Agosto 2026 in sintesi: spesa AI dettagliata voce per voce, CloudFlow davvero multi-cloud, guardrail per Kubernetes

Sapere quanto costa davvero la Sua AI

Il pattern è lo stesso per ogni nuova integrazione: colleghi l'account e i costi compaiono in Cloud Analytics con le dimensioni rilevanti per quel provider, pronti per budget, avvisi, allocazioni e rilevamento delle anomalie.

• OpenRouter. Costi fatturati per modello e per hosting provider. Se instrada un workload su tre provider per ragioni di latenza o prezzo, ora può vedere quale strada hanno preso i soldi.
• xAI. Costi dell'API Grok per modello, tipo di utilizzo e chiave API. La dimensione della chiave API è quella che i team chiedono di più, perché è così che si riconduce la spesa a un servizio.
• Fireworks AI. Costi e utilizzo per modello, tipo di deployment e GPU, inclusi budget e attribuzione. Deployment dedicati e serverless sono visibili fianco a fianco.
• Snowflake e Databricks, attribuzione più granulare. GenAI Intelligence ora mostra chi spende quanto e su quale prodotto AI, dalle singole query Snowflake ai workloads Databricks. Warehouse condiviso, risposta per team.
• Report di spesa Anthropic, senza conversioni manuali. I template di schema di DataHub acquisiscono direttamente i file CSV nativi del provider. Esporti dalla console Anthropic, carichi, fatto.
• La domanda sul self-hosting, con una risposta basata sui dati. compute.doit.com ora simula in tre modi la decisione "conviene fare self-hosting di un modello open o continuare a pagare per token?": dimensionare un deployment, valorizzare l'hardware già in Suo possesso, oppure incollare la fattura Anthropic o OpenAI e ottenere un verdetto ripartito su cosa può corrispondere a un modello open a parità di prestazioni. Tutto ciò che c'è dietro — prezzi delle GPU raccolti ogni giorno, benchmark di throughput vLLM, la mappa di equivalenza tra modelli closed e open — è anche una REST API gratuita e senza chiavi con un entry point llms.txt, così i Suoi agenti possono eseguire la stessa analisi in quattro richieste GET.

CloudFlow: più cloud, più logica di controllo

Il compito di CloudFlow è trasformare i runbook FinOps in automazione. Ad agosto si è ampliato sia ciò che può raggiungere, sia come può ragionare.

• Supporto per Oracle Cloud. Gli stessi flussi che esegue su AWS, Google Cloud e Azure ora funzionano anche su Oracle Cloud.
• Supporto per Azure (early preview). Azioni e trigger Azure accanto agli altri cloud.
• API Admin di OpenAI e Anthropic. Guardrail di spesa, igiene delle chiavi API e reportistica sull'utilizzo per i Suoi provider LLM, sotto forma di nodi di flusso. Ruoti le chiavi obsolete su base pianificata, o avvisi qualcuno quando la spesa giornaliera supera una soglia.
• Nodo Switch. Instrada ogni risultato lungo il percorso giusto in base al valore di un campo. Le decisioni a più vie non richiedono più di impilare nodi Branch.
• Nodo Parallel paths. Suddivida un flusso in percorsi indipendenti, così le attività non correlate smettono di condividere un'unica sequenza e un errore in un percorso lascia gli altri in esecuzione.
• Datastore esegue SQL. Interroghi, rimodelli e gestisca le tabelle Datastore con PostgreSQL all'interno di un flusso. Join, aggregazioni e job di pulizia senza esportare nulla.
• Trigger via email. Ogni flusso pubblicato può avere il proprio indirizzo email. Basta inviargli un'email e il flusso si avvia. Utile per collegare qualsiasi cosa in grado di inviare mail, cioè tutto.
• Esportazione e importazione dei flussi (preview). Due operazioni API e i comandi CLI corrispondenti serializzano un flusso, sottoflussi inclusi, in un unico bundle JSON senza credenziali né stato del tenant, importabile in un altro tenant come flussi in bozza. Costruisca una volta sola, promuova da staging a produzione, o consegni un flusso funzionante a un altro team.

Vedere, analizzare, intercettare: Cloud Analytics

• Rilevamento dei trend, ricostruito. L'analisi "cosa sta cambiando" ora fa emergere le variazioni che contano davvero, pensata sia per le persone sia per gli agenti. Nei nostri test il nuovo rilevatore ha ridotto drasticamente il rumore mantenendo i movimenti reali.
• Ripartizione dei costi condivisi per metriche di utilizzo. I driver di allocazione ora possono provenire da piattaforme di observability come Datadog o Prometheus, così i costi condivisi seguono il consumo effettivo invece di una percentuale fissa che era accurata il trimestre scorso.
• Workflow di triage delle anomalie. Stati di revisione, commenti e cronologia delle attività su ogni anomalia di costo. Il rilevamento non è mai stato la parte difficile; sapere chi l'ha esaminata e cosa ha deciso, sì.
• Filtri dashboard per servizio, progetto, regione e altro. Le dashboard prima si filtravano per Allocations. Ora si filtrano per le dimensioni con cui molti team ragionano davvero.
• Duplicare qualsiasi widget in un solo passaggio. Costruire dashboard di solito significa variazioni sullo stesso tema: stesso report, intervallo temporale o raggruppamento diversi. Duplichi e adatti, invece di ricostruire da zero.
• Grafici di trend multi-periodo per budget giornalieri e settimanali. Monitori la spesa per periodo rispetto al budget negli ultimi 30 giorni o 16 settimane, così il budget diventa una linea di tendenza anziché il verdetto di un singolo mese.
• Cloud Intelligence™ in Grafana. Dati sui costi cloud in tempo reale nelle dashboard che già utilizza, disponibili da subito per tutti i clienti Cloud Intelligence™. Correli la spesa con le metriche operative che le affiancano e imposti avvisi sui costi come li imposta sulla latenza.

PerfectScale: ottimizzazione Kubernetes con più criterio

• Rilevamento dei casi sospetti di CPU runaway. Quando ripetuti aumenti di CPU non risolvono la pressione sulle risorse, il problema è il workload, non la domanda. PerfectScale ora segnala questi container e sospende ulteriori aumenti a soglie configurabili che Lei definisce nello YAML di automazione.
• Supporto ResourceQuota in modalità full. I workloads in namespace governati da quote ora possono essere sottoposti a right-sizing fino ai limiti di quota, così la governance smette di limitare silenziosamente l'ottimizzazione.
• Pod unevictable, ora risolvibili via API. I pod unevictable bloccano lo scale-down dei nodi e limitano silenziosamente l'elasticità del cluster. Ora sono visibili e correggibili in modo programmatico.
• API pubblica InfraFit. Utilizzo dei nodi, dati di efficienza e insight sull'ottimizzazione dell'infrastruttura, a disposizione dei Suoi strumenti.
• Filtrare i workloads per runtime JVM. Trovi ogni workload Java in un cluster con un clic, senza bisogno di label. Il comportamento della memoria in Java è una disciplina a sé, e ora ha il suo filtro.
• CUD flessibili di Google Cloud in PerfectScale for Commitments. Analisi continua dell'utilizzo e un piano di acquisto scaglionato per i commitments flessibili di Compute Engine, GKE e Cloud Run, eseguito con approvazioni o in autonomia entro guardrail definiti da Lei. Il supporto per Cloud SQL arriverà a breve.
• Numeri scritti come li scrive la Sua lingua. Una piccolezza, ma se ha mai letto 1.000 come uno, sa perché l'abbiamo introdotta.