2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！

仓库额度突然飙升，通常还算容易解释；但 AI 账单就不是这样了。

一个 Cortex Agent™ 可能会跨多个数据集执行一连串推理步骤，一条 prompt 就可能触发数千 tokens，而与传统基础设施不同，许多 AI 工作负载从设计之初就是探索性的。

这正是 FinOps 团队正在面对的新挑战：他们需要治理那些成本变化速度往往和输出变化速度一样快的系统。换句话说，他们被迫同时解决两个问题：

用 AI 改善 FinOps 本身
治理 AI 自己产生的支出

在某些公司，一直在从底层重新思考成本管理，不只是为了跟上 AI 驱动工作负载的节奏，更是希望把 AI 本身变成成本治理机制的一部分，让治理变得更聪明、更快，并且让更多人都能用得起来。本文讲的就是这两件事：一方面，把 AI 嵌入成本管理工具，让它更强大；另一方面，也提供了一组治理原语，帮助你把自己的 AI 投资控制在可预期范围内。

FinOps 的挑战已经更复杂，也更紧迫了

FinOps Foundation 发布的《State of FinOps 2026 Report》传递了一个极其明确的信号：AI 已经彻底进入 FinOps 议程中心。根据报告，未来 12 个月里，面向 AI 的 FinOps 已经成为团队最优先关注的前瞻性方向。AI 成本管理是组织最想补齐的技能集，同时 98% 的 FinOps 团队已经开始管理 AI spend，而两年前这一比例还只有 31%。AI 在一个产品周期内，就从一个新兴议题变成了几乎所有 FinOps 团队的共同职责。

真正让它变难的，不只是 AI 支出的规模，更是它的性质。报告总结出了实践者最常遇到的三个问题：

AI 成本可见性不足，因为定价模型差异极大
很难把这些成本准确分摊给业务单元，难度高于传统基础设施
很难判断 ROI，因为很多投入本身仍带有探索性质

此外，报告中被需求方提得最多的能力，是对 AI spend 的细粒度监控，例如 tokens、LLM requests 和 GPU utilization。正如一位从业者所说：“团队一方面要管理更分散、更复杂的 AI 项目成本，另一方面又被要求不要过度限制 AI 使用，以免拖慢 time to market。”

FinOps Foundation 把这总结成一个双重议程：既要用 AI 提高 FinOps 的生产力和效率，也要管理 AI 本身的支出。而这恰恰是某些公司在构建的方向。

Part 1：把 AI 嵌进成本管理

FinOps 最常见的失败模式，是没有足够时间把数据真正看明白。工程师可以写查询去查 ACCOUNT_USAGE，财务负责人也可以看月账单，但夹在中间的大多数人并没有上下文去迅速判断：为什么上周 spend 增长了 30%，是哪一个 warehouse 导致的，又应该采取什么动作。

为了解决这个问题，某公司正在把 CoCo™ 直接嵌入成本管理体验中。CoCo 是一种 AI-powered coding agent。

用自然语言做成本分析：Cost Intelligence skill

CoCo 内置了一个面向成本管理的 Cost Intelligence skill，它把成本管理从“写 SQL”变成了一场对话。你可以直接问它：

为什么我周三的计算费用突然飙升？

本月哪些用户消耗的仓库额度最多？

展示我费用最高的五个仓库，以及过去六个月的成本趋势。

我本月的预算执行情况如何？

CoCo 不只会给出答案，还会解释原因、展示底层数据，并保留后续追问所需的上下文。它能把 warehouse 活动、query 模式、用户行为和成本归因串起来，而这些事情过去通常需要一位对 ACCOUNT_USAGE schema 非常熟悉的数据分析师才能完成。

这个 skill 同时可用于 Snowsight UI™ 和 CoCo CLI / Desktop。也就是说，无论你是在终端里的平台工程师，还是在浏览器里的 FinOps 分析师，你用到的都是同一套自然语言成本分析接口。

能自我解释的异常检测

你本来就可以用内置的 Cost Anomaly 功能检测 account 上的成本异常，但“知道异常发生了”只完成了一半工作。真正卡住团队的，通常是搞清楚“为什么会发生”。

过去，这往往意味着团队要花几个小时，把仓库历史记录、查询日志和用户活动一条条拼起来。

现在，当 CoCo 被嵌入成本管理界面后，你可以直接在支出图表上选中一个异常点，然后点击 "解释" 查看细节。CoCo 会自动调查这个异常，将其与仓库活动关联起来，识别出相关的用户或工作负载，并在多数情况下于几秒内用通俗易懂的语言返回一段叙述式解释。

一个为行动而生的新版 Account Overview

在 2026 年 Summit 上宣布 GA 的新版 Cost Management Account Overview，不再只是一个报表 dashboard，而是一个统一的成本指挥中心。你可以在一个页面里同时看到预算健康度、未处理异常、仓库归因状态，以及按服务类型拆分的额度。

更重要的是，每一条洞察都对应一个动作：如果 anomaly 需要调查，CoCo 只差一键；如果某个 warehouse 还没有归属到 cost center，你可以直接借助 CoCo 生成 tagging plan。目标很明确：把“发现问题”和“修复问题”之间的距离压缩到最短。

Part 2：治理 AI spend，这已经成为新的刚需

虽然 AI 让成本管理变得更聪明，但它同时也制造了一个组织必须主动治理的全新成本类别。为此，某公司构建了一整套专门面向 AI 成本治理的原语，从可见性到通知，再到强制执行。

第一步始终是可见性

你无法治理自己看不见的东西。该公司在 AI 成本可见性上投入很大，而且是逐层细化的。

七个新的组织级 AI views

在 ORGANIZATION_USAGE schema 中，也就是通过你的 Organization Account 可访问的层级，推出了 7 个新的细粒度 AI Services views，每个 major AI capability 对应一个，例如 Cortex AI Functions™、Cortex Agents™、CoWork™、CoCo 等。

这些视图为 Finance、Platform Engineering 和 FinOps 团队提供了一个统一的中心来源，用来查看整个 organization 内所有与 AI 相关的 credit 消耗。

这些视图会以更高粒度展示每日 AI spend，可以细分到 account、user 以及 function/model 级别。借助它们，你可以监控不同业务单元的 AI 采纳趋势、比较不同团队的 AI 使用情况，并构建内部 chargeback 报告，而不需要再手写跨多个账户复杂 JOIN 的查询。

Snowsight 中的成本管理面板

在 Admin > Cost Management 里的消耗视图中，账户管理员可以深入分析 AI 支出，并通过服务类型筛选器把特定 AI 功能的用量从仓库计算中单独隔离出来。结合新版账户概览和成本智能技能，团队可以非常快地看出：AI 成本是否在上升、哪些服务驱动了它、是谁在产生这些用量，而且整个过程都不需要离开 Snowsight 界面。

控制：与 AI 速度相匹配的护栏

可见性告诉你已经发生了什么，而护栏可以帮助你避免那些你不想发生的事。某公司的 budgets 和 quotas 原语，已经被扩展到了专门治理 AI 工作负载的层面。

面向 AI 的预算：在功能级别治理

预算是对一组定义好的资源施加的月度支出上限，用来监控额度使用量。随着最新更新，预算现在已经覆盖 AI 相关服务类型：AI Functions、CoWork、Cortex Agents 和 CoCo，同时也保留对传统计算资源的支持。

通过基于标签的预算，你可以把自己的组织结构直接映射到支出控制上。给 AI 资源打上团队、成本中心或项目的标签，再创建一个作用于这些标签的预算。当支出接近你定义的阈值时，通知就会自动发给对应的人，支持邮件、Slack / Teams / PagerDuty webhook，甚至云服务商消息队列。

当阈值被真正突破时，Custom Action 也就是你定义的 stored procedure，可以自动执行，例如撤销访问权限、写入 audit log，或者触发下游工作流。这样一来，你得到的就不再是一条被动提醒，而是一层可编程、可自动响应的成本治理机制。

Per-user quotas：AI democratization 缺失的那一环（public preview）

很多组织在大规模推行 AI 能力时，最常见的问题之一，就是个别用户可能会制造非常夸张的成本。例如，对 100 万行数据运行一个复杂的 Cortex function，或者在一个紧密循环里重复触发 LLM 调用。

传统 budgets 关注的是资源级 aggregate spend，但它们无法防住这种单个用户异常放大的风险。

Per-user quotas（当前处于 public preview）就是为了解决这个问题。Quota 定义的是对每个用户单独生效的 monthly 或 daily credit ceiling，而且它会对作用范围内的每个人独立执行。Quotas 覆盖了那些积累成本最快的 AI 域：

AI functions（所有 Cortex SQL functions，例如 AI_COMPLETE、AI_CLASSIFY、AI_EXTRACT 等）
CoWork（原 Intelligence）
Cortex Agents
CoCo（Snowsight、CLI 和 Desktop）

用户范围通过标签来定义，这样你就能把现有的组织结构，例如成本中心、部门、团队，映射到配额作用域里，而不必人工逐个列出用户。

为了保证足够可见性，不论是配额管理员，还是用户本人，都会在接近上限或真正触顶时收到自动通知，具体频率和阈值则取决于你的配额配置。

对于需要强硬治理的组织，强制阻断可以在用户达到其配额后的几分钟内快速封顶，从而降低失控支出风险。根据你设定的每日或每月上限，用户对特定 AI 功能的访问会在到达上限后自动受限，并在下一个周期开始时自动恢复。

对于那些希望把 AI 广泛下放给一线用户的组织而言，每用户配额就是让自助式 AI 更安全的关键原语。你可以把 AI 函数开放给每个分析师，同时又对每个人的使用情况做独立追踪，并在账单失控前采取动作。

更大的图景：AI 同时在做成本管理的两侧工作

这一波 FinOps 工具之所以和以往不同，在于 AI 此刻同时承担着两种完全不同的角色。

一方面，AI 正在驱动成本管理本身。借助 CoCo 的成本智能技能，任何团队成员都不需要再是对 ACCOUNT_USAGE 深度熟悉的数据工程师，也能用自然语言理解支出、调查异常、创建预算。新版账户概览则把 AI 生成的洞察放到了成本工作流中心，把 "看起来不对劲" 和 "知道发生了什么、接下来该做什么" 之间的时间差压缩到极短。成本管理不再只是后台报表，而是嵌入团队日常运作中的 AI 辅助决策层。

另一方面，AI 也是被治理的对象。细粒度 AI 使用量视图、基于标签的 AI 预算和每用户配额的组合，给了 FinOps 和平台团队一组足够完整的原语，让他们能够在更广范围内部署 AI，同时维持更强的财务治理能力。你现在可以看清到底是哪一种 AI 功能花了多少钱，在团队和个人两个层级上执行限制，并在跨过阈值时自动触发治理动作。

这两面结合起来，反映出一个简单但非常重要的原则：面对 AI 驱动的成本复杂性，正确的回应不是增加更多手工流程，而是把由 AI 驱动的更好工具直接嵌入到你的数据所在平台之中。