Attribute™: la Runtime Cost Attribution per l'AI e le infrastrutture cloud condivise

La fattura dell'AI arriva come un'unica voce di costo. Da oggi, Attribute™ Le dice esattamente chi e cosa c'è dietro.

Il problema dell'attribuzione ha superato i limiti del tagging

L'allocazione dei costi è nata in un'epoca in cui l'infrastruttura si mappava in modo netto sui rispettivi owner: un servizio, una VM, un tag. Quel modello è saltato. I workloads di oggi girano su cluster Kubernetes condivisi, database multi-tenant, pool di GPU e gateway LLM centralizzati: risorse che, per definizione, non hanno un unico owner a cui applicare un tag. I dati di settore confermano il divario: solo il 43% dei costi cloud viene tracciato a livello unitario (Gartner, 2025). La maggior parte della spesa di una fattura cloud moderna è strutturalmente non attribuibile con strumenti basati sui tag.

Con l'AI la situazione è peggiorata drasticamente. Che l'inferenza passi da OpenAI, Anthropic o Bedrock, la fattura arriva come una singola riga. Su un token non si può mettere un tag. Non è possibile sapere quale cliente ha chiamato il Suo endpoint di inferenza, quale funzionalità ha innescato una completion, quale agente ha aperto una catena di retrieval o quale training run ha consumato più ore-GPU. Ora che la spesa in AI è diventata una componente primaria del COGS, questa opacità non è più un fastidio tecnico: è un problema di marginalità.

Come funziona Attribute™

Attribute adotta un approccio radicalmente diverso: invece di etichettare le risorse, ne osserva il consumo a runtime.

Un sensore eBPF leggero si installa nei Suoi cluster in circa 15 minuti, senza strumentare le applicazioni né modificare la configurazione. Operando a livello kernel, il sensore osserva il traffico di rete verso ogni risorsa — API LLM, workloads su GPU, database, object storage, code di messaggi come Kafka e RabbitMQ — e attribuisce i costi in base all'utilizzo effettivo, non a etichette statiche. La deep packet inspection identifica ID cliente, tenant, partner e bot direttamente nel flusso dati, portando l'attribuzione fino a entità che con i tag non sarebbero mai state raggiungibili. Un cliente non si può taggare; Attribute non ne ha bisogno.

Il risultato è un'allocazione basata sul consumo reale su tre livelli che gli strumenti tradizionali non riescono a coprire:

Costi di AI e LLM. Ogni chiamata a token viene ricondotta al team, al cliente, alla funzionalità o all'agente che l'ha generata, con dettaglio per modello, provider e workload. Le ore-GPU sono attribuite allo specifico job o esperimento che le ha consumate. Ottiene il vero TCO di ogni capability AI che rilascia — l'inferenza e, insieme, il compute, i database e il data movement che la sostengono — sia che la spesa risieda su AWS, Google Cloud, Azure o servizi di terze parti come OpenAI, Anthropic, Snowflake e MongoDB Atlas.

Infrastruttura condivisa. Cluster multi-tenant, database condivisi e code di messaggi vengono ripartiti in base al consumo runtime osservato, non a chiavi di allocazione arbitrarie. Showback e chargeback diventano un risultato automatico della misurazione, non una trattativa trimestrale a colpi di fogli di calcolo.

Rete e trasferimento dati. I costi di egress, i trasferimenti cross-AZ e i NAT gateway sono tra le voci più opache di qualsiasi fattura cloud, perché i dati di billing non contengono alcuna attribuzione della sorgente. Poiché Attribute osserva il traffico all'origine, individua con precisione quale workload ha generato il trasferimento, colmando un punto cieco che nessuno strumento basato su tag o dati di billing è in grado di coprire.

Dal reporting dei costi alla loro spiegazione

La differenza è qualitativa. Uno strumento tradizionale Le dice che la spesa EC2 è cresciuta del 17% mese su mese: un numero senza contesto, che condanna il Suo team a giornate di archeologia dei tag. Attribute Le dice invece che il consumo di uno specifico cliente è aumentato di 44.000 $ su 50 milioni di token aggiuntivi, trainato dalla funzionalità di auto-summary rilasciata il mese scorso. L'utilizzo legato all'attività di business che lo genera: finance ottiene COGS e marginalità per singolo cliente e per fascia; engineering ottiene una risposta precisa e torna subito a costruire; product ottiene le unit economics per definire il prezzo delle capability AI su margini reali, non su ipotesi.

Come iniziare

L'installazione richiede circa 15 minuti. I COGS per cliente, per funzionalità e per team sono in genere disponibili entro la prima settimana: nessuna campagna di tagging, nessun progetto di data pipeline, nessuna modifica al codice.

Prenoti una demo →