Snowflake rieši FinOps pre éru AI: náklady má vysvetľovať aj agent CoCo

Snowflake zverejnil text o tom, ako sa mení FinOps v čase, keď náklady nevznikajú iba zo skladových kreditov, ale aj z modelových volaní, tokenov, agentických reťazcov a experimentálnych AI workloadov. Firma tvrdí, že tradičné vysvetľovanie cloudových účtov nestačí na prostredie, kde jedna otázka používateľa môže spustiť viacero krokov uvažovania, dotazov nad dátami a volaní modelu. Preto chce do cost managementu vložiť vlastnú AI vrstvu a zároveň posilniť pravidlá, ktorými organizácie kontrolujú svoje výdavky na AI.

Kľúčovým prvkom je Snowflake CoCo, AI-powered coding agent, ktorý má v prostredí Snowflake pomáhať aj s analýzou nákladov. V článku Snowflake opisuje Cost Intelligence skill, teda špecializovanú schopnosť, cez ktorú sa používateľ môže pýtať prirodzeným jazykom napríklad na skok v compute výdavkoch, najdrahšie warehouse inštancie alebo vývoj rozpočtov. Namiesto toho, aby finančný alebo dátový tím skladal vlastné SQL dotazy nad systémovými tabuľkami, má agent vrátiť odpoveď, vysvetlenie a podkladové dáta.

Zaujímavé je, že Snowflake nehovorí iba o používaní AI na zrýchlenie práce FinOps tímu. Rovnako zdôrazňuje potrebu riadiť samotné AI náklady. To je zásadný rozdiel oproti staršej vlne cloudovej optimalizácie, kde sa veľa riešilo okolo CPU, pamäte, skladovania alebo dĺžky bežiaceho klastra. Pri AI pribúdajú nové jednotky spotreby: počet tokenov, počet LLM requestov, GPU čas, embeddingy, evaluácie, agentické retry cykly a experimenty, pri ktorých je dopredu ťažké odhadnúť návratnosť.

Snowflake sa opiera aj o zistenia FinOps Foundation, podľa ktorých sa FinOps pre AI stal najvyššou doprednou prioritou tímov na najbližší rok a väčšina organizácií už nejakým spôsobom spravuje AI spend. Takéto čísla treba čítať s vedomím, že ide o odvetvový prieskum, no trend je jasný aj bez presnej percentuálnej hodnoty: AI výdavky prestali byť okrajovým experimentom a presúvajú sa do rozpočtov, ktoré musia niekto vysvetliť manažmentu, bezpečnosti a vlastníkom aplikácií.

Pre dátové platformy je to aj konkurenčná téma. Ak chce Snowflake presvedčiť podniky, aby stavali AI workflowy priamo nad jeho dátovou vrstvou, musí im ukázať nielen modely a agentov, ale aj kontrolu nad tým, koľko tieto workflowy stoja. Agent, ktorý vie odpovedať na otázku „prečo v stredu narástol účet“, je preto viac než pohodlné rozhranie. Je to súčasť argumentu, že AI workloady majú zostať v riadenom dátovom prostredí, kde sa dajú auditovať, priradiť k tímom a obmedziť pravidlami.

Praktický problém je však zložitejší než pekný dashboard. AI náklady často vznikajú nepriamo. Používateľ zadá jednu požiadavku, agent zavolá viac nástrojov, načíta dáta z viacerých tabuliek, použije model na plánovanie, ďalší model na sumarizáciu a potom ešte vykoná overenie. Ak platforma nevie zachytiť celý reťazec, náklady sa budú zdať náhodné alebo neadresné. Snowflake preto musí spojiť metriky dátovej infraštruktúry s metrikami modelových volaní a s kontextom konkrétnej aplikácie alebo tímu.

Pre zákazníkov je podstatné aj to, aby prirodzený jazyk neprekryl potrebu presnosti. FinOps rozhodnutia musia byť opakovateľné a auditovateľné. Ak CoCo vysvetlí výdavkový skok, používateľ potrebuje vidieť, z akých tabuliek a metrík odpoveď vychádza, aké predpoklady použil a či je možné dotaz zopakovať. V opačnom prípade by sa z AI asistenta stal ďalší netransparentný článok v procese, ktorý má sám zvyšovať transparentnosť. Snowflake v článku naznačuje, že odpovede majú vracať aj podkladové dáta, čo je správny smer.

Z pohľadu slovenských firiem je téma aktuálna najmä tam, kde sa AI projekty presúvajú z pilotov do prevádzky. Kým prototyp za pár stoviek eur mesačne sa dá schovať do inovačného rozpočtu, produkčný agent napojený na interné dáta, podporu alebo analytiku už potrebuje pravidlá. Kto smie spúšťať drahé modely? Ktoré úlohy môžu použiť dlhý kontext? Kde sa nastaví limit pre experimentálne workspace? A ako sa náklad priradí k obchodnému tímu, ktorý z výsledku profituje?

Snowflake týmto textom nepredstavuje jeden izolovaný produktový prepínač, ale skôr rámec pre novú vrstvu správy dátových a AI platforiem. FinOps pre AI bude kombinovať technické metriky, finančné pravidlá, governance a schopnosť rýchlo vysvetliť anomálie. Ak sa AI agenti majú stať bežnou súčasťou analytiky, nákladová disciplína nebude brzda inovácie, ale podmienka, aby sa dali škálovať bez nepríjemných prekvapení na faktúre.