Announcement
Presentamos Attribute™: atribución de costos en runtime para IA e infraestructura cloud compartida
Esta página también está disponible en English, Deutsch, Français, Italiano, 日本語 y Português.
Attribute lleva la observabilidad en runtime basada en eBPF al problema más difícil del FinOps: atribuir los costos de IA e infraestructura compartida a los clientes, equipos, funcionalidades y agentes que realmente los consumen.
Tu factura de IA llega como una sola línea. A partir de hoy, Attribute™ te dice exactamente quién y qué hay detrás.
El problema de la atribución le quedó grande al tagging
La asignación de costos se diseñó para una época en la que la infraestructura se mapeaba de forma clara a sus dueños: un servicio, una VM, un tag. Ese modelo se vino abajo. Los workloads modernos corren sobre clústeres de Kubernetes compartidos, bases de datos multi-tenant, flotas de GPU compartidas y gateways centralizados de LLM: recursos que, por definición, no tienen un único dueño al que etiquetar. Los datos de la industria reflejan la brecha: solo el 43% de los costos de nube se rastrea a nivel unitario (Gartner, 2025). La mayor parte del gasto en una factura de nube moderna es, estructuralmente, imposible de atribuir con herramientas basadas en tags.
La IA agravó el problema de forma dramática. Ya sea que la inferencia se ejecute a través de OpenAI, Anthropic o Bedrock, la factura llega como una sola línea. No existe un tag para un token. No hay forma de ver qué cliente llegó a tu endpoint de inferencia, qué funcionalidad disparó una respuesta, qué agente se ramificó en una cadena de retrieval, ni qué entrenamiento consumió más horas de GPU. A medida que el gasto en IA se convierte en un componente de primer orden del COGS, esta opacidad deja de ser una molestia de ingeniería: es un problema de margen.
Cómo funciona Attribute™
Attribute plantea un enfoque radicalmente distinto: en lugar de etiquetar recursos, observa el consumo en runtime.
Un sensor ligero de eBPF se despliega en tus clústeres en unos 15 minutos, sin instrumentación de aplicaciones ni cambios de configuración. Operando a nivel del kernel, el sensor observa el tráfico de red hacia cada recurso —APIs de LLM, workloads de GPU, bases de datos, object storage, colas de mensajes como Kafka y RabbitMQ— y atribuye el costo según el uso real, no según etiquetas estáticas. La inspección profunda de paquetes identifica IDs de clientes, tenants, partners y bots directamente en el flujo de datos, de modo que la atribución llega a entidades que nunca fueron etiquetables. A un cliente no lo puedes taggear; Attribute no lo necesita.
El resultado es una asignación basada en el consumo real a lo largo de tres capas que las herramientas tradicionales no alcanzan:
Costos de IA y LLM. Cada llamada de tokens se traza hasta el equipo, cliente, funcionalidad o agente que la originó, con desglose por modelo, proveedor y workload. Las horas de GPU se atribuyen al job o experimento específico que las consumió. Ves el TCO real de cada capacidad de IA que lanzas —la inferencia, más el compute, las bases de datos y el movimiento de datos que hay detrás—, ya sea que el gasto esté en AWS, Google Cloud, Azure o servicios de terceros como OpenAI, Anthropic, Snowflake y MongoDB Atlas.
Infraestructura compartida. Los clústeres multi-tenant, las bases de datos compartidas y las colas de mensajes se reparten según el consumo observado en runtime, y no según claves de asignación arbitrarias. El showback y el chargeback pasan a ser resultados automáticos de la medición, no negociaciones trimestrales en hojas de cálculo.
Red y transferencia de datos. Los cargos de egress, la transferencia cross-AZ y los costos de NAT gateway están entre los ítems más opacos de cualquier factura de nube, porque los datos de facturación no incluyen atribución de origen. Como Attribute observa el tráfico en la fuente, identifica con precisión qué workload generó la transferencia y cierra un punto ciego que ninguna herramienta basada en tags o en datos de facturación puede resolver.
Del reporte de costos a la explicación de costos
La diferencia es cualitativa. Una herramienta convencional te dice que el gasto en EC2 subió 17% mes contra mes: un número sin contexto que le cuesta a tu equipo días de arqueología de tags. Attribute te dice que el consumo de un cliente específico subió $44K sobre 50M de tokens adicionales, impulsado por la funcionalidad de auto-resumen que se lanzó el mes pasado. El uso queda atado a la actividad de negocio que lo generó: finanzas obtiene el COGS y el margen por cliente y por tier; Engineering obtiene una respuesta precisa y vuelve a construir; producto obtiene la economía unitaria para fijar precios de las capacidades de IA sobre márgenes reales y no sobre suposiciones.
Empieza hoy
La instalación toma unos 15 minutos. El COGS por cliente, por funcionalidad y por equipo suele estar listo dentro de la primera semana: sin campañas de tagging, sin proyectos de data pipeline y sin cambios de código.