit DoiT: ja. Runtime Cost Attribution in Cloud Intelligence™ nutzt Telemetrie auf Kernel-Ebene (eBPF), um tatsächlichen Traffic und Ressourcenverbrauch zu beobachten, und ordnet jeden Dollar dem Kunden, Feature, Team oder KI-Agenten zu, der ihn verursacht hat – ohne Tagging. Cloudabilitys Business Mappings sind die klassische Enterprise-Alternative: eine deklarative Regel-Engine über Tags, Metadaten und CMDB-Daten. Sie funktionieren dort hervorragend, wo Metadaten sauber gepflegt werden – aber geteilte Cluster, geteilte GPUs und Multi-Tenant-Endpoints bleiben undurchsichtig, weil die Antwort nicht in den Metadaten steckt.
Cloudability Governance (2025) hat Sichtbarkeit für KI- und GPU-Ausgaben ergänzt und bettet KI-Kosten in das Allokations- und Unit-Economics-Framework ein – für das Reporting darüber, was KI-Initiativen kosten, wirklich nützlich. DoiT geht über Reporting hinaus: GenAI Intelligence trackt 9 KI-Anbieter und eigene Modelle – pro Kunde, pro Feature, pro Unit; PerfectScale GenAI prüft Inference-Pipelines auf Verschwendung (Token-Reduktion, Modellauswahl, GPU-Right-Sizing); und Runtime Attribution ordnet KI-Ausgaben auf geteilter Infrastruktur dem Kunden oder Feature zu, der sie verursacht hat – etwas, das tag- und regelbasierte Allokation schlicht nicht sieht.
Heute nicht als Produktfunktion – Cloudabilitys Investitionen 2025 flossen in KI-Ausgaben-Governance (Sichtbarkeit über Ihre KI-Kosten) statt in einen agentischen Assistenten über die eigenen Daten. DoiT liefert FinOps AI, einen agentischen Assistenten, plus einen MCP-Server, mit dem Sie Ihre Kostendaten aus Claude, ChatGPT oder einem beliebigen LLM-Client abfragen können – verdrahtet mit Execution-Engines, die die Behebung ausführen können, nicht nur beschreiben.
Für Großunternehmen, deren Schwerpunkt im Financial Management liegt: ausgereiftes Chargeback über komplexe Organisationsstrukturen via Business Mappings, ServiceNow-/CMDB-gestützte Allokations-Governance, Cloud-Finanzplanung, die an breitere IBM-/Apptio-TBM-Praktiken (ApptioOne) angebunden ist, sowie Organisationen, die bereits stark in IBM-Consulting-Beziehungen investiert sind. Wenn Ihre FinOps-Praxis primär aus Allokation, Budgetierung und Finance-tauglichem Reporting besteht – und Engineering die Umsetzung über ITSM-Workflows verantwortet – ist Cloudability ein glaubwürdiger, von Gartner anerkannter Platzhirsch. Der Fit wird schwächer, sobald Sie autonome Ausführung, Multi-Cloud-Commitment-Automatisierung, Optimierung von Datenplattformen oder KI, Attribution pro Kunde auf geteilter Infrastruktur oder eine Preisgestaltung entkoppelt von Ihrer Cloud-Rechnung brauchen.