在管理AI成本与扩张方面,首席信息官们并非孤军奋战。
根据软件公司Flexera云计算与FinOps高级副总裁Jay Litkey的介绍,几乎所有企业的FinOps团队(该职能最初起源于云计算管理领域)如今都在负责AI支出管理的某个环节,而衡量成功的标准也正在从成本节约与优化,逐步转向业务成果与投资回报率。
"目前约有64%的团队已将'为业务创造的价值'作为关键绩效指标。"Litkey在Flexera于本周三举办的FinOps Forward 2026线上活动中表示。
与此同时,这些团队正准备承担更多职责,例如建立智能体清单与管理标准,帮助企业——尤其是CIO——应对AI无序扩张和影子AI泛滥的问题。根据FinOps基金会发布的《2026年FinOps现状报告》,近五分之四的FinOps团队向CIO汇报工作。
南非金融服务公司FirstRand的软件资产管理与FinOps负责人Salomé Keet在活动中表示,FinOps团队并不是来监管企业如何投资和使用AI的,而是提供治理要求和度量指标,帮助组织判断什么才是有效的AI使用方式。
对于FirstRand而言,证明包括AI项目在内的IT投入所带来的业务价值,不仅仅依靠FinOps本身。Keet补充道,实现价值目标意味着需要打破部门壁垒,与企业各团队协同合作。
"在支出方面,我们正在与财务部门、采购部门紧密跟踪。"她在活动中说道,"将所有数据来源整合在一起,是我们的重点工作。在大家对AI热情高涨、这一趋势持续增长的背景下,我们必须确保保持对全局的掌控,避免重复投入。"
Keet还表示,她正在研究如何在FinOps团队内部更高效地应用AI,并认为这可能会成为改变团队运作方式的关键所在。
FinOps基金会首席运营官Steve Trask在活动中指出,FinOps团队在管理AI支出时面临三大主要挑战:全面掌握AI支出的整体规模、量化其价值,以及合理分摊成本。
"这在社区内绝对是个热门议题,大家都在思考如何围绕AI支出构建更好的实践体系。"Trask说道。
IDC智能云运营市场服务研究副总裁Jevin Jensen在活动中表示,目前仅有7.5%的企业将FinOps纳入AI项目,这使得团队难以有效追踪支出情况。随着企业在未引入FinOps的情况下推进AI项目,41%的企业在AI支出上的浪费超过了15%。
但FinOps团队的潜力不止于管理支出。以AI智能体为例,这一技术虽然相对较新,但很快将给企业带来新的挑战。随着智能体数量的规模化增长,FinOps团队可以帮助制定标准、协议和清单,以应对智能体无序扩张的问题。
Jensen表示,企业在2025年共部署了2880万个智能体。IDC预计,到2026年底,企业管理的智能体数量将达到这一数字的80倍。他还补充道,到2029年,每日智能体操作次数将接近2170亿次。随着越来越多的智能体被构建并嵌入关键业务系统,企业可能难以对AI部署进行有效监控,从而助长影子IT的蔓延。
"我很担心,在AI智能体领域,影子IT将以更猛烈的势头卷土重来,毕竟创建这些智能体将会变得越来越容易。"Jensen说道。
Q&A
Q1:FinOps团队在AI支出管理中具体承担哪些职责?
A:FinOps团队并不直接监管企业如何投资和使用AI,而是提供治理要求和度量指标,帮助判断有效的AI使用方式。具体工作包括追踪AI支出、整合多方数据来源、避免重复投入,以及帮助量化AI项目为业务带来的实际价值。目前约64%的FinOps团队已将"为业务创造的价值"作为核心KPI,并逐步从单纯的成本控制转向关注业务成果与投资回报率。
Q2:企业在AI支出上的浪费情况有多严重?
A:根据IDC研究副总裁Jevin Jensen在FinOps Forward 2026活动上分享的数据,目前仅有7.5%的企业将FinOps机制纳入AI项目管理。在未引入FinOps的情况下推进AI项目,导致41%的企业在AI支出上的浪费超过15%。这意味着大量AI投入并未产生对应的业务价值,凸显了将FinOps与AI项目深度融合的重要性。
Q3:AI智能体的快速增长会带来哪些风险?
A:根据IDC的预测,企业在2025年部署了2880万个智能体,到2026年底这一数字将增长至约23亿个,到2029年每日智能体操作次数将接近2170亿次。随着智能体大规模嵌入关键业务系统,企业将难以有效监控所有AI部署,影子IT风险将显著上升。对此,FinOps团队可通过建立智能体清单、制定管理标准和协议,帮助企业应对这一无序扩张的挑战。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。