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
FinOps-Plattformen im Vergleich
Cloud Intelligence™ vs. CloudZero
Beide Plattformen weisen Cloud-Kosten aus. Die entscheidende Frage ist, was danach passiert. CloudZero ist eine starke Cost-Intelligence-Plattform – 100 % Allokation via CostFormation, stündliche Anomalieerkennung, kuratierte Empfehlungen über Optimize, ein agentischer Assistent. Wenn Ihre Aufgabe bei "Das hat es gekostet, und darüber sollten Sie nachdenken" endet, erledigt CloudZero das gut.
Cloud Intelligence™ geht in der Umsetzung deutlich weiter. Composer sagt Ihnen, was zu beheben ist, CloudFlow führt die Behebung aus, PerfectScale übernimmt autonomes Right-Sizing für Kubernetes und Data Warehouses, und PerfectScale for Commitments staffelt Ihre Savings Plans anhand der tatsächlichen stündlichen Nutzung. Dazu kommen Forward Deployed Engineers, die Code direkt in Ihrer Umgebung schreiben.
Allokation ist die Basis. Umsetzung ist das eigentliche Ziel.
Hier trennen sich die Plattformen
Tagging ist strukturell kaputt – wir setzen auf Kernel-Ebene an
Jeder FinOps-Praktiker kennt das offene Geheimnis. Tag-basierte Zuordnung bricht bei geteilter Infrastruktur zusammen. Ein Multi-Tenant-K8s-Cluster hat genau einen Satz Tags. Eine gemeinsam genutzte GPU, die Inferenz für fünfzig Kunden ausführt, hat genau einen Satz Tags. Egress, NAT, Cross-AZ – lassen sich überhaupt nicht taggen.
Kostenzuordnung zur Laufzeit, ganz ohne Tagging
- So funktioniert esEin leichtgewichtiger Sensor auf Kernel-Ebene (eBPF) beobachtet Traffic und Ressourcenverbrauch direkt auf dem Host. Aus dem Datenstrom rekonstruiert er, welcher Kunde welchen Inferenz-Endpoint aufgerufen hat, welches Feature welches Modell angesprochen hat, welcher Team-Job welche GPU-Stunde verbraucht hat und welcher Workload welche Egress-Bytes verursacht hat.
Commitments – hier liegt das echte Geld
Die Effective Savings Rate ist die Kennzahl, bei der die meisten FinOps-Teams ihr Ziel klammheimlich verfehlen. Coverage und Utilization sehen auf dem Papier gut aus. Die ESR zeigt die Wahrheit. CloudZero weist Coverage und Utilization aus. Die Kaufentscheidung liegt bei Ihnen – gestützt auf deren Zahlen und Ihre Spreadsheets. Cloud Intelligence™ übernimmt die Kaufentscheidung. Stündliche Nutzungsanalyse (Min, Max, Median) über rollierende Zeitfenster. Gestaffelte Käufe über AWS Savings Plans, Database Savings Plans und GCP CUDs. Freigabeschwellen, Ausgabenlimits, Pacing-Kontrollen. Vollständig autonom oder mit manueller Freigabe vor jedem Kauf.
Warum Staffelung entscheidend ist
- Das Risiko3 Jahre auf die Nutzungskurve dieses Monats wetten.
- Gestaffelter AnsatzKäufe staffeln, jeden Schritt validieren
- NeubewertungKontinuierlich, gegen reale Nutzungsdaten
Beide haben eine Recommendation Engine. Sie optimieren auf unterschiedliche Ziele.
CloudZero Optimize liefert eine kuratierte Bibliothek expertengeschriebener Empfehlungen mit Impact-/Effort-Scoring – direkt in den Engineering-Workflows, die die Teams ohnehin nutzen. Meinungsstark und priorisiert. Cloud Intelligence™ geht einen anderen Weg. Über 800 Rezepte laufen kontinuierlich gegen Ihre Daten, Ressourcenkonfigurationen, Event-Timeline und den vollständigen Ressourcen-Graph. Der wesentliche Unterschied liegt in der Anpassbarkeit: Composer bringt einen Policy-Editor mit. Schreiben Sie eigene Rezepte gegen Ihre Daten, simulieren Sie sie gegen historische Zeiträume und aktivieren Sie sie anschließend produktiv. Eigene Rezepte sind gleichwertig – dieselbe Telemetrie, dieselben Aktionen, dieselbe Durchsetzung wie bei den mitgelieferten.
Rezepte, die kein Provider-Empfehlungsdienst liefert
- RDS-Engines nahe EOL
- gp2 → gp3 nach tatsächlichen IOPS
- Time-to-Tag-Leakage
- Bedrock-Cache-Effektivität
- EKS Extended Support Drift
- Erkennung erstmalig genutzter Services
CloudFlow führt die Änderung aus. Optimize leitet die Empfehlung weiter.
Beide Anbieter sprechen von "Automatisierung". Es lohnt sich, hier präzise zu sein. CloudZero Optimize (GA Juni 2025) leitet Empfehlungen mit Impact-/Effort-Scoring nach Slack und Jira weiter und trackt realisierte Einsparungen. Hilfreich, um Optimierungsarbeit am Laufen zu halten. Infrastrukturänderungen führt es nicht aus – die Engineers setzen sie weiterhin selbst um. CloudFlow ist eine Execution-Ebene. Aus der Empfehlung wird die Aktion. Wenn Ihr Engpass lautet "Die Engineers wissen, was zu tun ist, haben aber keine Zeit dafür", löst ein besser formuliertes Jira-Ticket das Problem nicht. Die Änderung tatsächlich auszuführen, schon.
Produktive CloudFlows, die heute laufen
- gp2 → gp3-Konvertierung mit Rollback
- Sandbox-EC2-Cleanup
- Durchsetzung von 365-Tage-Log-Retention
- Alert bei erstmaligen SKU-Ausgaben
- GCE-Disk-Overprovisioning
- Erkennung untergenutzter RIs
KI-Kosten – bei der Sichtbarkeit gleichauf. Optimierung macht den Unterschied.
Diese Zeile wird am ehesten falsch dargestellt, deshalb lohnt sich Präzision. CloudZero verfügt über echte KI-Kosten-Intelligenz – direkte Anbindung an die Anthropic Cost & Usage API, Bedrock-Unterstützung, Allokation nach Feature, Modell und Kunde. Bei Sichtbarkeit und Allokation von KI-Ausgaben liegen die beiden Plattformen gleichauf. Unterschiedlich ist, was jede Plattform mit dieser Sichtbarkeit anfängt. Die GenAI-Optimierung von PerfectScale prüft Inferenz-Pipelines auf Waste – weniger Tokens, kleinere Modelle, passend dimensionierte GPUs. Composer-Rezepte decken die Bedrock-Cache-Effektivität samt Remediation-Pfaden ab. Die Runtime-Attribution verzahnt Inferenzaufruf und COGS pro Kunde direkt miteinander.
Was tatsächlich anders ist
- BeideToken-Level-Sichtbarkeit, pro Feature/Modell
- Nur Cloud Intelligence™Audit der Inferenz-Pipeline + GPU-Right-Sizing
- Nur Cloud Intelligence™Composer-Rezepte mit Execution-Pfaden
- Nur Cloud Intelligence™COGS pro Kunde über Runtime-Sensor
Snowflake und Databricks – über reine Sichtbarkeit hinaus
CloudZero ergänzt Kostensichtbarkeit für beide. Sie sehen, was Sie ausgegeben haben. PerfectScale for Snowflake, Databricks und BigQuery geht weiter: Warehouse-Right-Sizing, Idle-Suspension, Empfehlungen zur Query-Effizienz, Human-in-the-Loop mit Preview der Kostenauswirkung vor dem Commit. Der architektonische Punkt: Kosten von Datenplattformen verhalten sich völlig anders als Infrastrukturkosten. Warehouses skalieren pro Query, Idle-Zeit summiert sich in kleinen Intervallen, und ein einziger ineffizienter Join kann die Tagesrechnung dominieren. Sie brauchen workload-bewusste Optimierung, nicht nur Zuordnung.
// Umfang der Datenplattform-Optimierung
- SnowflakeWarehouse, Query, Idle
- DatabricksWarehouse, Query, Idle
- BigQueryQuery- und Slot-Sichtbarkeit sowie Optimierung
Keine Marketingkategorien. Die Fragen, die FinOps-Praktiker bei der Evaluierung wirklich stellen.
Eine Zeile pro Praxisfrage.
| Capability | Cloud Intelligence™ | CloudZero |
|---|---|---|
| // Attribution & Allokation | ||
| Kostenallokation über Multi-Cloud, K8s, Datenplattformen, GenAI | Nativ Out-of-the-box, mehrere Methoden: Usage %, Utilization, Verteilung geteilter Kosten. | Nativ CostFormation allokiert 100 %, unabhängig von der Tag-Qualität. |
| Tag-freie / Kostenzuordnung zur Laufzeit | Nativ Telemetrie auf Kernel-Ebene. Kein Tagging erforderlich. | Nur Tag-/Code-basiert über CostFormation-Regeln. |
| COGS pro Kunde | Nativ Beobachtung der Kundenkennung zur Laufzeit; kein Tagging erforderlich. | über CostFormation Erfordert Engineering-Aufwand zur Modellierung. |
| Netzwerk-Kostenzuordnung (Egress, NAT, Cross-AZ) | Nativ Workload-genaue Zuordnung aus Laufzeit-Traffic. | Nicht verfügbar Aggregiert / Tag-abgeleitet |
| // Workload-Optimierung | ||
| Autonomes K8s-Right-Sizing (Pod, Container, GPU) | PerfectScale Workload-bewusst, Stabilität zuerst, autonome Ausführung. Typische Reduktion 30–50 %. | Right-Sizing-Empfehlungen Über Optimize; keine autonome Ausführung. |
| Kostenaufteilung geteilter GPUs / Cluster nach tatsächlicher Nutzung | PerfectScale + Runtime-Attribution | CostFormation-Inferenz |
| Snowflake-Optimierung (Warehouse + Query + Idle) | PerfectScale for Snowflake Automatisiertes Right-Sizing, Idle-Suspension, Query-Effizienz. | Nur Allokation + Alerts Kein Warehouse-Right-Sizing, kein Query-Tuning. |
| Databricks-Optimierung | Visibility, Insights & Optimization | Allokation + Alerts |
| KI-Kostensichtbarkeit – pro Feature / pro Kunde | 9 KI-Anbieter & Custom Models pro Kunde, pro Feature, pro Unit | Anthropic + Bedrock nativ nur pro Inference Profile |
| GenAI-Workload-Optimierung (Inferenz, GPU, Modellauswahl) | PerfectScale GenAI + Composer | Nur Sichtbarkeit |
| // Commitments & Ratenoptimierung | ||
| Commitment-Käufe (SPs / RIs / CUDs) | PerfectScale for Commitments Risikobewusste Staffelung, autonom oder mit Freigabe. | Erfordert Drittanbieter-Lösung Dashboards im Produkt; Käufe erfolgen über Partner. |
| Tracking der Effective Savings Rate (ESR) | Einheitlich, Multi-Cloud | Ausgewiesen |
| // Intelligence & Automatisierung | ||
| Kuratierte Recommendation Engine | Composer – über 800 Rezepte Mit Custom-Policy-Editor + Simulation gegen historische Daten. | Optimize – kuratierte Bibliothek Impact-/Effort-Scoring, Slack-/Jira-Routing. |
| Eigene Policies mit historischer Simulation | Nativ | Nicht verfügbar |
| Anomalieerkennung | Echtzeit, mit Topologie-Kontext | Auf Basis von Billing-Daten |
| Agentischer KI-Assistent | FinOps AI | Ask Advisor |
| Automatisierung / Remediation auf Infrastrukturebene | CloudFlow Visuell + Code, über 40 Templates, führt Änderungen aus. | Routing an Slack/Jira Engineers führen die Änderung aus. |
| Architektur- / Ressourcen-Graph mit Kosten-Overlay | Cloud Diagrams | Nicht verfügbar |
| // Integrationen | ||
| Kostenquellen / Aufnahme von Billing-Daten | Breite Abdeckung AWS, GCP, Azure, K8s, Snowflake, Databricks, BigQuery, Datadog, MongoDB, OpenAI, Anthropic und mehr. | Breite Abdeckung AnyCost-Framework + Adapter für AWS, Azure, GCP, K8s, Snowflake, Databricks, MongoDB, NewRelic, Datadog, OpenAI, Anthropic. |
| Ticketing- & Work-Tracking-Integrationen | Jira, Asana, GitHub Issues | Nur Jira |
| Kommunikations-Integrationen | Slack, Teams, Discord, Gmail | Nur Slack |
| Incident-Management-Integrationen | PagerDuty | Nicht verfügbar |
| Observability- / Dashboard-Integrationen | Grafana, Datadog | Grafana, Backstage |
| KI-Assistenten-Integrationen für Kostenanalyse | ChatGPT, Claude, MCP KI-gestützte Analysen auf Basis von Kostenreports. | Amazon Q Developer Chat Nur AWS-Konsole. |
| Allgemeine Workflow-Automatisierung | Zapier (über 2.000 Apps) + Platform APIs | Nicht verfügbar |
| SaaS-Tools in Automatisierungs-Engine eingebunden | Über 40 via CloudFlow Terraform, Cloudflare, Wiz, Confluent, Vercel, ClickHouse, PlanetScale, Looker und mehr. | N/A – keine Execution-Engine |
| // Procurement & Experten | ||
| Multi-Cloud-Procurement / -Billing | Optionales Cloud-Procurement, ohne Aufschlag AWS / GCP / Azure. Plattformzugang inklusive. | Nur Plattform |
| Enthaltene Expertise | Forward Deployed Engineers Schreiben Code in Ihrer Umgebung. | FinOps- und AWS-zertifiziertes CS-Team Support, Onboarding, Best Practices. |
| Zeit bis zur ersten realisierten Einsparung | Tage Out-of-the-box-Rezepte greifen sofort nach dem Connect. | Wochen für Allokation; Monate für vollständiges Setup Modellierungszeit für CostFormation. |
Native capabilityPartial / preview / via integrationNot available
What they say
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
Frequently asked
questions
Ist DoiT eine Alternative zu CloudZero?
Ja – und für die meisten Multi-Cloud- oder Kubernetes-lastigen Teams sogar eine deutlich vollständigere. CloudZero ist eine Cost-Intelligence-Plattform. Cloud Intelligence™ ist eine FinOps-Plattform, die Cost Intelligence umfasst – dazu automatisierte Remediation (CloudFlow), Workload-Optimierung (PerfectScale), Commitment-Automatisierung (PerfectScale for Commitments), Kostenzuordnung zur Laufzeit und eingebettete FinOps-Expertise.
Was ist der größte Einzelunterschied zwischen DoiT und CloudZero?
Die Umsetzung. CloudZero zeigt Ihnen, was zu beheben ist. DoiT zeigt Ihnen, was zu beheben ist – und führt die Behebung aus: über CloudFlow-Automatisierung, PerfectScale-Right-Sizing und Forward Deployed Engineers, die die Arbeit gemeinsam mit Ihrem Team erledigen.
Kann ich Cloud-Kosten pro Kunde erhalten, ohne alles zu taggen?
Tagging ist bei Shared Services, GPUs, Datenbanken und Netzwerk strukturell unvollständig. Laut Gartner werden bei einem tag-basierten Ansatz nur rund 43 % der Cloud-Kosten auf Unit-Ebene allokiert. Die Runtime Cost Attribution von DoiT nutzt Telemetrie auf Kernel-Ebene (eBPF), um tatsächlichen Traffic und Ressourcenverbrauch zu beobachten, und ordnet dann jeden Dollar dem Kunden, Feature, Team oder KI-Agenten zu, der ihn verursacht hat.
Der Ansatz von CloudZero ist code-getrieben über CostFormation – das funktioniert, erfordert aber laufenden Engineering-Aufwand in der Pflege.
Optimiert CloudZero Kubernetes?
CloudZero allokiert 100 % der Kubernetes-Kosten über einen proprietären CPU+Memory-Allocation-Algorithmus und liefert Right-Sizing-Empfehlungen via Optimize, geroutet nach Slack und Jira. PerfectScale for Kubernetes geht weiter – mit autonomem, workload-bewusstem Right-Sizing: Die Plattform führt die Änderung aus, nicht nur die Empfehlung. Kunden erzielen typischerweise 30–50 % Kostenreduktion bei K8s.
Kann CloudZero Commitment-Käufe automatisieren?
CloudZero berichtet über Coverage und Utilization, kauft Commitments aber nicht selbst – dafür ist eine Drittanbieter-Lösung nötig. PerfectScale for Commitments erledigt den Einkauf nativ: gestaffelte Käufe über AWS Savings Plans, Database Savings Plans und GCP CUDs, kontinuierlich gegen die stündliche Nutzung validiert, mit konfigurierbaren Guardrails und wahlweise autonomer oder freigabebasierter Ausführung. Azure ist auf der Roadmap.
Wie geht DoiT mit Snowflake- und Databricks-Kosten um?
Beide Plattformen allokieren Snowflake- und Databricks-Kosten und bieten Anomalieerkennung. Der Unterschied liegt in der Optimierung: PerfectScale for Snowflake (ehemals SELECT, Anfang 2026 von DoiT übernommen) bietet automatisiertes Warehouse-Right-Sizing, Idle-Suspension und Empfehlungen zur Query-Effizienz mit Preview der Kostenauswirkung vor dem Commit. CloudZero liefert Allokation und Alerts; Warehouse-Right-Sizing und Query-Optimierung sind nicht Teil der Snowflake- oder Databricks-Integrationen. Databricks-Optimierung steht bei DoiT auf der Roadmap.
Brauche ich noch ein FinOps-Team, wenn ich DoiT einsetze?
Sie profitieren weiterhin davon – FinOps ist eine Praxis, kein Produkt. Sowohl DoiT als auch CloudZero enthalten Expertise im Plattformpreis, die Modelle unterscheiden sich aber. CloudZero stellt ein FinOps- und AWS-zertifiziertes Customer-Success-Team bereit, das sich auf Beratung und Plattform-Onboarding konzentriert. DoiT stellt Forward Deployed Engineers bereit, die Code in Ihrer Umgebung schreiben und Verantwortung für Ergebnisse in Kostenoptimierung, K8s-Tuning, Incident Response, Migration und Reliability übernehmen. Wählen Sie das Modell, das zu dem passt, wobei Ihr Team Unterstützung braucht.
Wie unterstützt DoiT GenAI- und KI-Workload-Kosten?
Bei Sichtbarkeit und Allokation von KI-Ausgaben sind DoiT und CloudZero gleichauf – CloudZero verfügt über eine native Anthropic-API-Integration und unterstützt Bedrock sowie weitere Anbieter; DoiT GenAI Intelligence deckt dasselbe Feld über Composer-Rezepte ab.
Der Unterschied liegt in der Optimierung: Die GenAI-Optimierung von PerfectScale prüft Inferenz-Pipelines auf Waste (Token-Reduktion, Modellauswahl, GPU-Right-Sizing). Die Runtime Attribution verzahnt KI-Ausgaben direkt mit dem Kunden oder Feature, das sie ausgelöst hat.
Wie steht das Pricing von DoiT im Vergleich?
DoiT lässt sich als SaaS beziehen (BYO Billing) oder gebündelt mit Multi-Cloud-Procurement ohne Aufschlag. Viele Teams stellen fest, dass die Konsolidierung ihrer AWS-, GCP- oder Azure-Abrechnung über DoiT die Plattform faktisch finanziert. CloudZero ist ausschließlich SaaS und wird als Prozentsatz der annualisierten Cloud-Ausgaben abgerechnet.
Wann ist CloudZero sinnvoller als DoiT?
Für Teams, deren primärer Output Kostenallokation, Unit-Economics-Reporting und kuratierte, in Engineering-Workflows geroutete Empfehlungen sind – und wo das Engineering die Änderungen anschließend selbst umsetzt. Hier ist CloudZero stark und bietet echte Tiefe bei Allokation, Anomalieerkennung und im Optimize-Workflow. Der Fit schwächt sich ab, sobald Sie autonome Ausführung von Infrastrukturänderungen, plattformseitige Commitment-Käufe, Warehouse-Level-Optimierung für Datenplattformen, Runtime Attribution oder gebündeltes Multi-Cloud-Procurement mit dem Tool benötigen.