Der neue FinOps-Workflow: Angetrieben von KI-Agenten

Jahrelang war das Management von Cloud-Kosten eine Aufgabe für Menschen mit Dashboards. Jemand aus dem Finanz- oder Technikbereich zog Berichte aus dem AWS Cost Explorer, suchte nach Anomalien, markierte Mehrausgaben in einer Tabelle und eskalierte das Problem. Bis Entscheidungen getroffen wurden, war die Rechnung allerdings meist längst geschrieben. Doch dieser Workflow wirkt zunehmend veraltet. KI-Agenten übernehmen nun die repetitiven und datenintensiven Aufgaben im FinOps-Bereich. Der Wandel, der sich dort derzeit vollzieht, zeigt exemplarisch, wie künstliche Intelligenz wissensbasierte Arbeit grundlegend verändert.

Die Schwächen des bisherigen Modells

Cloud-Kosten lassen sich nur schwer vorhersagen und werden oft erst dann beachtet, wenn sie bereits zum Problem geworden sind. Unternehmen, die Workloads auf AWS betreiben, nutzen häufig Dutzende Services über mehrere Accounts und Regionen hinweg. Dabei entstehen schnell Lastspitzen, Instanzen werden bereitgestellt und später vergessen, und langfristige Commitments passen nach einigen Monaten möglicherweise nicht mehr zum aktuellen Bedarf. Die Verantwortlichen für all das (FinOps-Engineers und Cloud-Finance-Teams) erledigen diese Arbeit größtenteils manuell. Sie analysieren Kostendatenbanken, erstellen Visualisierungen, gleichen Ergebnisse mit technischen Entscheidungen ab und verfassen Reports, die naturgemäß vor allem eines zeigen – die Vergangenheit. Diese Reports sind zweifellos wertvoll. Aber der Rhythmus ist langsam, und das Datenvolumen ist enorm. In einem Unternehmenskontext kann ein Mensch schlichtweg nicht alles in Echtzeit überwachen.

Was KI-Agenten tatsächlich leisten

Der Begriff „KI-Agent“ wird häufig sehr allgemein verwendet. Umso wichtiger ist eine präzise Definition. Ein Agent ist in diesem Kontext ein System, das ein Ziel oder eine Frage erhält, entscheidet, welche Tools es zur Beantwortung benötigt, diese nacheinander aufruft und die Ergebnisse zusammenführt. Viele dieser Schritte laufen vollständig automatisiert ab, ohne dass Fachkräfte jeden einzelnen Prozess steuern müssen. Für FinOps-Anwendungsfälle bietet die Infrastruktur von Amazon Web Services bereits die passenden Grundlagen. Mithilfe spezialisierter Laufzeitumgebungen wie AgentCore lassen sich intelligente Agenten auf Basis von Amazon Bedrock entwickeln. Über MCP-Server oder andere Tool-Integrationen greifen sie auf native Kostenmanagement-Services wie AWS Cost Explorer, AWS Budgets oder AWS Compute Optimizer zu. Fragt beispielsweise ein Mitglied des Finance-Teams: „Was sind meine größten Kostentreiber in diesem Monat?“, analysiert der Agent verschiedene Datenquellen, wertet die Ergebnisse aus und liefert eine Antwort in verständlicher Sprache. Anschließend lassen sich Rückfragen stellen. Auf „Und was ist mit dem zweitgrößten Faktor?“ kann der Agent direkt Bezug nehmen, weil er den bisherigen Gesprächskontext kennt. Fragt man weiter: „Wie lassen sich diese Kosten reduzieren?“, ruft er automatisch Optimierungsempfehlungen aus anderen Services ab. Genau das unterscheidet Agenten grundlegend von früheren KI-Tools. Diese waren größtenteils auf das Generieren von Text oder das Zusammenfassen von Dokumenten beschränkt. Agenten gehen deutlich weiter. Sie sind leistungsfähiger und erledigen Aufgaben eigenständig. Sie greifen über APIs auf Live-Daten zu und verknüpfen Ergebnisse aus unterschiedlichen Quellen zu einem konsistenten Gesamtbild.

Die Architektur dahinter

Aber wie funktioniert das Ganze eigentlich? Das System basiert auf einem offenen Protokoll namens MCP (Model Context Protocol). Seine Server fungieren als strukturierte Brücken zwischen einem KI-Modell und den Datenquellen oder Tools, auf die es zugreifen muss. AWS hat eigene spezialisierte MCP-Server entwickelt – einen für historische Kosten- und Budgetdaten und einen weiteren für Echtzeitpreise aus der AWS Price List API. Diese beiden Perspektiven ergänzen sich ideal. Historische Daten zeigen, was tatsächlich ausgegeben wurde und aus welchen Gründen. Echtzeit-Preisdaten hingegen ermöglichen eine Prognose zukünftiger Kosten, bevor neue Infrastruktur überhaupt bereitgestellt wird. Zusammen schaffen sie genau den Kontext, den ein Agent benötigt, um Cloud-Kosten besser vorhersehbar zu machen. Da MCP ein offener Standard ist, sind Teams nicht an eine einzelne Oberfläche gebunden. Das Protokoll ist kompatibel mit einem wachsenden Ökosystem aus agentischen Plattformen und Entwickler-Tools. Dieselbe finanzielle Intelligenz kann über die AWS-Konsole hinaus in die Workflows wandern, in denen technische Entscheidungen tatsächlich getroffen werden. Die Agenten selbst übernehmen die Reasoning-Schicht mithilfe moderner Foundation Models, zum Beispiel Claude von Anthropic. Das Modell analysiert die eingehende Anfrage, entscheidet, welche Tools es aufrufen muss, interpretiert die Ergebnisse und formuliert daraus eine konsistente Antwort. Gleichzeitig bleibt der Gesprächskontext erhalten, sodass echte dialogbasierte Interaktionen über mehrere Schritte hinweg möglich sind.

Von der Berichterstattung zur Handlung

Die Geschwindigkeit und der Komfort solcher Workflows sind überzeugend. Der weitaus bedeutendere Wandel ist jedoch der Schritt von der Berichterstattung zur Handlung. Traditionelle FinOps-Tools zeigen vor allem, was bereits passiert ist. Sie stellen Daten bereit, erkennen Auffälligkeiten und erzeugen Empfehlungen, die anschließend von Experten bewertet, priorisiert und umgesetzt werden müssen. Für dieses Modell gibt es gute Gründe: Entscheidungen über Cloud-Infrastruktur haben echte Konsequenzen, und menschliches Urteilsvermögen zählt. Gleichzeitig gibt es jedoch eine große Klasse von Entscheidungen, die keine Freigabe auf Führungsebene erfordern. Dazu gehören das Rightsizing einer ungenutzten EC2-Instanz, das frühzeitige Erkennen eines Budgets, das bereits 20 Prozent über der Prognose liegt, oder das Identifizieren einer Kostenanomalie, bevor sie sich weiter verstärkt. In solchen Fällen braucht es vor allem schnelle, präzise Informationen und ein System, das in der Lage ist, darauf zu reagieren. KI-Agenten sind zunehmend in der Lage, diese mittlere Ebene zu übernehmen. Sie können Systeme kontinuierlich überwachen, die richtigen Informationen zum richtigen Zeitpunkt liefern und in manchen Konfigurationen direkt Korrekturmaßnahmen ergreifen. Der menschliche Engineer bleibt bei allen kritischen Entscheidungen eingebunden, aber der Umfang manueller Überwachungsarbeit sinkt erheblich.

Der breitere Markttrend

AWS ist mit dieser Entwicklung nicht allein. Der Markt für FinOps-Plattformen bewegt sich seit einiger Zeit in Richtung KI-Integration. Vantage hat einen Open-Source-MCP-Server veröffentlicht, der es ermöglicht, Cloud-Kosten direkt über Sprachmodelle abzufragen. Datadog setzt Machine Learning zur Erkennung von Anomalien ein. IBM Kubecost wiederum konzentriert sich auf Kostenanalysen auf Kubernetes-Ebene, die von Cloud-Anbietern selbst nicht in dieser Granularität nativ bereitgestellt werden. Diese Entwicklungen stehen unter einem gemeinsamen Druck. Je besser Cloud-Anbieter selbst im KI-gestützten Kostenmanagement werden, desto schärfer und spezifischer müssen die Wertversprechen von Drittanbieter-Tools sein. Generische Dashboards reichen nicht mehr aus. Die Plattformen, die in drei Jahren noch eine Rolle spielen werden, sind jene, die handeln können, nicht nur berichten.

Was sich für die Menschen in diesem Bereich ändert

Der Einsatz von KI-Agenten bedeutet nicht, dass FinOps Engineers überflüssig werden. Es bedeutet schlicht, dass sich die Natur der Arbeit verändert. Ihr manueller, repetitiver Teil – die Erstellung und Auswertung von Reports, das Abgleichen von Tabellen und das Formulieren von Empfehlungen, die auch automatisiert hätten entstehen können – macht nach und nach nur noch einen kleineren Anteil der Aufgaben aus. Im Mittelpunkt stehen zunehmend die Tätigkeiten, die tatsächlich menschliches Urteilsvermögen erfordern. Experten definieren weiterhin Finanzstrategien, entscheiden über akzeptable Kompromisse zwischen Performance und Kosten und bewerten Anomalien, die außerhalb dessen liegen, was ein Agent sinnvoll abdecken kann. Gleichzeitig entsteht durch den Einsatz von Agenten eine neue Art von Arbeit. Diese Systeme müssen kontinuierlich überwacht und gesteuert werden. Es gilt festzulegen, welche Ziele ein Agent optimiert, welche Aktionen er eigenständig ausführen darf und wo eine menschliche Freigabe erforderlich ist. Das ist ebenso sehr eine Frage der Governance wie eine technische Herausforderung. Dank Agenten stehen leistungsstarke Tools zur Verfügung, die beeindruckende Ergebnisse ermöglichen. Doch der entscheidende Punkt bleibt: Sie müssen verantwortungsvoll eingesetzt und sinnvoll gesteuert werden.