- 综合排序
- 最热优先
- 最新优先
AI账单上涨与成本治理技术
领导者应真正治理什么正确的控制单位是什么：席位、团队、供应商还是工作流？最有用的治理单位是单个应用程序或工作流，而不是软件席位或部门预算。AI成本由使用模式产生，而不是由谁持有许可证决定。 行之有效的实用治理机制我们现在能采取的最具操作性的治理步骤是什么？为每个应用程序设置Token预算，并配有自动告警阈值，并要求任何新AI功能在上线前进行成本影响评估。 基础设施选择应如何纳入AI成本治理？不要再从成本角度将所有AI工作负载视为等同。公有某中心是实验和突发能力的正确选择，因为灵活性证明了其溢价的合理性。 我们应该如何构建AI成本治理以引起董事会层面的关注？将其构建为竞争风险，而不是预算管理问题。 不受管理的AI消费会以复合的方式侵蚀利润率，而那些良好治理其AI经济学的组织将比不这样做的组织拥有结构性的成本优势。
17510编辑于 2026-05-20影子AI与治理缺失导致数据泄露成本上升
关键发现13% 的被调研企业遭遇涉及AI模型的数据泄露63% 的受影响企业缺乏正式AI治理框架或处于开发阶段仅34% 已制定政策的企业会定期审计未经授权的AI使用影子AI的财务影响五分之一企业将数据泄露归因于影子 AI广泛存在影子AI的企业平均多承担67万美元泄露成本影子AI相关事件中：65% 导致个人身份信息泄露（全球平均53%）40% 影响知识产权（全球平均33%）攻击与防御的双向AI应用攻击者利用AI提升网络钓鱼和深度伪造攻击的效率 ，而防御方采用AI驱动工具实现：平均节省190万美元泄露成本缩短80天事件响应周期行业数据对比全球数据泄露平均成本降至440万美元（五年来首次下降）美国平均成本创纪录达到1022万美元医疗行业泄露成本最高 缺乏治理的AI系统更易引发安全事件，而将AI安全工具集成到运营流程的企业显示出显著投资回报。
25610编辑于 2025-09-01企业AI成本为什么总失控？3 类token隐性消耗与治理方法
2026 年，AI 在企业中的角色已经从“试点工具”变成“生产系统”。问题也随之变化：过去关注“模型效果”，现在更关注“调用成本是否可控、可解释、可优化”。 “某个模型太贵”，而是缺少一套稳定的治理闭环。 三、4 步治理路径（可执行）第一步：统一调用入口先收敛 key 与调用路径，避免“多口子直连、多口径记账”。 五、工程实践补充：如何把治理做成日常能力在实践中，最容易长期坚持的做法是：每周固定复盘 1 个高成本低产出工作流每月只优化 TopN 异常链路，不追求一次清空所有问题先建立“可解释性”，再扩大“自动化策略覆盖率 结语AI 成本治理不是单纯降本，而是提高“单位 token 的有效产出”。当团队能稳定回答“谁在花、花在哪、为什么涨、值不值”时，AI 才真正从工具变成可运营资产。
28610编辑于 2026-05-20- 来自专栏腾讯云开发者社区推荐
存储成本降低80%，有赞数据中台成本治理怎么做的？
根据目前的业务情况来看，数据中台资源上投入成本的增速比我们整个业务发展的增速还要快，这就导致了它的不可持续性，这也是我们进行成本治理的一个主要原因。 3. 二、综合治理 在这样的大背景下，我们从 5 个方面进行了成本的综合治理。和前面的问题也有关联： 1. 有了单价指标之后，每一个跑批使用了多少资源，再乘以单价就可以得到成本的数据。 数据成本模型在成本治理中非常关键。 最后一句话：不计成本的数据，也许只是一堆垃圾。要把数据变成真正有价值的资产，首先要从怎么更好的做好数据的成本治理开始！ 四、Q&A Q：持续运营的成本怎么样呢？ Q：数据治理怎么和数据成本关联 A：数据治理的范围很⼴，包含数据本⾝的管理、数据安全、数据质量、数据成本等。 640.gif
8.3K12857发布于 2020-08-05 【全球AI伦理治理】
AI伦理治理框架的全球协同案例 欧盟《人工智能法案》提出基于风险分级的四层治理体系，禁止社会评分等高风险应用。OECD的AI政策观察站已收录全球700余项政策倡议，形成跨国数据库共享机制。 新加坡的Model AI Governance Framework为亚洲企业提供可认证的伦理操作手册。 美国NIST的AI风险管理框架（RMF）采用模块化设计，包含测量标准与测试工具包。 日本社会5.0计划将AI伦理纳入智慧城市基础设施标准，通过区块链技术实现算法审计追踪。 多利益相关方协同机制 联合国教科文组织的《AI伦理建议书》获得193国采纳，建立全球论坛平台。 企业联盟如Partnership on AI推动跨行业协作，发布《负责任的AI实践指南》。蒙特利尔宣言构建了研究人员伦理承诺体系，通过数字签名实现全球联署。 伦理治理效果评估需结合定量与定性指标： 技术指标：算法偏差系数 \Delta = \frac{|P(y|g_1) - P(y|g_2)|}{\max(P(y|g_1), P(y|g_2))} 过程指标
31610编辑于 2026-01-20- 来自专栏深度学习与python
成本与效率：作业帮数据治理全方位解析
本次演讲围绕提升数据指标的 ROI 以 及易用性展开，首先介绍了作业帮数据治理的背景和框架，然后从数据使用成本和数据使用效率的角度详细说明每一个模块的治理方案，最后总结并阐述了对未来数据治理的展望。 存储资源浪费主要表现在缺乏体系化数据治理，每次都是被动的、手动的运动式治理，导致失效、无用数据长期占用资源。 另一个问题是用户的用数成本很高。 针对以上问题，我们的数据治理方案是：以数据 ROI 为抓手，降低数据生产成本，提升数据使用效能。这里数据 ROI 等于数据效能价值除以数据生产成本。 降低成本主要就是计算成本和存储成本的优化，提升数据使用效能主要是通过建设数据治理和开发工具平台来达到目的。最终我们数据治理的目标就是，在成本可控的前提下，保障数据使用效能持续稳定输出。 有了这些治理手段加上工具，可以让数据 ROI 最大化，达到我们在成本可控的前提下，使数据使用效能持续稳定输出的目的。 未来数据治理方向也希望能用上 AI 辅助。
57410编辑于 2024-07-12 腾讯云 AI Agent 治理平台：重构企业智能体基础设施与成本管控体系
应对规模化 Agent 部署的治理与成本失控挑战 随着 AI 技术从 Chatbot、Copilot 演进至 Agent 元年（2025）及规模化部署元年（2026）（Sam Altman, OpenAI 构建统一治理平台与分层记忆架构 腾讯云 Agent 治理平台通过“技术 Infra 重构”与“组织 Infra 重构”，提供从接入、治理到交付的全链路能力。 1. 模型路由与成本管控 技术侧通过统一模型网关实现智能路由与多模态支持；商业侧实施精细化运营： 算力成本优化：CVM Ai2 智能型机型刊例价 = 标准型 40%。 验证治理效能与业务指标提升 基于上述架构，腾讯云在记忆管理与成本控制上取得了显著的量化收益： 记忆准确率提升：综合基准测试显示，OpenClaw 原生记忆准确率为 48%，升级至 TencentDB Agent 算力性价比：自研 CVM Ai2 智能型机型，刊例价仅为标准型的 40%，显著降低推理成本。
700编辑于 2026-06-11AI版权全球治理观察
（三）治理特征：通过行政机构“介入式监管”直面版权争议深水区同风险把控相对应的是执法监管，欧盟AI版权治理的强监管特征已经慢慢呈现。 根据“AI法案”的规定，欧盟AI办公室作为法案的执行机构，将会直接参与到AI版权具体治理中。 （二）治理特征：依靠行政机关的细化指导以明确AI版权规则的落地适用应当说，在AI版权治理领域日本相较于其他国家和地区，展示出了极大的规则勇气，是唯一在细化规则和落地执行层面给予明确性回应的国家。 工具创作内容后续的“IP授权和维权”的权利稳定性，进而损害全社会文化内容的创作和传播；还会导致对利用AIGC工具创作的内容不经授权的任意侵权利用，这将引发作品创作秩序、版权交易规则的混乱，并带来额外的社会治理成本 对于AIGC服务提供者注意义务边界的设定，既不能强人所难，也不能鼓励故意懈怠者，而是需要借助于司法实践中个案认定，对平台技术可行能力和合理经济成本综合加以考量评估。
1K10编辑于 2025-04-22AI+Data：AI时代的企业数据治理
为了解决这些问题，数据治理逐渐成为企业普遍重视的关键环节，尤其是在AI应用日益普及的背景下，高质量的数据治理变得尤为重要。数据的多元化与价值挖掘长期以来，人们习惯将数据理解为以数字形式存储的信息。 对于部署AI应用的企业来说，数据资源的质量直接决定了AI应用能否成功落地。因此，在推进AI应用的过程中，开展针对性的数据治理工作是首要且必要的步骤。 为了确保AI模型的有效性和准确性，必须保证数据的完备性和准确性。有效的数据治理不仅可以为AI模型提供高质量的数据原料，还能提高模型的拟合效果，进而增强AI应用的实际性能。 良好的数据治理体系在支撑AI应用方面起着重要的作用，高质量的数据输入不仅能改善特征工程和模型训练的效果，还可以降低上线成本并减少潜在的数据问题带来的风险。 在金融、医疗、零售、工业以及互联网等数据基础建设较好的行业中，面向AI时代的数据治理正在逐步显现其优势。
1.2K10编辑于 2025-01-03- 来自专栏深度学习与python
是时候好好治理 AI 模型了！
在大部分场景下，这种治理能力带来的好处是通过最低的成本，保证模型上线并发挥效用。在一些特殊场景下，这种治理能力所发挥的作用则不止于此，比如金融、医疗等对可信度要求极高的领域。 企业应该投资治理 还是扩大现有 AI 解决方案？ 对企业来说，现有资金到底应该投入到机器学习治理流程，还是应该继续扩展现有的机器学习解决方案呢？ 机器学习治理的出现便是为了更好地构建负责任的 AI，全面实施负责任的 AI 有助于企业将风险降至最低。 提到 AI，我们最常说的一句话是“落地为王”，现在是时候将部分工作交由“负责任的 AI”来保证了（点击阅读原文轻松开启机器学习治理流程）。 今日好文推荐 想彻底改变云行业！ Spark发源地UC伯克利分校再推开源项目应对云成本飙升：平均降至三分之一 重磅！
69220编辑于 2023-03-29 - 来自专栏Java进阶架构师
火山引擎Dataleap治理实践：如何降低数仓建设成本
为了减轻资源负担，降低数仓维护成本，需要对数仓建设成本进行治理与优化。 二、技术路线 针对数仓建设成本治理的粒度从大到小可以分为：数据表、数据任务、数据表字段。 「"数仓建设成本分析"看板总览」 三、技术方案 1、低频使用数据表优化方案 1.1、定位低频使用数据表 火山引擎Dataleap提供了Hive表的资源治理功能，包括Hive表的存储与访问次数等基本信息查询 根据优化收益进行治理的顺序为：第二象限>第三象限>第一象限>第四象限。 优化思路 配合「埋点成本分析看板」，根据不同的使用成本与使用次数阈值将看板分为四个象限，其中各个象限的数据表的含义及推荐的优化手段为： 根据优化收益进行治理的顺序为：第二象限>第三象限>第一象限>第四象限 在梳理了数据表、字段的血缘树的基础上，建立了Hive表成本分析看板、任务成本分析看板、埋点成本分析看板等看板，结合大数据研发治理套件火山引擎DataLeap对数仓建设过程中的数据表、数据任务、埋点字段的成本的进行了由粗到细的梳理与优化
60021编辑于 2023-09-04 从月度总账到请求级归因：企业大模型调用成本治理实践
本文给出一套可落地的工程方法：通过“虚拟凭证 + 运行时注入 + 请求级审计”，在不大改业务代码的前提下，实现分钟级成本可见与异常快速止损。 业务复盘时，缺少请求级证据链，难以完成成本与效果对照。这类问题本质不是“单价高”，而是“归因口径不足”。 二、治理目标：先可见，再可控，再优化建议分三步推进：可见：每次调用都能回答“谁调用、调用什么、消耗多少、费用多少”。可控：可按项目/环境/调用方设置预算、有效期、模型范围。 三、方案设计：虚拟凭证与运行时治理层可采用如下设计：真实调用凭证统一保存在安全存储中；业务侧仅使用“虚拟凭证”；请求在运行时完成凭证映射与注入；调用结束后写入请求级审计记录。 七、结语企业大模型成本治理不是单次“降本动作”，而是持续的工程能力建设。当成本从“月度总账”下沉到“请求级账本”，团队才能实现：可审计、可回溯、可优化的稳定治理路径。
12600编辑于 2026-05-13- 来自专栏资讯分享
迈向负责任 AI：中国 AI 治理趋势与展望
换句话说，建立健全AI治理，是迈向负责任AI、保障AI未来发展的必由之路。希冀本文对未来AI治理的持续开展和落地有所助益。 对于AI领域而言，AI标准不仅是支持、促进AI发展进步和广泛应用的重要手段(如技术标准)，而且是推进落实AI治理的有效方式(如治理标准、伦理标准)，因为AI治理标准可以起到“承接立法和监管、对接技术实践 全球AI治理合作与竞争并存 全球AI竞争，既是技术与产业的竞争，也是治理规则与标准的竞争。全球数字经济发展正在形成AI、数据等方面新的国际规则，如数据流动、AI治理框架等。 通过这些技术众包方式培育、壮大AI伦理社群，将在AI治理中扮演重要角色。 全球AI治理合作需持续深化 如前所述，全球AI治理呈现竞争态势，这并不符合以人为本、技术开放共享、普惠发展等理念。 中国深度参与全球科技治理，需要抓住AI、数据等领域的新一轮国际规则制定机遇，不断提出符合全球共识的AI治理方案，持续为全球数字治理和AI治理注入中国智慧。
77320编辑于 2023-08-03 - 来自专栏腾讯研究院的专栏
迈向负责任 AI：中国 AI 治理趋势与展望
换句话说，建立健全AI治理，是迈向负责任AI、保障AI未来发展的必由之路。希冀本文对未来AI治理的持续开展和落地有所助益。 对于AI领域而言，AI标准不仅是支持、促进AI发展进步和广泛应用的重要手段(如技术标准)，而且是推进落实AI治理的有效方式(如治理标准、伦理标准)，因为AI治理标准可以起到“承接立法和监管、对接技术实践 全球AI治理合作与竞争并存 全球AI竞争，既是技术与产业的竞争，也是治理规则与标准的竞争。全球数字经济发展正在形成AI、数据等方面新的国际规则，如数据流动、AI治理框架等。 通过这些技术众包方式培育、壮大AI伦理社群，将在AI治理中扮演重要角色。 全球AI治理合作需持续深化 如前所述，全球AI治理呈现竞争态势，这并不符合以人为本、技术开放共享、普惠发展等理念。 中国深度参与全球科技治理，需要抓住AI、数据等领域的新一轮国际规则制定机遇，不断提出符合全球共识的AI治理方案，持续为全球数字治理和AI治理注入中国智慧。
1K20编辑于 2023-11-16 - 来自专栏WorkBuddy知识库
AI开发成本控制实战：本地模式 vs 云端模式成本对比
一、引言：为什么需要关注AI开发成本？随着AIAgent的规模化落地，企业和个人开发者面临一个现实问题：如何在保证性能的前提下，有效控制AI开发和使用成本？ 以操作系统级AI助手Marvis为例，它提供了效率模式（端云协同）和本地模式（纯端侧）两种运行模式。两种模式在成本构成、性能表现、隐私保护等方面存在显著差异。 本文将通过真实成本数据和多场景对比，帮你选择最适合的AI开发模式，实现成本优化。 ，发现违规及时纠正八、参考资料Marvis官方文档：双模式架构与成本说明《AIAgent成本控制白皮书》（2026）腾讯云开发者社区：AI成本优化专题Gartner：《2026年AI技术成本趋势报告》作者 ：[华东子]发布时间：2026年6月9日阅读时长：15-20分钟关键词：AI成本控制、本地模式、端侧大模型、Marvis双模式【实战互动】你在AI开发中遇到过哪些成本问题？
6610编辑于 2026-06-09 多租户AI成本管理方案解析
使用应用推理配置文件管理多租户AI服务成本成功的生成式AI软件即服务（SaaS）系统需要在服务可扩展性和成本管理之间取得平衡。 这在构建多租户生成式AI服务时尤为关键，这类服务需要面向庞大且多样化的客户群体，同时保持严格的成本控制和全面的使用监控。传统方法的局限性传统成本管理方法往往存在明显缺陷。 解决方案架构应用推理配置文件可实现部署层面的精细化成本跟踪。通过为每个推理请求关联元数据，可以在访问基础模型（FMs）的不同应用、团队或客户之间建立逻辑隔离。 这种标记方法引入了准确的成本分摊机制，帮助基于实际使用情况按比例分配成本，而非采用任意分配方式。 、监控仪表板和告警机制通过API网关端点使用模型服务，并在请求中发送配置文件中定义的标签或应用推理配置文件ID监控与告警解决方案创建以下监控机制：令牌成本告警：当指定配置文件的总令牌成本在5分钟内超过阈值时触发每分钟令牌数告警
33010编辑于 2025-08-27《面向企业级大模型的 FinOps 实战：如何构建 AI 算力网关实现成本精细化治理？》
一、 背景与挑战随着大模型（LLM）在企业生产环境的全面落地，AI 支出已逐渐成为继云服务器、带宽之后的第三大“电费”。 然而，在实际治理中，技术负责人往往面临三个核心痛点：成本归因黑盒：官方 API 账单仅提供总量，无法精确统计到具体项目、团队或个人。 二、 基于 FinOps 理念的 AI 算力治理架构为了解决上述问题，我们引入了 AI 算力网关（AI Gateway） 的设计思路，将“凭证注入”与“逻辑代码”解耦。1. 四、 治理成效与收益成本透明化：通过多维归因报告，实现 AI 成本 100% 可回溯，辅助 FinOps 决策。质量确定性：建立起自动化的“防降智”监测网，模型推理质量从“盲盒”变为“实时监控”。 五、 总结AI 算力治理不应仅仅是简单的账单对齐，而应在基础设施层建立起一套“感知+控制”的闭环。通过虚拟凭证与质量审计的结合，企业可以在不牺牲开发效率的前提下，实现 AI 资源的精细化管理。
23700编辑于 2026-05-11当AI开始在数据治理中使坏...
现在的AI就像一个黑盒子，我们知道它有问题，但不知道问题出在哪里。 AI时代，数据治理新秩序 面对这些挑战，我们不能再用传统的数据治理思路了。AI需要一套全新的数据治理体系。 只有这样，AI才能真正成为推动社会进步的力量，而不是加剧社会不公的工具。 抓住AI数据治理的红利期 现在整个行业都在谈论AI的下一个风口在哪里。 在我看来，AI数据治理就是最大的机会。 随着监管政策的收紧，那些重视数据治理的AI公司将获得巨大优势。而那些忽视数据治理的公司，随时可能因为数据安全问题被淘汰。 对于个人来说，掌握AI数据治理技能，就是掌握了这个时代的核心竞争力。 对于企业来说，现在投入数据治理，不是成本，是投资。现在治理的成本，远远低于将来出现问题后的损失。 我给团队定了一个目标：每开发一个AI项目，都要同步建立完整的数据治理流程。 AI时代的序幕才刚刚拉开，那些真正理解数据治理价值的人和企业，将在这个时代中获得最大的红利。 而忽视数据治理的，最终会被自己的"聪明"反噬。 现在，问题来了：你的AI项目，数据治理跟上了吗？
16610编辑于 2026-02-02论 AI 工程中的黑箱治理问题
其二是当系统代码量到达一定规模，AI 可以在短时间内产出大量的代码与大范围的改动，我们无法去花费大量的人力成本去一一审阅，这也违背了 AI Coding 的本意。 更准确的表达应该是：工程师并不信任 AI 本身，而是信任围绕 AI 构建的治理系统。 状态治理 AI 主导的软件工程往往表现为“隐式有状态”。 AI 主导的软件工程正在整体转向系统治理范式。 关于多 Agent 架构、任务分解、并行推理、上下文隔离、可靠性与协调成本的讨论直接相关。
25710编辑于 2026-03-30数据治理决策指南：元数据平台自研与采购的真实成本账单
摘要：企业在数据治理中面临元数据平台“自研还是采购”的决策时，常因低估技术代差与隐性成本而陷入误区。 “自研元数据管理能降低成本，但可能导致效率低下；而自动化数据血缘结合AI能提升效率和合规性；人工审计则成本高昂且容易出错。” 迭代速度慢，且难以获得如AI增强等前沿能力。获得持续的产品迭代与前沿能力。供应商负责技术演进，企业持续获得包括AI辅助、更广泛平台适配在内的能力升级。规避机会成本。 是否具备主动治理能力：能否演示 “行级裁剪” 效果？能否自动提取出数据加工的业务口径？这是区分“被动记录”和“主动治理”的关键。 应计算它替代的人力成本（如节省的数据治理专员人力）、风险成本（避免一次生产变更事故或监管罚单的损失）、以及效率收益（如报表开发提速、模型优化节省的计算存储费用）。
22810编辑于 2026-02-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号