Retrospectiva de agosto de 2026: gastos de IA detalhados por modelo, CloudFlow verdadeiramente multi-cloud e guardrails para o Kubernetes

Saiba quanto sua IA realmente custa

O padrão é o mesmo em todas as novas integrações: conecte a conta e os custos aparecem no Cloud Analytics com as dimensões que importam para aquele provedor, prontos para orçamentos, alertas, alocações e detecção de anomalias.

• OpenRouter. Custo faturado por modelo e por provedor de hospedagem. Se você distribui um workload entre três provedores por latência ou preço, agora dá para ver que caminho o dinheiro seguiu.
• xAI. Custos da API do Grok por modelo, tipo de uso e chave de API. A dimensão de chave de API é a que as equipes mais pedem, porque é assim que você vincula o gasto a um serviço.
• Fireworks AI. Custo e uso por modelo, tipo de deployment e GPU, incluindo orçamentos e atribuição. Deployments dedicados e serverless ficam visíveis lado a lado.
• Snowflake e Databricks, com atribuição mais profunda. O GenAI Intelligence agora mostra quem gasta o quê em cada produto de IA, de queries individuais do Snowflake a workloads do Databricks. Warehouse compartilhado, resposta por equipe.
• Relatórios de gastos da Anthropic, sem conversão manual. Os templates de schema do DataHub ingerem diretamente arquivos CSV nativos do provedor. Exporte do console da Anthropic, faça o upload, pronto.
• A pergunta sobre self-hosting, respondida com dados. O compute.doit.com agora simula a decisão de "devemos hospedar um modelo aberto por conta própria ou continuar pagando por token" de três formas: dimensionar um deployment, avaliar hardware que você já possui ou colar sua fatura da Anthropic ou da OpenAI e receber um veredito separando o que corresponde a um modelo aberto em paridade. Tudo por trás disso — preços de GPU coletados diariamente, benchmarks de throughput do vLLM, o mapa de equivalência entre modelos fechados e abertos — também está disponível como uma API REST gratuita e sem chave, com um ponto de entrada llms.txt, para que seus agentes rodem a mesma análise em quatro requisições GET.

CloudFlow: mais nuvens, mais controle de fluxo

A função do CloudFlow é transformar runbooks de FinOps em automação. Agosto ampliou tanto o que ele alcança quanto a forma como ele raciocina.

• Suporte a Oracle Cloud. Os mesmos flows que você executa na AWS, no Google Cloud e no Azure agora funcionam na Oracle Cloud.
• Suporte a Azure (preview inicial). Ações e triggers do Azure ao lado das outras nuvens.
• APIs Admin da OpenAI e da Anthropic. Guardrails de gastos, higiene de chaves de API e relatórios de uso para seus provedores de LLM, como nós de flow. Rotacione chaves obsoletas de forma agendada ou acione alguém quando o gasto diário passar do limite.
• Nó Switch. Encaminhe cada resultado pelo caminho certo com base no valor de um campo. Decisões com múltiplas saídas não exigem mais empilhar nós Branch.
• Nó de caminhos paralelos. Divida um flow em caminhos independentes para que tarefas não relacionadas parem de compartilhar uma única sequência — e uma falha em um caminho deixa os outros rodando.
• Datastore executa SQL. Consulte, remodele e mantenha tabelas do Datastore com PostgreSQL dentro de um flow. Joins, agregações e jobs de limpeza sem exportar nada.
• Triggers por e-mail. Todo flow publicado pode ter seu próprio endereço de e-mail. Envie um e-mail para ele e o flow roda. Útil para integrar qualquer coisa que consiga enviar e-mail — ou seja, tudo.
• Exporte e importe flows (preview). Duas operações de API e comandos de CLI correspondentes serializam um flow, incluindo subflows, em um único pacote JSON sem credenciais nem estado do tenant, e o importam para outro tenant como flows em rascunho. Construa uma vez, promova de staging para produção ou entregue um flow funcionando para uma equipe parceira.

Veja, fatie, detecte: Cloud Analytics

• Detecção de tendências, reconstruída. A análise de "o que está em alta" agora destaca mudanças que realmente importam, pensada tanto para pessoas quanto para agentes. Em nossos próprios testes, o novo detector reduziu drasticamente o ruído mantendo os movimentos reais.
• Divida custos compartilhados por métricas de uso. Os drivers de alocação agora podem vir de plataformas de observabilidade como Datadog ou Prometheus, para que custos compartilhados sigam o consumo real em vez de um percentual fixo que estava correto no trimestre passado.
• Fluxo de triagem de anomalias. Status de revisão, comentários e histórico de atividades em cada anomalia de custo. Detectar nunca foi a parte difícil; difícil era saber quem olhou e o que foi decidido.
• Filtros de dashboard por serviço, projeto, região e mais. Antes, os dashboards filtravam por Allocations. Agora, filtram pelas dimensões nas quais muitas equipes realmente pensam.
• Duplique qualquer widget em um passo. Montar dashboards geralmente significa variações sobre o mesmo tema: mesmo relatório, outro período ou outro agrupamento. Duplique e ajuste em vez de reconstruir.
• Gráficos de tendência entre períodos para orçamentos diários e semanais. Acompanhe o gasto por período em relação ao orçamento nos últimos 30 dias ou 16 semanas — assim o orçamento vira uma linha de tendência, e não o veredito de um único mês.
• Cloud Intelligence™ no Grafana. Dados de custo de nuvem em tempo real nos dashboards que você já usa, já disponível para todos os clientes do Cloud Intelligence™. Correlacione gastos com as métricas operacionais ao lado e crie alertas de custo do mesmo jeito que você alerta sobre latência.

PerfectScale: otimização de Kubernetes com mais critério

• Detecção de suspeita de CPU runaway. Quando aumentos repetidos de CPU não resolvem a pressão sobre os recursos, o problema é do workload, não da demanda. O PerfectScale agora sinaliza esses contêineres e pausa novos aumentos em limites configuráveis que você define no YAML de automação.
• Suporte a ResourceQuota no modo completo. Workloads em namespaces governados por quota agora podem passar por right-sizing até os limites da quota, para que a governança pare de limitar a otimização silenciosamente.
• Pods unevictable, agora corrigíveis via API. Pods que não podem ser removidos bloqueiam o scale-down de nós e limitam silenciosamente a elasticidade do cluster. Agora eles ficam visíveis e podem ser corrigidos programaticamente.
• API pública do InfraFit. Utilização de nós, dados de eficiência e insights de otimização de infraestrutura, disponíveis para as suas próprias ferramentas.
• Filtre workloads por runtime JVM. Encontre todos os workloads Java de um cluster com um clique, sem precisar de labels. O comportamento de memória do Java é uma disciplina à parte — e agora tem um filtro à parte.
• CUDs flexíveis do Google Cloud no PerfectScale for Commitments. Análise contínua de uso e um plano de compras escalonado para commitments flexíveis de Compute Engine, GKE e Cloud Run, executado com aprovações ou de forma autônoma dentro de guardrails que você define. O suporte a Cloud SQL vem em seguida.
• Números escritos do jeito que a sua região escreve. Uma mudança pequena, mas se você já leu 1.000 como se fosse um, sabe por que ela saiu.