Anleitungen

KI-Ausgaben nach Team, App oder Kunde

Den Tag oder das Label setzen, das jede Cloud auf ihre KI-Abrechnung schreibt, und KI-Ausgaben danach gruppieren und zuordnen.

Amazon Bedrock, Vertex AI und Microsoft Foundry können auf der Abrechnung selbst ein Team, eine App oder einen Kunden nennen, wenn Sie beim Aufruf das Signal setzen, das sie lesen. Costfluent behält diese Tags und Labels auf jeder KI-Kostenposition, neben den Modell- und Token-Tags, die es ableitet. Diese Anleitung setzt das Signal an jeder Quelle und gruppiert und ordnet KI-Ausgaben dann danach zu. Jeder Schritt verlinkt die Seite, die die Einzelheiten beschreibt.

Bevor Sie beginnen

Eine Verbindung zu AWS, Azure oder Google Cloud mit Kosten in der Dienstkategorie AI and Machine Learning; siehe AWS verbinden, Azure verbinden und GCP verbinden.
Ein Tag-Schlüssel für den Eigentümer, etwa team, app oder customer, an jeder Quelle gleich geschrieben.

1. Das Signal an jeder Quelle setzen

Jede Cloud schreibt ein anderes Signal auf ihre Abrechnung. Die folgenden Angaben sind die des jeweiligen Anbieters, gelesen am 2026-11-10.

Amazon Bedrock. Legen Sie für das Modell ein Application Inference Profile an, versehen Sie es mit einem Tag und rufen Sie mit der InvokeModel- oder Converse-API die ARN des Profils statt der Modell-ID auf. Aktivieren Sie den Tag dann in der Billing and Cost Management Console als Kostenzuordnungs-Tag; er gilt für Kosten ab der Aktivierung, nicht davor (AWS: Application inference profiles). Costfluent liest aktivierte Kostenzuordnungs-Tags aus der Spalte Tags des Datenexports (AWS verbinden).
Vertex AI. Senden Sie den Eigentümer im Feld labels des Request-Bodys jedes Gemini-Aufrufs. Labels erreichen Cloud Billing nur bei Pay-as-you-go-Aufrufen; Provisioned Throughput ignoriert sie. Schlüssel und Werte bestehen aus Kleinbuchstaben, Ziffern, Unterstrichen und Bindestrichen (Google Cloud: Custom metadata labels). Costfluent liest sie als Ressourcen-Labels (GCP verbinden).
Microsoft Foundry. Versehen Sie die Foundry-Ressource mit einem Tag, oder die Ressource, auf die jedes Team bereitstellt. Für Modelle, die Azure verkauft, versieht Foundry die Nutzung eines Projekts außerdem selbst mit dem Tag project, als Vorschau und nicht für Modelle, die über Azure Marketplace verkauft werden (Microsoft: Plan and manage costs). Costfluent liest beide aus den Tags der Zeile (Azure verbinden).
Ein eigener Anbieter. Senden Sie Ihre eigenen Tags mit jeder Kostenzeile; siehe Kosten zu einem eigenen Anbieter hochladen und KI-Ausgaben aus jeder Quelle.

Ein Tag erreicht die Abrechnung ab dem Tag, an dem der Anbieter ihn schreibt. Kosten von davor tragen keinen Eigentümer, und Costfluent ergänzt keinen.

2. KI-Ausgaben nach dem Eigentümer gruppieren

Öffnen Sie den gespeicherten Bericht „AI spend“ aus dem Dashboard „AI spend“ oder einen neuen Bericht, gefiltert auf die Dienstkategorie AI and Machine Learning. Gruppieren Sie nach Tag und wählen Sie den Eigentümer-Schlüssel als Tag-Schlüssel, dann nach Tag ai:model, um die Modelle jedes Eigentümers zu sehen. Siehe Kostendaten untersuchen und Übersicht und Dashboards.

3. Einen Eigentümerwert über alle Quellen bilden

Schreiben die Quellen den Eigentümer verschieden, etwa team bei Bedrock und project bei Foundry, legen Sie einen virtuellen Tag an, der die Schlüssel der Reihe nach liest und Lücken mit Regeln füllt, und gruppieren Sie stattdessen nach Virtueller Tag. Siehe Virtuelle Tags.

4. Mit dem Rest der Abrechnung zuordnen

Um jedem Team seine KI-Ausgaben neben seinen übrigen Cloud-Kosten zu zeigen, nehmen Sie den Eigentümer in die Regeln der Segmente auf, wie Showback für Teams es zeigt. Siehe Segmente und Zuordnungsregeln.

Wie es sich verhält

Der Eigentümer kommt nur aus der Abrechnung: ein Tag oder Label, das der Anbieter auf die Kostenposition schreibt. Costfluent teilt eine Position nie nach Aufruf oder nach Prompt auf.
Kosten ohne den Eigentümer-Schlüssel bleiben im Bericht, unter einem leeren Wert der Gruppierung.
Eine Position, deren Modell Costfluent nicht erkennt, behält ihre Eigentümer-Tags, trägt aber kein ai:model.