FinOps for AI Overview es la guía de referencia de la FinOps Foundation, coescrita por un amplio grupo de trabajo (Google, AWS, MetLife, Wells Fargo, Roche, Accenture, KPMG, EY…) y publicada bajo licencia CC BY 4.0. Extiende la disciplina FinOps a los servicios de IA generativa, partiendo del token como unidad fundamental de consumo, cuyos "medidores" difieren profundamente de las métricas clásicas de la nube.
El documento ofrece una batería de KPIs con fórmulas y ejemplos resueltos: Cost Per Token (coste total / tokens), Cost Per Inference (costes de inferencia / solicitudes, p. ej., 0,05 $), Training Cost Efficiency (coste / punto de precisión), ROI ((beneficios − costes)/costes × 100), y sobre todo el LLM Model Choice Quality Score Alignment, que compara la puntuación MMLU mínima que requiere una tarea con la MMLU del modelo realmente utilizado, para detectar el sobreaprovisionamiento (una tarea de análisis de sentimiento que requiere MMLU 54 no debería ejecutarse en GPT-4).
En cuanto a la optimización, el enfoque se centra en la reducción de tokens (acortar los prompts preservando la claridad), el caching de respuestas repetidas, la selección de modelos ("evitar usar los modelos más complejos y costosos para cada tarea"), y la destilación de modelos para producción.
El núcleo estructural mapea las 14 capacidades del FinOps Framework en "común a la nube" frente a "diferente para la IA". Las más afectadas: Allocation (trazabilidad de las cargas de trabajo multiagente, ausencia de un marco estándar), Planning (estimar resultados exitosos y separarlos de las alucinaciones), Forecasting (menor previsibilidad en las fases iniciales), Benchmarking (métricas por token, pocos benchmarks externos), Unit Economics (coste por llamada, satisfacción del cliente por dólar) y Rate Optimization (precios volátiles como OpenAI Scale Tier).
La progresión de madurez sigue un modelo Crawl → Walk → Run: prototipado fail-fast y cálculos manuales al inicio; automatización básica de seguimiento y detección de anomalías a continuación; seguimiento avanzado, métricas financieras integradas y vigilancia frente a recortes de costes que comprometan los requisitos no funcionales en la fase Run. El documento enumera ocho modelos de precios (bajo demanda, reservado/CUD, aprovisionado — OpenAI Scale Tier, Azure PTU —, spot/batch, suscripción, escalonado, freemium, híbrido) y favorece el showback como palanca de concienciación previa al chargeback.
Una limitación notable: los agentes de IA aún no se tratan como una categoría distinta (solo las cargas de trabajo multiagente aparecen bajo Allocation), lo que explica el valor de los complementos de proveedores. La guía va acompañada de una certificación Certified FinOps for AI y remite a FinOps X 2026 (junio, San Diego).