Resumen de agosto 2026: el gasto en IA se desglosa, CloudFlow se vuelve realmente multi-cloud y Kubernetes gana guardrails

Descubre cuánto te cuesta realmente tu IA

El patrón se repite en cada nueva integración: conectas la cuenta y el costo aparece en Cloud Analytics con las dimensiones que importan para ese proveedor, listo para presupuestos, alertas, asignaciones y detección de anomalías.

• OpenRouter. Costo facturado por modelo y por proveedor de hosting. Si distribuyes un workload entre tres proveedores por latencia o precio, ahora puedes ver qué ruta tomó el dinero.
• xAI. Costo de la API de Grok por modelo, tipo de uso y clave de API. La dimensión de clave de API es la que más piden los equipos, porque es la forma de vincular el gasto con un servicio.
• Fireworks AI. Costo y uso por modelo, tipo de despliegue y GPU, incluyendo presupuestos y atribución. Los despliegues dedicados y serverless se ven lado a lado.
• Snowflake y Databricks, con atribución más profunda. GenAI Intelligence ahora muestra quién gasta cuánto en qué producto de IA, desde consultas individuales de Snowflake hasta workloads de Databricks. Warehouse compartido, respuesta por equipo.
• Reportes de gasto de Anthropic, sin conversión manual. Las plantillas de esquema de DataHub procesan directamente los archivos CSV nativos del proveedor. Exporta desde la consola de Anthropic, sube el archivo y listo.
• La pregunta del self-hosting, respondida con datos. compute.doit.com ahora simula la decisión de "¿hospedamos nosotros un modelo abierto o seguimos pagando por token?" de tres maneras: dimensiona un despliegue, valora el hardware que ya tienes, o pega tu factura de Anthropic u OpenAI y recibe un veredicto desglosado de qué puede migrar a un modelo abierto con paridad. Todo lo que hay detrás —precios de GPU recopilados a diario, benchmarks de throughput de vLLM, el mapa de equivalencias de modelos cerrados a abiertos— también es una API REST gratuita y sin claves, con un punto de entrada llms.txt, para que tus agentes ejecuten el mismo análisis en cuatro solicitudes GET.

CloudFlow: más nubes, más control de flujo

CloudFlow existe para convertir los runbooks de FinOps en automatización. En agosto amplió tanto su alcance como su capacidad de razonar.

• Soporte para Oracle Cloud. Los mismos flujos que ejecutas en AWS, Google Cloud y Azure ahora funcionan con Oracle Cloud.
• Soporte para Azure (early preview). Acciones y triggers de Azure junto a las demás nubes.
• APIs de administración de OpenAI y Anthropic. Guardrails de gasto, higiene de claves de API y reportes de uso para tus proveedores de LLM, como nodos de flujo. Rota claves obsoletas de forma programada, o notifica a alguien cuando el gasto diario cruce el límite.
• Nodo Switch. Dirige cada resultado por el camino correcto según el valor de un campo. Las decisiones con múltiples ramas ya no implican apilar nodos Branch.
• Nodo de rutas paralelas. Divide un flujo en rutas independientes para que las tareas no relacionadas dejen de compartir una sola secuencia, y una falla en una ruta deja las demás en marcha.
• Datastore ejecuta SQL. Consulta, transforma y mantén las tablas de Datastore con PostgreSQL dentro de un flujo. Joins, agregaciones y tareas de limpieza sin exportar nada.
• Triggers por email. Cada flujo publicado puede tener su propia dirección de correo. Envíale un email y el flujo se ejecuta. Útil para conectar cualquier cosa que pueda enviar correo, es decir, todo.
• Exporta e importa flujos (preview). Dos operaciones de API y comandos de CLI equivalentes serializan un flujo, incluidos los subflujos, en un solo paquete JSON sin credenciales ni estado del tenant, y lo importan a otro tenant como flujos en borrador. Construye una vez, promueve de staging a producción o entrégale un flujo funcional a otro equipo.

Visualiza, segmenta, detecta: Cloud Analytics

• Detección de tendencias, reconstruida. El análisis de "qué está en tendencia" ahora saca a la luz los cambios que realmente importan, diseñado tanto para personas como para agentes. En nuestras propias pruebas, el nuevo detector redujo el ruido de forma drástica sin perder los movimientos reales.
• Reparte los costos compartidos según métricas de uso. Los criterios de asignación ahora pueden venir de plataformas de observabilidad como Datadog o Prometheus, para que los costos compartidos sigan el consumo real en lugar de un porcentaje fijo que era correcto el trimestre pasado.
• Flujo de trabajo de triaje de anomalías. Estados de revisión, comentarios e historial de actividad en cada anomalía de costos. Detectarlas nunca fue lo difícil; lo difícil era saber quién las revisó y qué decidió.
• Filtros de dashboard por servicio, proyecto, región y más. Antes, los dashboards se filtraban por Allocations. Ahora se filtran por las dimensiones en las que muchos equipos realmente piensan.
• Duplica cualquier widget en un solo paso. Construir dashboards suele significar variaciones sobre un mismo tema: el mismo reporte, con otro rango de tiempo u otro agrupamiento. Duplica y ajusta en lugar de reconstruir.
• Gráficas de tendencia entre períodos para presupuestos diarios y semanales. Sigue el gasto por período frente al presupuesto durante los últimos 30 días o 16 semanas, para que un presupuesto sea una línea de tendencia y no el veredicto de un solo mes.
• Cloud Intelligence™ en Grafana. Datos de costos de nube en vivo en los dashboards que ya usas, disponible desde ahora para todos los clientes de Cloud Intelligence™. Correlaciona el gasto con las métricas operativas que tiene al lado y crea alertas de costos igual que las de latencia.

PerfectScale: optimización de Kubernetes con mejor criterio

• Detección de posible CPU descontrolada. Cuando los aumentos repetidos de CPU no logran resolver la presión de recursos, el problema está en el workload, no en la demanda. PerfectScale ahora marca esos contenedores y pausa nuevos aumentos en umbrales configurables que defines en el YAML de automatización.
• Soporte de ResourceQuota en modo completo. Los workloads en namespaces gobernados por cuotas ahora pueden ajustarse con right-sizing hasta los topes de la cuota, para que la gobernanza deje de limitar la optimización en silencio.
• Pods no desalojables, ahora corregibles vía API. Los pods no desalojables bloquean la reducción de nodos y limitan silenciosamente la elasticidad del clúster. Ahora son visibles y se pueden corregir de forma programática.
• API pública de InfraFit. Utilización de nodos, datos de eficiencia e insights de optimización de infraestructura, disponibles para tus propias herramientas.
• Filtra workloads por runtime de JVM. Encuentra cada workload de Java en un clúster con un clic, sin necesidad de etiquetas. El comportamiento de la memoria en Java es una disciplina en sí misma, y ahora tiene su propio filtro.
• CUDs flexibles de Google Cloud en PerfectScale for Commitments. Análisis continuo de uso y un plan de compra escalonado para commitments flexibles de Compute Engine, GKE y Cloud Run, ejecutado con aprobaciones o de forma autónoma dentro de los guardrails que tú defines. El soporte para Cloud SQL llegará pronto.
• Números que se leen como se escriben en tu región. Un detalle menor, pero si alguna vez leíste 1.000 como uno, sabes por qué lo lanzamos.