DoiT ha introdotto Attribute, una tecnologia pensata per risolvere uno dei problemi più complessi della gestione economica delle applicazioni basate su intelligenza artificiale: capire con precisione chi genera i costi, quali funzionalità li producono e quanto pesa ogni agente AI, cliente o workload sul consumo complessivo di token, GPU e servizi cloud.
Il punto tecnico centrale è l’eliminazione della strumentazione applicativa. Nei modelli tradizionali di FinOps e cloud cost management, l’attribuzione dei costi dipende spesso da tag, policy interne, SDK, wrapper applicativi o modifiche al codice. Questo approccio funziona solo quando l’infrastruttura è relativamente lineare e ogni risorsa può essere collegata in modo stabile a un team, a un progetto o a un ambiente. Con l’AI generativa, però, questa logica diventa molto meno affidabile, perché una singola API key può servire più clienti, un gateway LLM può aggregare richieste provenienti da più agenti e una GPU condivisa può eseguire modelli diversi per prodotti differenti.
Attribute affronta il problema spostando il punto di osservazione a un livello più basso dell’architettura. La piattaforma utilizza un sensore eBPF leggero che opera a livello del kernel del sistema operativo e osserva il consumo reale delle risorse mentre avviene. In questo modo può collegare GPU, CPU, memoria, rete, I/O, richieste ai modelli e traffico applicativo ai processi, container, pod e richieste che li hanno generati, senza richiedere interventi diretti nel codice delle applicazioni.
Questa impostazione è particolarmente rilevante per gli ambienti Kubernetes, per le architetture multi-tenant e per i sistemi AI che utilizzano gateway, agenti, orchestratori e servizi gestiti. In questi contesti, il dato di fatturazione grezzo non è sufficiente per capire il costo reale di una funzionalità. Un conto aggregato di OpenAI, Anthropic, Google Gemini, AWS Bedrock o di un cluster GPU interno può indicare quanto è stato speso, ma non sempre consente di stabilire quale cliente, quale feature o quale agente abbia prodotto quel consumo.
Attribute punta a ricostruire questa relazione tra consumo tecnico e responsabilità economica. La piattaforma collega le chiamate verso i modelli gestiti ai dati di costo dei provider e suddivide automaticamente token di input, token di output, token cached e token di reasoning. Il risultato è una visione più granulare della tokenomics, con indicatori come costo per richiesta, costo per sessione, costo per cliente, costo per agente e costo per funzionalità.
Per le aziende che integrano l’AI nei propri prodotti, questa granularità diventa un elemento strategico. Non basta sapere che la spesa AI sta aumentando: serve capire se una determinata funzione è sostenibile, se un cliente genera margine positivo, se un agente autonomo consuma più del previsto o se un nuovo flusso applicativo sta producendo costi nascosti. L’attribuzione automatica dei consumi consente quindi di collegare le decisioni tecniche alle metriche economiche, trasformando il costo dell’AI da voce opaca di infrastruttura a dato operativo misurabile.
Il vantaggio dell’approccio senza tag e senza SDK riguarda anche la scalabilità organizzativa. In molte aziende, imporre standard di tagging coerenti su team, ambienti, servizi, gateway e pipeline diverse è difficile e richiede manutenzione continua. Gli SDK, invece, coprono solo le porzioni di codice effettivamente strumentate e possono lasciare zone cieche quando cambiano i flussi applicativi, quando vengono introdotti nuovi agenti o quando le richieste passano attraverso proxy e sistemi condivisi. La misurazione a livello kernel riduce questa dipendenza dalla disciplina applicativa e consente di osservare il comportamento effettivo dell’infrastruttura.
Attribute non si limita alla sola spesa per modelli AI. Lo stesso modello di attribuzione può essere esteso a risorse condivise come cluster Kubernetes, database multi-tenant, storage, networking e infrastruttura di calcolo. Questo è importante perché il costo reale di una funzionalità AI non coincide solo con i token consumati: comprende anche l’elaborazione, la memoria, il traffico, lo storage, l’orchestrazione e l’eventuale uso di GPU dedicate o condivise.
Dal punto di vista FinOps, la piattaforma si colloca in una fase in cui la spesa AI sta diventando più dinamica e meno prevedibile rispetto ai costi cloud tradizionali. I workload agentici possono generare catene di operazioni, sotto-agenti, chiamate ripetute ai modelli e consumi indiretti difficili da ricondurre a una singola origine. Senza un sistema di attribuzione continuo, il rischio è che l’azienda riesca a vedere la fattura finale ma non il percorso tecnico che l’ha prodotta.
L’obiettivo di DoiT è rendere questa catena più trasparente. Attribute permette ai team tecnici, finanziari e di prodotto di analizzare il costo dell’AI con la stessa granularità con cui osservano le prestazioni applicative. In questo modo diventa possibile valutare il margine per cliente, confrontare il costo di diverse funzionalità AI, individuare sprechi, correggere architetture inefficienti e decidere quali servizi scalare, limitare o riprogettare.
La novità più significativa non è quindi soltanto l’attribuzione dei token, ma il cambio di prospettiva: l’AI cost management non viene più trattato come un problema di etichette inserite correttamente dagli sviluppatori, ma come un problema di osservabilità infrastrutturale. Misurando ciò che viene realmente eseguito, Attribute cerca di fornire una base più solida per governare l’economia delle applicazioni AI, soprattutto nei contesti enterprise dove modelli, agenti, clienti e risorse condivise si sovrappongono continuamente.