FinOps 2.0——从云成本到 AI 算力与软件资产治理

FinOps 2.0——从云成本到 AI 算力与软件资产治理

作者：泷码软件（上海）有限公司 ｜ 泷码软件研究院 ｜ 泷码首席信息官（CIO）平台

版本：2026 年第 4 季度 ｜ 领域：企业技术支出治理 · 云成本 · AI 算力 · 软件资产

1. 报告摘要

本报告的核心判断是：FinOps 已不再是"云的财务运营"，而正演进为覆盖全技术栈的价值治理体系（本报告称其为 FinOps 2.0）。对于当代 CIO 而言，支出控制的关键抓手已经不再是单一云账单，而是"AI 算力 + 软件资产"这两条此前未被系统治理的支出主线。建议采取"双轨先行、范畴扩张、价值度量"的推进路径，在组织层面将 FinOps 团队上移至 CIO/CTO 体系。

支撑本判断的关键证据：

• FinOps Foundation《State of FinOps 2026》（1,192 家受访企业，代表 830 亿美元以上年云支出）显示，98% 的 FinOps 团队已在管理 AI 支出，而两年前这一比例仅为 31%；90% 已在管理或计划管理 SaaS，64% 管理软件许可，57% 管理私有云，48% 管理数据中心，另有 28% 开始纳入人力成本。

• IDC《FutureScape 2026：CIO 与 CTO 议程》警告：到 2027 年，G1000 企业将面临最高 30% 的 AI 基础设施成本低估；模型规模翻倍可能消耗 10 倍算力，推理负载持续消耗 GPU。

• FinOps 团队向 CTO/CIO 汇报的比例已达 78%（较 2023 年提升 18 个百分点），向 CFO 汇报的比例降至 8%，表明该治理职能已从"财务事后核算"转向"技术事前决策"。

• 市场研究机构对全球 FinOps 软件市场的预测口径虽不一（MarketsandMarkets 预计由 2025 年约 148.8 亿美元增至 2030 年约 269.1 亿美元），但方向一致：FinOps 工具化支出正快速扩张。

约束与边界：AI 成本的可见性、跨域分摊与 ROI 度量仍是行业内公认的未解难题；AI 工作负载的探索性与不可预测性使传统静态预算失效；FinOps 市场规模各机构统计口径（"FinOps 软件"与"云 FinOps"）差异较大，绝对数字仅供趋势参考，不作精确对比。

优先动作：①盘点并归一云、AI、SaaS、许可四类账单（以 FOCUS 规范为数据底座）；②对 AI 算力建立 token/GPU 级可观测与配额护栏；③对软件资产开展许可合理化与版本适配；④将 FinOps 团队上移至 CIO 体系并建立单位经济学度量。

2. 引言：从"云的财务"到"技术的价值"

2.1 定义：什么是 FinOps

为澄清本报告讨论的对象，首先给出强制性定义。FinOps（Financial Operations，财务运营），依据 FinOps Foundation 的界定，是一种运营框架与文化实践，它把财务、技术与业务三方组织起来，围绕"消费、优化与价值"的共同语言展开协作，以最大化技术投入的商业价值。其本质不是一套成本削减工具，而是一套"让技术支出可被解释、可被归属、可被优化"的组织能力。

FinOps 的演进史可以清晰刻画为两个阶段。1.0 时代（约 2015—2022 年）以云为唯一对象：它诞生于企业把工作负载迁移上云后、按需基础设施"失控"的教训之中——按需付费本是弹性之利，却同样可以成为失控之壑。彼时 FinOps 的核心命题是"让云的每一块钱可归属"，手段围绕云账单的标签、成本中心、保留实例、按需 vs 预留的取舍展开。

2.0 时代的转折点来自三重外部力量的同时叠加。其一，AI 的规模化落地使算力与 token 成为新的、且更不透明的支出主线；其二，SaaS 与软件许可在企业软件支出中的占比与复杂度快速上升，形成第二张"看不见的账单"；其三，多云、私有云与数据中心混合形态回归，使"云"这一概念本身不再边界清晰。三者合力之下，FinOps Foundation 已把使命从"管理云价值的从业者"更新为"管理技术价值的从业者"——这正是本报告命名为 FinOps 2.0 的依据。

3. FinOps 2.0 的内涵界定：三层边界重构

3.1 范畴之扩：从"云"到"全技术栈"

FinOps 2.0 的第一层重构是对象范畴的扩张。传统 FinOps 的计量单位是"云账单"，2.0 的计量单位则是"企业全部技术支出"。根据《State of FinOps 2026》，曾经以云为中心的实践已成为明确的"多技术"实践：90% 的受访者已管理或计划管理 SaaS（2025 年为 65%），64% 管理软件许可（同比提升 15 个百分点），57% 管理私有云（提升 18），48% 管理数据中心（提升 12），而 AI 支出管理几乎成为标配（98%，两年前 31%）。一个 28% 的增量群体甚至开始把人力成本纳入 FinOps 范畴，指向"面向整体技术价值"的方向。

这种扩张并非组织自觉的主动选择，而多由治理缺口的倒逼而来。实践者对该进程的概括极具代表性："先是让我们修云，然后修软件的乱摊子，现在轮到修合同与许可，接着修数据中心……"——这条链条的终点，是 FinOps 成为整个组织理解技术价值的公共语言。

3.2 对象之扩：从"基础设施"到"AI 算力"

第二层重构是治理对象的性质变化。云时代的成本对象是"可预估的容量"（计算、存储、数据库、网络），其消费模型相对稳定。AI 时代的成本对象则是"概率性的消耗"：一次 API 调用、一段 token 生成、一个 GPU 小时、一条推理链，其成本随 prompt 长度、模型档位、缓存命中与并发峰值而逐请求波动。IDC 明确提示，"模型规模翻倍可能消耗十倍算力"，推理负载在训练结束之后仍持续消耗 GPU——这意味着 AI 的成本曲线是"活的"，无法用季度静态预算捕捉。

3.3 目标之移：从"降本"到"价值"

第三层重构是目标的迁移。当成本削减的"大石头"被逐一搬走后，成熟组织开始承认传统优化的边际递减："我们已经搬走了浪费的大石头，剩下的是一大批需要更多精力的小机会。"《State of FinOps 2026》的优先级数据显示，"范畴扩张、治理与政策、组织对齐、预测"四项之和已经超过"优化本身"，单位经济学（unit economics）、AI 价值量化与"影响技术选型"成为成熟实践的核心目标。FinOps 2.0 的终点不是"省钱"，而是"让每一笔技术支出产生可度量的业务价值"。

[该类型的内容暂不支持下载]

图 1：FinOps 管理范畴的扩展构成｜来源：《State of FinOps 2026》｜期间：2026 年｜单位：受访者占比

上图直观呈现了范畴扩张的幅度：AI 支出管理与 SaaS 已进入"标配区"（90% 以上），软件许可与私有云进入"主流区"（57%—64%），数据中心仍处"快速扩张区"（48%）。值得注意的是，AI 管理的两年内从 31% 跃升至 98%，是所有类别中增速最快的——这印证了"AI 是驱动 FinOps 2.0 的直接引擎"这一判断。

4. 云成本治理：从"优化"到"单位经济学"

4.1 云浪费基线：仍在流失的第一桶金

尽管云优化是 FinOps 的"老阵地"，其浪费基线依然惊人。研究机构估算，企业每年云支出的 21%—32% 消耗在未充分利用的资源、过度配置的实例与薄弱的财务治理上；Harness 的研究测算 2025 年企业将在未使用或未充分使用的云基础设施上浪费约 445 亿美元，约占基础设施预算的 21%。Gartner 估算 2025 年全球云市场规模约 7,230 亿美元——在这一量级下，云优化仍是回报直接、门槛较低的起点。

4.2 优化的手段分层与边际递减

云优化并非单一动作，而是一套可分层的手段组合：短期的速率优化（预留实例 RI、节省计划 SP、承诺使用折扣 CUD 等）通过承诺用量换取折扣；中期的架构优化通过合理配置实例规格、弹性伸缩、合理放置（spot/抢占式实例）与数据出口（egress）治理压缩浪费；长期的单位经济学则把成本绑定到业务产出。前三者的杠杆在云治理早期极为明显，但恰恰因为易于发现，也被最先收割。

但成熟的 FinOps 实践者已经越过"清扫可见浪费"的阶段。受访者坦言，"找到某个严重误配置从而省下一大笔钱、或发现一批还没买的预留实例——那是好几年前的事了；我早已不把优化作为第一优先。"这说明：当简单的错误配置与未买的预留都被清理干净后，云治理的主战场让位给了"单位经济学"——把每一单位产出（一笔订单、一次查询、一个用户会话、一条业务结果）与其云成本建立对应关系。

这一范式的含义是深远的：优化不再是"发现漏洞"的偶发动作，而是"按业务结果衡量技术成本"的持续能力。它要求财务、工程与业务共享同一套计量语言，而这恰恰是 FinOps 2.0 向 AI 与软件资产扩张时所复用的底层能力。

5. AI 算力治理：FinOps 2.0 的核心新战场

5.1 AI 成本的性质：为什么传统 FinOps 失效

AI 支出之所以成为 FinOps 2.0 的"头号议程"，是因为其成本性质与传统 IT 项目根本不同。第一，消费模型高度碎片化：OpenAI、Anthropic、Gemini 等多按 token 计费，Bedrock 按 token 且按模型调用计费，自建 GPU 则按计算小时计费，三者无法用同一把尺子度量。单次 API 调用的成本由提示词长度、响应长度、模型档位与缓存行为共同决定，逐请求波动。

第二，探索性工作负载：许多 AI 工作负载从设计之初就是探索性的。一个 AI Agent 可能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 token；成本变化的速度与输出变化的速度几乎同步，这使得传统 FinOps 的"事后对账"彻底失效。

第三，成本杠杆不对称：模型档位之间的价差巨大——小模型每百万输入/输出 token 约 1/5 美元，而前沿模型可达 5/25 美元，且随季度频繁调整。选型、路由与缓存策略的不同，可在同一任务上造成数倍的成本差。

5.2 三重治理挑战：可见性、分摊与 ROI

《State of FinOps 2026》总结出实践者面对 AI 支出时最头疼的三个问题：一是可见性不足，因为各供应商定价模型差异极大；二是分摊困难，把 AI 成本准确归属到业务单元，难度远高于传统基础设施；三是ROI 难以判定，因为大量 AI 投入本身带有探索性质，难以衡量产出。这三重挑战，正是 CIO 在 AI 支出治理中需要率先突破的结构性堵点。

5.3 AI 成本的隐藏放大器：缓存、向量库与 Agent

除定价与选型之外，AI 支出还存在多个容易被忽视的放大器。其一是缓存策略：提示词缓存（prompt caching）可显著降低重复输入的计费，而缓存命中率的设计好坏直接决定实际成本——同一段上下文的复用，可能造成数倍的单价差。其二是向量数据库与 RAG：检索增强生成所需的向量化、索引存储与每次检索的计算，会在 token 之外叠加一份持续的存储与计算成本，且随语料规模增长而扩张。其三是Agent 化工作负载：一个自主智能体可能跨多个数据集串行执行推理，单条任务即可触发数千 token，其成本的突发性远超单次调用。

5.4 AI 成本治理框架：追踪—归属—优化—护栏

业界逐步收敛出一套 AI 成本治理的四支柱框架：追踪（track）、归属（attribute）、优化（optimize）与护栏（govern）。

• 追踪：采集请求级与会话级遥测，让每一笔模型调用的成本可感知，而非只知道月度发票总额。

• 归属：把每一美元映射到团队、用例或产品，支撑 showback/chargeback。

• 优化：包括模型选型、智能路由、GPU 合理配置（right-sizing）、spot/抢占式实例与自动伸缩。

• 护栏：以预算、配额与执行阻断形成可编程的治理边界，在请求发出之前即在智能体运营层面执行 FinOps 阈值与速率限制。

5.5 关键手段：从"智能路由"到"按完成工作计量"

在优化侧，智能路由是被验证的高杠杆手段：按任务质量门槛自动选择最便宜的模型，已发布基准显示可在保持前沿模型 87%—97% 质量水平的同时节省 40%—75% 的成本。这一实践把"选型"从工程师的一次性决定，变成 FinOps 的持续治理动作。

在价值侧，按"完成工作的单位"计量正在取代"按 token 计量"：token 只显示"用了多少推理"，不显示"产出了什么"。成熟组织开始计算"每个被解决的客户咨询、每份被处理的文档、每个被接受的代码变更"的 AI 成本，从而把支出连接到可识别的业务成果，并可与既有流程的成本、速度、质量对比。这是 AI 治理从"成本"走向"价值"的必经一步。

在护栏侧，以 Snowflake 为代表的数据平台正在提供"细粒度 AI 使用量视图 + 基于标签的 AI 预算 + 每用户配额"的组合原语：既可按 account/user/function 逐层查看 AI 消耗，也可对单个分析师设置日/月额度上限，并在跨过阈值时自动触发降权、审计或阻断。其核心思想是：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 AI 驱动的治理工具直接嵌入数据所在平台。

注：上述 40%—75% 节省、87%—97% 质量水平引自公开发布的路由器基准；模型档位价为 Anthropic 公开定价，具体随季度调整。

6. 软件资产治理：被低估的"第二账单"

6.1 SaaS 蔓延与许可黑洞

当云与 AI 吸引了大部分注意力时，软件资产——尤其是 SaaS 订阅与本地/许可授权——构成了企业支出的"第二张账单"，其流失同样惊人。研究普遍显示，约四分之一的订阅支出处于未充分使用状态，持续回收（reclaim）可把软件成本降低至多 30%。在具体的合理配置（right-sizing）上，口径可量化：微软 365 的合理配置通常在多数企业节省其账单的 10%—15%，Adobe Creative Cloud 因全应用版与单应用版价差悬殊通常可节省 25%—30%。

软件资产的治理难度来自其碎片化与隐蔽性：员工离职后未回收的席位、自动续约、重复订阅、版本错配，都会在无人察觉中持续放血。这正是 FinOps 2.0 必须把"软件许可"纳入范畴的原因——它和云一样，是"可归属、可优化"的支出，却长期游离于财务治理之外。

6.2 SAM/ITAM 与 FinOps 的融合

FinOps 2.0 不是另起炉灶，而是与既有的软件资产管理（SAM）、IT 资产管理（ITAM）体系融合。《State of FinOps 2026》显示，FinOps 团队最常协作的相邻职能是 ITFM（共享数据），紧随其后是 ITAM/SAM（保障资产合规与治理）、ITSM（政策流程）与 ESG（可持续）。大型企业往往分设 FinOps 与 ITAM 团队并加强协作，小型企业则将其合并为"FinOps+ITAM"一体化团队。

这一融合的实质是把"资产清单"与"成本归属"打通：ITAM 回答"我们拥有哪些软件、是否合规"，FinOps 回答"这些软件花了多少钱、归属谁、值不值"。当 AI 订阅（如编码助手、Copilot、企业级大模型 API）进入企业软件堆栈后，软件资产治理与 AI 算力治理的边界进一步模糊——两者共同构成 CIO 支出控制的核心战场。

6.3 许可治理的合规维度：清点、真值与审计风险

软件资产的治理还有第三重含义——合规与审计风险。大型厂商的许可协议（如数据库、虚拟化与操作系统类授权）通常包含复杂的"真实化"（true-up）计量规则，而厂商审计常是成本突增的来源：许可证数量与实际部署的错配、跨环境的授权归属混乱，都可能转化为补缴费用与谈判劣势。这就使得软件资产治理不能停留在"省席位"的层面，还必须建立可核验的许可清点（inventory）、授权归属与合规证据链。它既是成本控制，也是企业应对厂商审计、避免被动补缴的防御性能力——这正是 FinOps 与 ITAM/SAM 融合能够创造双重价值之处。

7. 数据标准与工具生态：FOCUS 与平台化

FinOps 2.0 要落地，前提是"跨技术类别的成本数据可被统一读取"。这正是 FOCUS（FinOps Open Cost and Usage Specification，开放式成本与用量规范）的使命：它是 Linux 基金会下、由 FinOps Foundation 运营支持的一项开放技术规范，为计费数据生成方（云、AI、SaaS、数据中心供应商）定义统一的数据集要求，使实践者可用通用指令跨供应商完成成本分摊、预算与预测。FOCUS 当前版本已至 1.3，并原生支持 AI 工作负载。

FOCUS 的意义不止于工程便利，而在于它把"数据口径"变成了行业公共品：没有它，多云的每一张账单都需单独解析，跨类别成本根本无法对齐。可以预期，随着 AI、数据中心与更广泛 SaaS/PaaS 供应商陆续支持该规范，FinOps 从"各算各账"走向"同一把尺子"将不再遥远——这也是 CIO 构建治理数据底座时应优先对齐的标准。

在工具生态侧，市场研究对 FinOps 软件市场给出方向一致、口径各异的增长预测：MarketsandMarkets 预计由 2025 年约 148.8 亿美元增至 2030 年约 269.1 亿美元（CAGR 12.6%）；Mordor Intelligence 预计云 FinOps 市场 2031 年达约 248.9 亿美元；另有市场汇编预计 2035 年达约 457 亿美元。现代 FinOps 平台的能力已从"静态报表"升级为"可操作的成本所有权与工作流"——涵盖 GPU 与模型 API 成本管理、自动标签、多云单位经济学，并与 Kubernetes 及 AI 供应商（如 OpenAI、Anthropic）打通。

[该类型的内容暂不支持下载]

图 2：全球 FinOps 软件市场规模与预测｜来源：MarketsandMarkets、Mordor、Growth Market Reports 及市场研究汇编｜单位：十亿美元

上图以 MarketsandMarkets 的口径给出主预测曲线，并以散点标注其他机构的不同预测值。需要强调的是，各机构对"FinOps 软件"与"云 FinOps"的统计边界不同，绝对规模差异大，图中仅供观察"工具化支出快速扩张"这一共同趋势，不代表精确市场规模。

8. 组织与治理模式：FinOps 2.0 的落地机制

8.1 治理权上移：从 CFO 到 CIO

FinOps 2.0 最显著的组织变化是治理权从财务部门向技术部门的上移。78% 的 FinOps 团队已向 CTO/CIO 汇报（较 2023 年提升 18 个百分点），而向 CFO 汇报的比例降至 8%。这一转移的深层逻辑是：当治理对象从"事后账单"变为"事前技术决策"时，治理职能必须与架构、工程、平台决策同处一个指挥体系，才能真正"左移"（shift left）。

数据有力地支持了这一判断：获得高管（VP/SVP/Evp/C-suite）参与的团队，其技术选型影响力是仅覆盖到总监级的 2—4 倍——例如云服务选择权 53% 对 24%、云供应商选择权 47% 对 16%、云与数据中心部署决策 28% 对 12%。FinOps 领导者正越来越多地参与供应商战略谈判、多年期投资决策与并购技术尽调，有些甚至开始影响"人力 vs AI 技术投资"的取舍。

8.2 小型赋能团队 + 联邦式执行

值得警惕的是，FinOps 2.0 并非鼓励"大团队"。主导运营模式是"集中赋能 + 联邦执行"：81% 的组织采用集中赋能（60%）或中心辐射（hub-and-spoke，21%）模式。即便管理 1 亿美元以上云支出的组织，其核心团队通常也仅 8—10 名实践者加 3—10 名外包。成熟团队通过联邦化的嵌入式负责人（champion）、AI 生产力与自动化实现规模化，而非堆人力。AI 成本管理是各类组织中最希望补齐的技能集，紧随其后的是工具专精与自动化开发——这印证了"小团队靠自动化与赋能放大影响力"的规律。

8.3 AI for FinOps：让治理本身被 AI 增强

FinOps 2.0 的"双议程"在于：既要治理 AI 支出，也要用 AI 提升 FinOps 自身的生产力。自然语言成本分析、可自解释的异常检测、一键生成标签方案，正在把"发现异常"到"理解并修复异常"的距离压缩到极短。对 CIO 而言，这意味着 FinOps 团队的核心竞争力将从"读懂账单的人"转向"能用 AI 工具放大判断力的人"。

8.4 左移的度量难题：给"事前节约"记功

FinOps 2.0 强调"左移"——把财务要求前置到工程与产品生命周期的更早阶段，部署前架构成本评估已成为被高度渴求的工具能力。但左移面临一个度量悖论："一旦在架构阶段就避免了一笔未来支出，它就消失了，我们如何给做左移的开发者记功？"这要求企业在激励机制上承认"未发生的支出"同样是有价值的产出，而非仅奖励事后发现的节约。FinOps 团队正与平台工程、企业架构团队共建定价计算器、提供部署前指导，但激励结构尚未跟上——这是 FinOps 2.0 在组织落地中的一道现实难题。

9. CIO 行动路线图与度量体系

综合前述分析，本报告为 CIO 提出一个可落地的三段式路线图。

图 3：FinOps 2.0 落地路线图｜示意，阶段时长可视组织规模调整

配套的度量体系应兼顾"成本健康"与"价值产出"两个维度，建议设立如下 KPI 集合：

表 1：CIO 落地 KPI 建议｜来源：综合 FinOps 实践与公开指标口径｜目标值为建议值，应按企业实际调整

需要说明：上表目标值为基于行业实践的合理化建议，非权威基准，各企业应按自身规模、行业与成熟度校准。

10. 结论与展望

FinOps 2.0 的本质，是把"让技术支出可解释、可归属、可优化"的纪律，从云扩展至 AI 算力与软件资产，并把目标从"降本"推进到"创造价值"。对 CIO 而言，这既是支出控制的抓手，也是参与战略决策的杠杆：当 FinOps 团队能说清"每一笔 AI 推理、每一份软件许可值不值"时，财务治理就不再是创新的枷锁，而成为创新的导航。

展望未来，最先进的企业将在 2027 年前后实现 FinOps 的"智能化、集成化、隐形化"：治理被嵌入每个项目阶段，甚至由 AI 自主驱动以更快捕获异常；智能监控工具将自主优化资源分配、推荐最具成本效益的工作负载放置；预测分析将在预算漂移发生前预警；合规、可持续与财务报告将收敛于单一可见面板。在这样的图景下，CIO 不再仅仅是技术的管家，而同时成为组织的首席投资官——引导企业在"每一个模型运行、每一次查询、每一个智能体都同时承载价值与成本"的复杂环境中前行。

竞争的胜负手不在于谁在 AI 上花得最多，而在于谁最理解其经济性、并在对业务回报负责的前提下管理它。FinOps 2.0，正是企业确保"AI 驱动不跑赢人类洞察与治理"的平衡系统。

11. 数据来源与免责声明

11.1 数据来源

1. FinOps Foundation，《State of FinOps 2026》，data.finops.org，2026 年。

2. IDC，Jevin Jensen，《Balancing AI innovation and cost: The new FinOps mandate》《FutureScape 2026: CIO and CTO Agenda》，2025 年 12 月。

3. MarketsandMarkets，《Cloud FinOps Market Size, Share & Growth Trends Report》。

4. Mordor Intelligence，《Cloud FinOps Market》行业报告。

5. Growth Market Reports，《Cloud FinOps Market》行业报告。

6. FinOps Foundation / Linux Foundation，FOCUS（FinOps Open Cost and Usage Specification）规范 1.3。

7. Harness，企业云基础设施浪费测算（2025）。

8. Gartner，全球云市场估算（2025）。

9. Anthropic 公开模型定价（token 计价）。

10. Snowflake 官方博客《AI FinOps: Cost Management and Governance in Snowflake》，2026 年；及 InfoQ 中文编译《当 AI 遇见 FinOps：Snowflake 如何为 AI 时代重新定义成本管理》。

11. 行业公开资料：Cloudeva、EverythingCloud、Finout、nOps、PointFive、Corma、SaaS Mag 等关于 AI 成本管理与软件资产治理的技术分析。

11.2 免责声明

本报告由泷码软件（上海）有限公司、泷码软件研究院、泷码首席信息官（CIO）平台基于公开资料整理撰写，仅用于行业研究与决策参考，不构成任何投资、采购或经营决策建议。报告引用的市场规模、机构预测、行业数据与案例均来自所列公开来源，因各机构统计口径不同，具体数字可能存在差异；报告中的目标值、路线图与建议为基于行业实践的参考性内容，各企业应结合自身实际情况独立判断。本报告作者及发布机构不对依据本报告内容所作决策产生的任何直接或间接后果承担责任。报告中涉及的具体产品与品牌名称均为其各自所有者财产，引用仅为行业说明之目的。