企业 AI 蔓延整治系统——安全关停闲置 GPU 和云资源，把废弃清退变成财务级节省。

1. 29% 的浪费率表明，即便可视性工具已用了多年，企业云支出的结构性问题依然存在。
2. AI 实验催生了大量昂贵的短命资源——笔记本、训练任务、推理端点——优化工作现在必须在实时工程工作流内运转。
3. 买家从单纯的可持续性团队转变为 IT 和财务联合主导，同时带来了预算和整治工作流的问责机制。
4. Mastercard 和 GOV.UK One Login 碳足迹合同表明，私营和公共数字服务机构都已有足够的紧迫感来购买品类专属软件。
5. 新鲜的 Pre-Series A 资本和投资方定性表明，GreenOps 正从咨询和仪表盘走向软件市场，专注工作流的厂商有望从中脱颖而出。

催化因素。 Greenpixie 的融资、29% 的浪费率，以及其在 AI 效率和 GOV.UK One Login 碳足迹方面的实践，表明云浪费已从"锦上添花"的可持续性仪表盘，演变为紧迫的运营管控问题。

为大型企业内部的闲置 AI 和云资源回收打造一套控制平面。产品摄入计费数据、云资产图谱、身份上下文和 AI 工作负载遥测，按责任人、环境和影响范围对整治机会分组呈现。随后，它向平台、安全和财务利益相关方开启正确的审批流程，而不是把又一条告警推进仪表盘。审批通过后，通过云 API 和基础设施即代码钩子执行关机、调度、区域或 TTL 策略，同时保留完整的审计轨迹。随时间积累，公司建起最佳数据集——记录哪些资源模式可以安全回收、每次动作能削减多少成本和碳足迹，以及哪些团队真正将建议转化为行动。

差异化。 大多数 FinOps 工具止步于可视性，大多数云原生自动化脚本止步于粗暴的策略执行。这套产品占据中间缺失的层：安全整治工作流——把资源遥测、归属映射、审批逻辑和已执行清退与可审计的节省及碳足迹证据连通起来。其护城河是一个跨公司数据集，记录哪些 AI 和云资源模式可以安全回收，以及每次动作产生了哪些经济和气候成果。

待完成任务

flowchart LR
  Buyer[FinOps and AI platform team] --> Pain[Idle AI resources inflate cloud waste]
  Pain --> Product[Remediation OS with approvals and shutdown actions]
  Product --> Outcome[Verified savings and lower cloud footprint]

高管要点

• 随着 AI 引入更多昂贵的短命资源，财务和治理团队的审查也随之加强——市场正从成本可视化走向审批安全整治。
• 最佳切口不是又一个仪表盘，而是在关机动作触发之前，证明归属权、影响范围和可审计节省的工作流层。
• 现有厂商各自覆盖部分问题——云建议、FinOps 分配、Kubernetes 自动化或可持续性报告——但很少有人把四者整合成一套财务级运营闭环。
• 受监管企业是有吸引力的早期买家，因为云浪费金额实质性大，银行业是最大的云支出行业之一，而 DORA 类管控让安全执行比单纯建议更有价值。
• 真正的赢家需要跨云归一化、审批工作流集成和专有整治成果数据集——而不只是碳核算或集群调优。

市场定义

将云和 AI 浪费发现转化为大型多云企业受治理整治行动的软件。该品类介于 FinOps 可视化、ITSM 审批工作流、可持续性报告和基础设施自动化之间。

用户与买方

主要用户是大型受监管企业内的 FinOps 负责人和 AI/平台工程团队。经济买家是基础设施或 FinOps 高管，承受着 CIO/CFO 压力，需要在保持运营韧性的同时削减 AI 驱动的云超支。

购买触发点

• 董事会级、CIO 级或 CFO 级审查发现 AI 相关云超支，要求在不拖慢产品交付的情况下拿出可量化的节省方案。 [17][31]
• FinOps 团队被要求超越仪表盘，推进大规模治理和策略落地，尤其是随着 AI 支出成为 FinOps 主流范围。 [19][23]
• 可持续性和云成本报告正被整合，形成工具预算线，这些工具能将成本、碳排放和整治证据关联起来。 [6][103]

支付意愿

付费意愿信号强烈：云成本现有厂商以定制合同销售企业平台，CloudZero 采用可预测的分级定价，CAST AI 等相邻自动化厂商将定价锁在企业销售背后，而 Greenpixie/Flexera 将可审计可持续性定位为云成本优化的附加值。买家在节省可证明且持续时愿意付费，而非仅仅可见时。 [58][46][43][44]

品类动态

增长信号 2026 年公有云支出 YoY 增长 21%；PaaS YoY 增长 +37%

验证信号

• Greenpixie 与具名机构投资方完成 £470 万 Pre-Series A 融资，显示投资者对云/AI 浪费治理品类的投资意愿。
• 具名企业和公共部门背书——Mastercard 和 GOV.UK One Login——表明问题在高问责环境中已有预算。
• Flexera 与 Greenpixie 的 OEM 关系表明 FinOps 现有厂商认为在成本工作流中加入可审计可持续性数据具有价值。
• ServiceNow AI Control Tower 集成表明 AI 治理工作流正成为可持续性和成本管控的活跃切入点。
• FinOps Foundation 和 Flexera 数据均显示 AI 正重塑优化优先级，推动买家走向治理和行动，而非一次性成本削减。

监管与技术约束

• CSRD 扩大了对大型企业披露可持续性风险、机遇和影响的压力，提高了 IT 运营可防御环境指标的门槛。
• DORA 提升了金融实体对 ICT 风险管理和变更管控的期望，约束了无监督关机自动化。
• NIS2 加大了关键行业在网络安全和运营韧性上的治理压力，让整治工具中的审计轨迹和策略门控更为重要。
• 云原生建议器已涵盖闲置资源检测和碳遥测，新进入者必须跨云服务商归一化数据并执行动作，而非重建点功能。

竞争格局分为四类：以可视化为主的 FinOps 套件、以自动化为重的基础设施优化器、可持续性数据专家，以及内部脚本主导的运营模型。空白地带是一套跨云整治系统，能同时满足基础设施安全性和财务级节省证明两方面需求。

为什么现有厂商不会默认胜出

• 云平台. AWS、Azure 和 Google Cloud 已能呈现闲置资源、合理化规格和碳数据，初创公司不靠检测取胜；必须编排归属映射、审批和跨云动作。
• 可视化套件. Flexera 和 CloudZero 在分配、趋势分析和治理可视化上实力强劲，但整治定位主要停留在建议、策略和情报层面，而非具备影响范围感知的关机工作流。
• 自动化平台. IBM Turbonomic 和 CAST AI 自动化资源调优和弹性伸缩，但重心在性能保障或 Kubernetes 优化，而非覆盖所有云浪费类别的财务级跨团队审批流。
• 内部脚本与 MSP. 团队可以拼接调度器、自动伸缩器和脚本，但仍需跨工程、财务和可持续性利益相关方的策略、可审计性和共享证据。

AI Sprawl Remediation OS 应作为审批优先的整治层推向市场，目标是那些 AI 云支出增速远超治理流程的受监管企业。调研发现的痛点不是基本的可视性问题——大型企业已经看到了浪费，但仍无法充分证明归属权、影响范围和可入账财务的节省，从而安全关停资源。最佳滩头市场是财富 1000 强银行、保险公司和支付公司，它们拥有中央 FinOps 团队、新成立的 AI 平台团队，以及分布在 AWS 和 Azure 上的 100 多个内部 AI 工作空间——因为那里的云超支会迅速上升至 CIO 和 CFO 级别的审查。第一款产品不应尝试取代 FinOps 套件、云原生建议器或碳核算系统；它应该凌驾其上，路由关机审批，执行 TTL 和终止动作，并为每个已完成动作附上可审计的成本、碳排放和用水量证据。GTM 应采用创始人主导、事件触发的打法，切入实时的超支审查，签订付费试点并转化为年度合同，合同定价基于受治理支出和纳入策略的资源数量。调研支持真实的市场存在，SAM 估计约为 $264.0M，第 3 年 SOM 约为 $5.0M，但最强的反驳风险在于：受监管账户内检测到的浪费机会，能真正转化为获批整治行动的比例过低。护城河是一个跨云归一化数据集，关联资源模式、责任人解析、审批历史和已实现节省成果——而非基本的停/启自动化。整治转化率、中位投资回收周期，以及仪器化程度最高的环境之外有多少 AI 特定浪费，这些证据仍待补全，因此视为明确的操作假设，而非隐藏的断言。

问题

• FinOps 和 AI 平台团队能识别出闲置 GPU、推理端点和重复环境，但仍缺乏归属映射、影响范围置信度和可审计证明，无法安全关停这些资源。
• 在受监管企业，月末云审查因仪表盘只显示浪费却无法把发现转化为获批执行的整治动作，导致基础设施、财务和可持续性团队陷入相互甩锅的循环。

解决方案

• 提供一套控制平面，摄入计费、资产、身份和工作负载遥测数据，按责任人和环境分组浪费，并通过平台、安全和财务所需的审批流路由每项整治动作。
• 通过云 API 和基础设施钩子执行 TTL、隔离、调度和终止动作，同时保留完整的审计轨迹，将每项动作与已核实的成本、碳排放和用水量节省关联。

为什么我们会赢

• 切口是一个工作流窄口——买家清晰、触发条件明确，填补的是可视性工具与安全执行之间的空白，而非在通用成本仪表盘上竞争。
• 跨云整治成果数据集——涵盖责任人解析、审批行为和已实现节省——随每位客户持续复利，内部脚本或点工具难以复制。

里程碑

flowchart LR
  Wedge[AI-sprawl remediation wedge] --> MVP[Approval-first remediation MVP]
  MVP --> Proof[Verified savings and safe execution proof]
  Proof --> Expansion[Broader GreenOps and policy expansion]

创始团队

实验路线图

风险评估

必须成立的条件

• 试点账户中至少 25% 的高置信浪费发现，在一个季度支出周期内转化为已执行整治动作。
• 首次部署可以用有限的 AWS、Azure、ITSM、IAM 和 CMDB 集成组合上线，而非定制系统集成项目。
• 经济买家愿意为周期性整治软件埋单，而不是把清退视为一次性咨询或脚本工作。
• 审批优先工作流能将回滚级事故率维持在 5% 以下，同时产出实质性节省。
• 现有厂商在初创公司建立起优越整治基准和合作伙伴分发之前，无法填补动作层的空白。

待尽调问题

• 在目标账户中，经审批、例外和责任人争议后，已识别浪费中实际可整治的比例是多少？
• 前 10 个企业部署中哪些集成是必须的：ServiceNow、Jira、CMDB、IAM 还是云原生资产图谱？
• 当 AI 超支浮现时，预算实际由谁主导：FinOps、基础设施、CIO 办公室还是可持续性团队？
• 节省案例在多大程度上依赖 AI 特定浪费类别，而非传统虚拟机和存储清退？
• 为何买家会采用新的整治层，而不是扩展 Flexera、Turbonomic、CloudZero 或内部自动化脚本？

模型合理性

• 收入引擎. 基准情景收入来自第 12 个月 3 个付费客户、Y2Q4 10 个、Y3Q4 20 个，定价阶梯从 $100K 试点到 $250K 生产，产生约 $5.0M 的退出 ARR 和 $3.6M 的 Y3 确认收入。
• 必须成立的条件. 试点-生产转化必须在一个季度支出周期内完成，建议-行动转化率必须达到业务计划 25% 的门槛，才能让年度合同以软件而非一次性清退的形式入预算。
• 模型崩溃条件. 若审批链将销售周期拉长至 120 天以上，或转化率低于计划，模型将崩溃——悲观情景下 Y3 收入降至约 $2.7M，现金压缩至约 $0.4M。
• 下轮融资证明. 下轮融资的依据：Y2Q4 前达到 8–12 个生产客户，形成可复制的 AWS/Azure 加 ITSM/IAM/CMDB 部署，以及客户拓展至更广 GreenOps 工作流的证据。

情景

敏感性

flowchart LR
  OverspendReview[Overspend review] --> PaidPilots[Paid pilots]
  PaidPilots --> ProductionLogos[Production logos]
  ProductionLogos --> Expansion[More workflows and governed spend]
  Expansion --> Revenue[Subscription revenue]
  Revenue --> GrossProfit[Gross profit]
  GrossProfit --> Cash[Cash and runway]

警示项: 模型最大依赖是审批安全的建议-行动转化率；若已执行动作低于业务计划 25% 的测试门槛，ACV 和转化假设会同步弱化。 · 模型排除实施费和共享节省上行以保守，但也忽略了可能的企业付款延迟，因此实际现金可能低于基于 EBITDA 的现金滚动预测。 · 每 FTE 收入健康但并不突出，因此在合作伙伴来源需求可见之前提前招募会在消耗倍数上产生损耗而近期 ARR 提升有限。

• 客户担忧误关机操作. 企业可能因顾虑某次错误清退会破坏生产工作流或引发内部反弹，而对自动化整治持观望态度。 缓解措施: 从审批优先的建议开始，早期动作要求人工签字，在推进深度自动化之前先建立影响范围证据和回滚路径。
• 现有厂商工具捆绑. FinOps 套件、超大规模云服务商或云管理平台可能加入轻量整治功能，压低独立产品定价空间。 缓解措施: 掌控跨多云和 AI 特定资源的动作层，与现有仪表盘集成，以已执行节省成果（而非可视性）建立差异化。
• 遥测不完整与资源归属映射缺失. 大型企业往往标签混乱、IAM 碎片化、AI 工作负载元数据参差不齐，让精准整治比预期更难。 缓解措施: 从高信号环境入手，通过工单和身份集成丰富归属信息，在承诺全自动化之前先卖一个初始数据强化部署。