تحلیلگر FinOps هوش مصنوعی
AI FinOps Analyst
تحلیلگر FinOps هوش مصنوعی هزینهٔ استفاده از AI را در سازمان اندازه می‌گیرد، آن را به تیم‌ها و محصول‌ها نسبت می‌دهد، پیش‌بینی می‌کند و راه‌های کم کردنش را پیدا می‌کند: هزینهٔ توکن و API مدل‌ها، GPU و زیرساخت ابری، و مجوزها و قراردادهای ابزارهای AI. FinOps Foundation این شاخه را «FinOps for AI» می‌نامد. عنوان قبلی این صفحه، AI FinOps Specialist، عنوان رایجی در بازار نیست و در ۲۰۲۶ فقط یک آگهی با آن پیدا شد. کارفرماها بیشتر عنوان‌هایی مثل Senior FinOps Analyst — AI یا AI FinOps Analyst را به کار می‌برند. شرکت‌های سازندهٔ مدل هم کار مشابه را با عنوان‌های مالی مثل Strategic Finance, Compute آگهی می‌کنند.
مقدمه و تعریف شغل
تحلیلگر FinOps هوش مصنوعی کسی است که به سؤال «AI برای ما چقدر هزینه دارد و این هزینه از کجا می‌آید؟» با دادهٔ قابل دفاع جواب می‌دهد. FinOps Foundation خود FinOps را چارچوبی عملیاتی و فرهنگی تعریف می‌کند که با همکاری تیم‌های مهندسی، مالی و کسب‌وکار ارزش تجاری فناوری را بیشینه می‌کند، تصمیم‌گیری به‌موقع و مبتنی بر داده را ممکن می‌کند و پاسخ‌گویی مالی می‌سازد. در نسخهٔ AI، واحد هزینه دیگر فقط ساعت ماشین و گیگابایت نیست: توکن، ردهٔ مدل، فراخوانی API، ساعت GPU و مجوز ابزارهای AI هم اضافه می‌شوند. آگهی LexisNexis کار را این‌طور خلاصه می‌کند: مدل‌سازی و تخصیص هزینهٔ AI به توکن، مدل، محصول، تیم و زیرساخت مشترک، و نشان دادن پیامد هزینه‌ای انتخاب‌های فنی پیش از آنکه گران تمام شوند.
در نظرسنجی State of FinOps ۲۰۲۶ که FinOps Foundation با ۱٬۱۹۲ پاسخ‌دهنده انجام داد، ۹۸٪ گفتند هزینهٔ AI را مدیریت می‌کنند؛ دو سال قبل این عدد ۳۱٪ بود. همین گزارش FinOps for AI را مهم‌ترین اولویت آیندهٔ تیم‌ها و مدیریت هزینهٔ AI را پرتقاضاترین مهارتی می‌داند که تیم‌ها می‌خواهند اضافه کنند. در بازار کار اما این تخصص بیشتر به شکل یک صفت به عنوان‌های موجود اضافه شده تا عنوان جداگانه: در بررسی ما در ۲۲ اکتبر ۲۰۲۶ روی ۴۴٬۹۰۶ آگهی باز در صفحه‌های استخدام ۵۲۹ شرکت (Greenhouse، Ashby و Lever)، هیچ عنوانی «AI FinOps» نداشت. آگهی‌های صریح این نقش بیشتر در سایت خود شرکت‌ها پیدا شدند، مثل LexisNexis و CMC Global. شرکت‌های سازندهٔ مدل مثل OpenAI، Anthropic و Perplexity کار نزدیک به آن را با عنوان‌های مالی مثل Strategic Finance, Compute آگهی می‌کنند. FinOps Foundation هم میان دو چیز فرق می‌گذارد: FinOps for AI، یعنی مدیریت هزینهٔ AI که موضوع این صفحه است، و AI for FinOps، یعنی به کار گرفتن AI برای انجام خود کار FinOps.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک تحلیلگر FinOps هوش مصنوعی
مدل تخصیص هزینهٔ AI
LexisNexis از تحلیلگر می‌خواهد هزینهٔ AI را به توکن، مدل، محصول، تیم و زیرساخت مشترک نسبت دهد و معیارهای هزینهٔ واحدی تعریف کند که رشد مصرف را از تغییر کارایی جدا کند.
Chargeback برای تیم‌های مصرف‌کننده
Flutter UK & Ireland در آگهی AI FinOps Engineer می‌خواست هزینهٔ زیرساخت AI، از جمله بارهای LLM، محیط اجرای ایجنت‌ها و پایگاه‌های داده برداری، منصفانه میان تیم‌های برندهای مختلف تقسیم شود تا هر تیم هزینهٔ واقعی قابلیت‌های AI خود را ببیند.
داشبورد هزینه و پذیرش AI برای مدیران
CMC Global از تحلیلگر داشبوردهای مدیریتی در Power BI یا Microsoft Fabric می‌خواهد که هزینه، بهره‌وری، میزان پذیرش و عملکرد مالی AI را دنبال کنند.
منحنی هزینهٔ توکن و قیمت داخلی
Perplexity در آگهی Strategic Finance Lead - Compute منحنی‌های هزینهٔ توکن را می‌خواهد که هزینهٔ حاشیه‌ای را از هزینهٔ کامل سرویس‌دهی جدا کند، و تبدیل آن‌ها به قیمت داخلی و بیرونی توکن.
تطبیق بهره‌وری GPU با فاکتورها
Fireworks AI از تحلیلگر می‌خواهد دادهٔ بهره‌وری GPU را با فاکتور ارائه‌دهنده‌های ابری، ظرفیت قراردادی و دفتر کل تطبیق دهد و اختلاف میان مصرف و صورتحساب، ظرفیت بی‌استفاده و خطاهای صورتحساب را بررسی کند.
هشدار ناهنجاری و سقف هزینه
Supabase گزارش خودکار، تشخیص ناهنجاری و هشدار هزینه را می‌خواهد و Flutter سیاست‌هایی مثل سقف هزینه، گردش تأیید و تشخیص ناهنجاری را جزو وظایف این نقش آورده است.
تخصص‌های مختلف تحلیلگر FinOps هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
تحلیل و تخصیص هزینهٔ AI
AI Cost Analytics & Attribution
تمرکز روی دادهٔ مصرف: مدل‌سازی هزینه به ازای توکن، مدل، تیم و محصول، و ساخت pipeline و داشبورد. نمونهٔ روشن آن آگهی Senior FinOps Analyst — AI در LexisNexis است.
قراردادها و مجوزهای AI
AI Contracts & Licensing
تمرکز روی قرارداد، تمدید، مجوز و قیمت‌گذاری ارائه‌دهندگان AI در کنار تیم‌های مالی، تدارکات و حقوقی؛ عنوان آگهی CMC Global هم «Cost & Contracts» را در خود دارد.
مالی ظرفیت compute و GPU
Compute & GPU Capacity Finance
مدل‌سازی تعهدهای بلندمدت GPU، رزرو در برابر spot، مقایسهٔ نسل‌های سخت‌افزار و ارائه‌دهنده‌ها؛ آگهی‌های Perplexity و Prime Intellect از این نوع‌اند.
حسابداری هزینهٔ compute
Compute Cost Accounting
بستن حساب‌های ماهانه، accrual، استهلاک پیش‌پرداخت و تطبیق مصرف GPU با فاکتور؛ آگهی Fireworks AI مدرک حسابداری و تجربهٔ حسابداری بهای تمام‌شده می‌خواهد.
مهندسی دادهٔ FinOps
FinOps Data Engineering
ساخت مدل‌ها و pipelineهایی که دادهٔ خام صورتحساب را به جدول‌های قابل اعتماد هزینه و حاشیهٔ سود تبدیل می‌کنند؛ مثل FinOps Data Engineer در Supabase و تیم Cloud FinOps در Datadog که هزینهٔ ابر را به محصول و مشتری نسبت می‌دهد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
همان رشته است با دامنهٔ متفاوت. آگهی‌های عمومی مثل FinOps Engineer در Supabase یا Senior Staff Cloud FinOps Analyst در ServiceNow روی هزینهٔ AWS، GCP و Azure، rightsizing و commitmentها تمرکز دارند. نسخهٔ AI توکن، ردهٔ مدل، caching، batching و هزینهٔ ایجنت‌ها را هم اضافه می‌کند. مرز هم در حال باز شدن است: آگهی Senior Cloud FinOps Engineer در AHEAD تحلیل و بهینه‌سازی هزینهٔ AI و GPU را جزو وظایف عادی آورده است.
در شرکت‌های سازندهٔ مدل این کار سمت مالی دارد. OpenAI، Anthropic و Perplexity برای بودجه‌بندی، پیش‌بینی و مدل‌سازی سرمایه‌گذاری در GPU و ظرفیت compute آگهی می‌دهند و پیشینه‌هایی مثل استراتژی مالی، بانکداری سرمایه‌گذاری یا private equity را ترجیح می‌دهند. بازهٔ حقوق در این آگهی‌ها بالاتر است: ۱۹۰ تا ۲۴۰ هزار دلار در Perplexity و ۲۴۰ تا ۳۲۵ هزار دلار در Anthropic. تحلیلگر FinOps بیشتر با دادهٔ مصرف، تخصیص و بهینه‌سازی روزمره کار می‌کند.
معمار ابر سیستم را طراحی می‌کند و هزینه یکی از معیارهای تصمیم اوست. تحلیلگر FinOps طراحی نمی‌کند؛ هزینهٔ آنچه ساخته شده را اندازه می‌گیرد، به صاحبانش نسبت می‌دهد و پیامد هزینه‌ای طرح‌های تازه را پیش از اجرا نشان می‌دهد. آگهی Supabase همین را می‌گوید: هزینه را زود وارد گفت‌وگوی معماری کنید، چون درست کردنش در زمان طراحی ارزان‌تر از اصلاح بعدی است.
معمار زیرساخت AI خوشه‌های GPU، شبکه و ذخیره‌سازی را طراحی می‌کند. تحلیلگر FinOps هوش مصنوعی خروجی آن طراحی را از نظر مالی دنبال می‌کند: بهره‌وری GPU، تعهدهای ظرفیت، تخصیص هزینه به تیم‌ها و مقایسهٔ گزینه‌های خرید. یکی می‌سازد و دیگری نشان می‌دهد ساخته‌ها چقدر هزینه دارند و آن هزینه به کجا می‌رود.
تأثیر در صنایع مختلف
تحلیلگر FinOps هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
اطلاعات و نرم‌افزار حقوقی
LexisNexis با رویکرد چندمدلی برای محصولات AI حقوقی، تحلیلگری می‌خواهد که پیامد هزینه‌ای انتخاب مدل‌ها را برای تیم‌ها روشن کند
سرگرمی و شرط‌بندی آنلاین
Flutter UK & Ireland برای تقسیم هزینهٔ بارهای LLM، ایجنت‌ها و پایگاه‌های داده برداری میان برندهای مختلف خود مهندس AI FinOps استخدام می‌کرد
پلتفرم‌های inference مدل
در Fireworks AI، طبق آگهی، compute بزرگ‌ترین ردهٔ هزینه و مهم‌ترین عامل حاشیهٔ سود ناخالص است
آزمایشگاه‌ها و محصولات مبتنی بر مدل
OpenAI، Anthropic و Perplexity برای برنامه‌ریزی و پیش‌بینی هزینهٔ GPU و ظرفیت compute تیم مالی جداگانه دارند
پلتفرم‌های توسعه‌دهندگان و پایگاه داده
Supabase برای هزینهٔ AWS و GCP، تخصیص هزینه به تیم‌ها و مدل‌های هزینه در برابر درآمد، مهندس FinOps و مهندس دادهٔ FinOps می‌خواهد
نرم‌افزار SaaS و observability
Datadog تیمی دارد که هزینهٔ ابر را به هر محصول و هر مشتری نسبت می‌دهد و خروجی آن در بستن حساب‌های مالی استفاده می‌شود
خدمات و مشاورهٔ IT
AHEAD تحلیل هزینهٔ AI و GPU را جزو خدمات FinOps برای مشتریان خود آورده و CMC Global تحلیلگر AI FinOps برای آمریکا استخدام می‌کند
ابزارهای FinOps
سازندگان ابزار هم به هزینهٔ AI رسیده‌اند: DoiT برای «AI Cost Visibility» مهندس استخدام می‌کند و Vantage و CloudZero هزینهٔ AI را جزو محصول خود معرفی می‌کنند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
FinOps یعنی کم کردن هزینه به هر قیمتی
FinOps Foundation هدف را بیشینه کردن ارزش تجاری فناوری می‌داند و یکی از اصولش این است که ارزش تجاری تصمیم‌های فنی را هدایت کند. آگهی LexisNexis هم صریحاً می‌گوید مدل کاری توانمندسازی است، نه دروازه‌بانی؛ کار تحلیلگر این است که با دادهٔ قابل اعتماد اثر بگذارد، نه با فرایند تأیید غیرضروری.
هر آگهی که «FinOps» در عنوانش دارد همین شغل است
FinOps در بسیاری از آگهی‌ها به معنای عملیات مالی است، مثل حساب‌های پرداختنی و کنترل مالی. نمونه‌اش آگهی Accounts Payable Analyst, FinOps در Amazon و Controllership Senior Specialist (FinOps) در Nubank است. صفحهٔ «FinOps Analyst» در Glassdoor بریتانیا هم شرکت‌هایی مثل Amazon و Deliveroo را فهرست کرده است. پیش از درخواست، شرح وظایف را بخوانید: نسخهٔ ابری آن دربارهٔ صورتحساب ابر، مصرف و تخصیص هزینه است.
برای این کار حتماً مدرک مالی یا حسابداری لازم است
بستگی به شاخه دارد. CMC Global مدرک مالی، حسابداری، اقتصاد، سیستم‌های اطلاعاتی، علوم کامپیوتر یا تحلیل داده را می‌پذیرد و آگهی LexisNexis مدرکی نخواسته و به جای آن تجربه در FinOps، مالی فناوری، تحلیل داده یا نقش تحلیلی مشابه را می‌خواهد. AHEAD هم تجربهٔ معادل را جایگزین مدرک می‌پذیرد. فقط در شاخهٔ حسابداری هزینهٔ compute، مثل آگهی Fireworks AI، مدرک حسابداری یا مالی خواسته شده است.
AI FinOps یعنی ساختن ابزار AI برای FinOps
FinOps Foundation این دو را جدا می‌کند: FinOps for AI یعنی مدیریت هزینه و مصرف خود AI، و AI for FinOps یعنی استفاده از AI برای انجام کار FinOps. بیشتر آگهی‌ها اولی را می‌خواهند. آگهی WSA با عنوان AI Finops Specialist، که تنها آگهی ۲۰۲۶ با عنوان قبلی این صفحه بود، بیشتر دومی را می‌خواست: تجربهٔ به کار گرفتن AI یا خودکارسازی هوشمند در یک کاربرد FinOps.
هزینهٔ AI هم مثل بقیهٔ هزینه‌های ابر است و همان روش‌ها کافی است
به گفتهٔ FinOps Foundation، فرمول پایهٔ قیمت × مقدار هنوز برقرار است، اما مدل‌ها قیمت‌گذاری ناهمگون و نسخه‌های متعدد دارند، واحدهای توکنی سخت‌تر سنجیده می‌شوند، GPU کمیاب است و ارائه‌دهنده‌ها مدام SKU تازه می‌سازند که بسیاری از آن‌ها tagging داخلی ندارند. یعنی تخصیص هزینه اغلب به ابزار مهندسی جداگانه نیاز دارد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف داده می‌شود: گزارش‌های دوره‌ای، بررسی درستی تخصیص و پاسخ به سؤال‌های مشخص تیم مالی یا مهندسی، زیر نظر یک فرد ارشد.
- ◆به‌روزرسانی داشبورد هفتگی هزینه و بررسی منابعی که tag ندارند
- ◆نوشتن کوئری SQL برای اینکه معلوم شود افزایش هزینهٔ ماه از کدام سرویس یا تیم بوده است
- ◆تطبیق اعداد گزارش با خروجی صورتحساب ارائه‌دهنده
- ◆مستند کردن روش محاسبه برای اینکه دیگران بتوانند آن را تکرار کنند
میانی (۲–۵ سال)
مالکیت یک حوزه را دارید، مثلاً هزینهٔ مدل‌های زبانی. مدل تخصیص و پیش‌بینی را خودتان می‌سازید و با تیم‌های محصول دربارهٔ گزینه‌های ارزان‌تر حرف می‌زنید.
- ◆ساخت pipeline که دادهٔ مصرف API مدل‌ها را با صورتحساب ابر یکی کند
- ◆تحلیل اینکه رشد هزینهٔ یک ویژگی از افزایش کاربر بوده یا از کاهش کارایی
- ◆محاسبهٔ اثر prompt caching یا batch بر هزینهٔ یک بار کاری و ارائهٔ آن به تیم مهندسی
- ◆به‌روزرسانی پیش‌بینی ماهانه و توضیح انحراف از بودجه برای تیم مالی
ارشد (۵+ سال)
کار به تعهدهای خرید، قراردادها، سیاست‌های کنترل هزینه و گزارش به مدیران می‌رسد. کمتر کوئری می‌نویسید و بیشتر تصمیم‌های بزرگ را با داده پشتیبانی می‌کنید.
- ◆تحلیل پیشنهاد تعهد خرید یا ظرفیت رزروشده و ریسک‌های آن
- ◆همکاری با تیم‌های تدارکات و حقوقی روی تمدید قرارداد یک ارائه‌دهندهٔ AI
- ◆تعریف سقف هزینه، گردش تأیید و هشدار برای بارهای AI
- ◆ارائهٔ وضعیت هزینه و ارزش AI به مدیران ارشد
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت مدل هزینه و تخصیص آن به توکن، مدل، محصول، تیم و زیرساخت مشترک
- ◈تعریف معیارهای هزینهٔ واحد که رشد مصرف را از تغییر کارایی جدا کند
- ◈ساخت pipeline داده که دادهٔ API ارائه‌دهنده‌ها، telemetry و صورتحساب ابر را یکدست و قابل اعتماد کند
- ◈طراحی و اجرای showback و chargeback برای تیم‌هایی که از سرویس‌های AI استفاده می‌کنند
- ◈پیش‌بینی هزینه و مصرف، تحلیل انحراف از بودجه و تشخیص خودکار ناهنجاری
- ◈پیدا کردن، اندازه‌گیری و پیگیری فرصت‌های بهینه‌سازی: انتخاب مدل، caching، batching، commitmentها و ابزارهای تکراری
- ◈ساخت داشبورد برای تیم‌های مهندسی و گزارش قابل اتکا برای تیم مالی و مدیران
- ◈شفاف کردن پیامد هزینه‌ای تصمیم‌های فنی پیش از اجرا، بدون تبدیل شدن به مانع تصمیم‌گیری
- ◈همکاری با تیم‌های مالی، تدارکات و حقوقی روی قراردادها، مجوزها و تعهدهای خرید
- ◈تعریف سیاست‌های کنترل هزینه مثل سقف هزینه، گردش تأیید و هشدار
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک تحلیلگر FinOps هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
ابزار اصلی کار با دادهٔ صورتحساب؛ LexisNexis مهارت قوی SQL و AHEAD تسلط کاری به SQL را می‌خواهند
ساخت pipeline داده، خودکارسازی گزارش و تشخیص ناهنجاری (LexisNexis، Supabase، AHEAD)
Power BI، Tableau یا Microsoft Fabric برای مخاطب فنی و مالی (LexisNexis، CMC Global)
Cost Explorer، Cost & Usage Reports و گزارش‌های صورتحساب GCP و Azure
قیمت توکن ورودی و خروجی، طول context، ردهٔ مدل، caching و batch؛ CMC Global درک قیمت‌گذاری توکنی و هزینهٔ inference را می‌خواهد
On-Demand، Reserved Instances، Savings Plans و Spot؛ در آگهی Flutter صریحاً آمده است
تقسیم هزینهٔ کلاستر مشترک بر اساس namespace و label و تحلیل ظرفیت بی‌استفاده (AHEAD)
dbt، BigQuery و مدل‌سازی داده برای تحلیل؛ در نقش FinOps Data Engineer در Supabase
Terraform یا Pulumi برای پیاده کردن سیاست‌های هزینه (Supabase)
مهارت‌های نرم
LexisNexis دادهٔ قابل توضیح با منشأ روشن و روش قابل دفاع می‌خواهد
تبدیل دادهٔ پیچیدهٔ هزینه به روایت کوتاه و قابل اقدام (LexisNexis)
Supabase کسی را می‌خواهد که بدون اختیار سازمانی با تیم‌های دیگر کار کند و LexisNexis اثرگذاری از راه دادهٔ قابل اعتماد را
توضیح یک فرصت صرفه‌جویی به تیم مهندسی، تیم مالی و مدیران در یک هفته (Supabase)
همکاری با تیم‌های مالی، تدارکات، حقوقی و فناوری (CMC Global)
AHEAD می‌خواهد فرصت‌ها از «شناسایی» تا «محقق‌شده» دنبال شوند و صرفه‌جویی محقق‌نشده حساب نشود
دانش حوزه‌ای
اصول، نقش‌ها (personas) و قابلیت‌های FinOps Foundation؛ AHEAD آشنایی با FinOps Framework و FOCUS را امتیاز می‌داند
روش‌های تخصیص و بازیابی هزینه (CMC Global، Flutter، Supabase)
CMC Global دانش قوی TCO، unit economics و تحلیل ROI را می‌خواهد
بررسی قراردادهای نرم‌افزاری، مجوزها و مذاکره با ارائه‌دهندگان (CMC Global)
accrual، پیش‌پرداخت، OpEx در برابر CapEx؛ در آگهی‌های Fireworks AI و OpenAI آمده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به تحلیلگر FinOps هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌های FinOps و صورتحساب ابر
اول بفهمید FinOps چیست و صورتحساب ابر چطور ساخته می‌شود. FinOps Foundation آن را چارچوبی عملیاتی و فرهنگی تعریف می‌کند که با همکاری تیم‌های مهندسی، مالی و کسب‌وکار ارزش تجاری فناوری را بیشینه می‌کند. یاد بگیرید مدل‌های قیمت‌گذاری on-demand، Reserved Instances، Savings Plans و Spot چه فرقی دارند و دادهٔ خام هزینه از کجا می‌آید. آگهی‌های Flutter و Supabase تسلط به Cost Explorer و Cost & Usage Reports را می‌خواهند.
داده: SQL، Python و داشبورد
بیشتر کار روزانه کار با داده است. آگهی LexisNexis مهارت قوی SQL، ساخت داشبورد در Power BI یا Tableau و نوشتن pipeline با Python را می‌خواهد. آگهی CMC Global هم Excel پیشرفته و Power BI یا Microsoft Fabric را. Supabase برای نقش FinOps Data Engineer از dbt و BigQuery استفاده می‌کند.
اقتصاد هزینهٔ AI: توکن، مدل و GPU
اینجا FinOps معمولی به FinOps for AI تبدیل می‌شود. طبق FinOps Foundation فرمول پایه (قیمت × مقدار) همچنان برقرار است، اما مدل‌ها و سرویس‌های AI قیمت‌گذاری ناهمگون دارند، واحد شمارش توکن است و GPU کمیاب است. آگهی LexisNexis آشنایی با محرک‌های هزینهٔ inference را می‌خواهد: توکن، طول context، ردهٔ مدل، caching، الگوی retrieval و رفتار ایجنت‌ها. صفحه‌های قیمت ارائه‌دهنده‌ها را بخوانید و حالت‌های ارزان‌تر را بشناسید؛ مثلاً طبق مستندات Anthropic، Batch API نسبت به قیمت استاندارد ۵۰٪ تخفیف دارد.
تخصیص، unit economics و پیش‌بینی
هستهٔ کار این است که هر هزینه به محصول، تیم یا مشتری‌ای که آن را ایجاد کرده نسبت داده شود. Flutter از مهندس AI FinOps مدل chargeback برای تیم‌های برندهای مختلف می‌خواست و LexisNexis معیارهای هزینهٔ واحد که رشد مصرف را از تغییر کارایی جدا کند. برای ثبت هزینهٔ هر فراخوانی مدل، ابزارهایی مثل Langfuse و LiteLLM را امتحان کنید و برای GPU روی Kubernetes سراغ OpenCost بروید. FOCUS هم مشخصه‌ای باز برای یکدست کردن دادهٔ صورتحساب است که AHEAD در آگهی‌اش نام برده است.
حاکمیت هزینه، قراردادها و گزارش به مدیران
در سطح بالاتر، کار به تعهدهای خرید، قراردادهای ارائه‌دهنده‌ها و سیاست‌های کنترل هزینه می‌رسد. آگهی CMC Global همکاری با تیم‌های مالی، تدارکات و حقوقی روی قراردادها و مجوزها را می‌خواهد و Flutter تعیین سقف هزینه، گردش تأیید و مذاکره دربارهٔ Savings Plans و ظرفیت رزروشده را. گواهی‌های FinOps Foundation هم در این مرحله به کار می‌آیند؛ آگهی‌های AHEAD و ServiceNow FinOps Certified Practitioner را امتیاز می‌دانند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
دادهٔ صورتحساب ابر
خروجی خام و جزئی هزینه و مصرف AWS برای تحلیل با SQL؛ Supabase از Cost & Usage Reports نام می‌برد
ابزار تحلیل و بودجه‌بندی هزینه در Azure؛ آگهی WSA آن را در کنار Cost Explorer آورده است
پلتفرم‌های FinOps
هزینهٔ مدل‌ها، Kubernetes و GPU
ابزار متن‌باز که مصرف و هزینهٔ هر فراخوانی LLM را ثبت می‌کند تا هزینه بر اساس مدل و کاربرد دیده شود
پروژهٔ متن‌باز CNCF (در مرحلهٔ incubating) برای تخصیص هزینهٔ Kubernetes، از جمله CPU، GPU و حافظه
تحلیل داده و خودکارسازی
برای pipeline داده، خودکارسازی گزارش و تشخیص ناهنجاری؛ LexisNexis، Supabase و AHEAD آن را می‌خواهند
تبدیل دادهٔ خام صورتحساب به جدول‌های قابل اعتماد؛ Supabase برای FinOps Data Engineer آن را می‌خواهد
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
تحلیلگر FinOps (Analyst / Analyst II)
۰ تا ۲ سال
ساخت گزارش‌های دوره‌ای هزینه، بررسی tagging و پوشش تخصیص، تطبیق دادهٔ صورتحساب با گزارش‌ها و پاسخ به سؤال‌های تیم مالی
تحلیلگر یا مهندس FinOps هوش مصنوعی
۲ تا ۵ سال
مالکیت مدل تخصیص هزینهٔ AI، chargeback برای تیم‌ها، پیش‌بینی مصرف توکن و پیدا کردن فرصت‌های صرفه‌جویی؛ آگهی Flutter برای این نقش دست‌کم ۳ سال تجربه می‌خواست
تحلیلگر یا مهندس ارشد FinOps (AI)
۵+ سال
~$168K
میانگین سالانه (آمریکا)
هدایت تحلیل‌های پیچیده، مذاکره دربارهٔ commitmentها و قراردادها، تعریف unit economics و ارائه به مدیران؛ CMC Global و AHEAD برای این سطح ۵ سال تجربه یا بیشتر می‌خواهند
Staff / Lead یا مدیر FinOps
پس از سطح ارشد
طراحی برنامهٔ FinOps سازمان، پیش‌بینی بلندمدت و مدیریت تیم؛ ServiceNow برای Senior Staff Cloud FinOps Analyst دوازده سال تجربه (با کارشناسی) می‌خواهد و Datadog برای مدیر تیم Cloud FinOps سابقهٔ مدیریت تیم مهندسی داده
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
قیمت‌گذاری ناهمگون و SKUهای تازه
عمومیبه گفتهٔ FinOps Foundation، مدل‌ها و سرویس‌های AI قیمت‌گذاری ناهمگون و نسخه‌های متعدد دارند، ارائه‌دهنده‌ها مدام SKU تازه می‌سازند و بسیاری tagging داخلی ندارند. در نتیجه تخصیص هزینه اغلب به ابزار مهندسی جداگانه نیاز دارد و دادهٔ آماده از صورتحساب کافی نیست.
تقسیم هزینهٔ مشترک
شرکت بزرگبخشی از هزینه مال یک تیم نیست: زیرساخت مشترک، پایگاه داده برداری یا یک قرارداد کلی با ارائه‌دهنده. گاهی حتی هزینهٔ مدل فقط یک ردیف در صورتحساب ابر است؛ طبق مستندات Anthropic، استفاده از Claude Platform on AWS در صورتحساب AWS با یک ردیف واحد CCU دیده می‌شود. باید روشی برای تقسیم پیدا کنید که تیم‌ها آن را منصفانه بدانند.
جدا کردن رشد مصرف از افت کارایی
عمومیوقتی هزینهٔ یک محصول AI بالا می‌رود، ممکن است کاربر بیشتر شده باشد یا هر درخواست گران‌تر شده باشد. LexisNexis دقیقاً معیارهای هزینهٔ واحدی می‌خواهد که این دو را از هم جدا کند. بدون آن، گزارش هزینه فقط عددی بزرگ‌تر از ماه قبل است.
نشان دادن ارزش AI، نه فقط هزینه
عمومیدر گزارش State of FinOps ۲۰۲۶ دیده شدن هزینهٔ AI، تخصیص آن به واحدهای کسب‌وکار و تعیین ارزش و ROI آن از چالش‌های اصلی شمرده شده‌اند. گزارش دربارهٔ ارزش AI می‌گوید هنوز کسی نمی‌تواند به این سؤال جواب دهد. بسیاری از سازمان‌ها هم به گفتهٔ همین نظرسنجی باید سرمایه‌گذاری AI را از محل صرفه‌جویی تأمین کنند.
اثرگذاری بدون اختیار
عمومیتحلیلگر FinOps معمولاً مدل را انتخاب نمی‌کند و کد را تغییر نمی‌دهد. FinOps Foundation در مقالهٔ انتخاب مدل می‌نویسد FinOps نباید خودش مدل را انتخاب کند و باید از مهندسی و محصول بخواهد کیفیت قابل قبول را تعریف کنند. یعنی نتیجهٔ کار شما به اعتماد تیم‌ها به داده‌تان بستگی دارد.
تعهدهای بلندمدت در بازار GPU
استارتاپFinOps Foundation کمبود ظرفیت را در سرورهای GPU معمول می‌داند. Perplexity از تحلیلگر می‌خواهد مرجع دادهٔ مصرف‌شده در برابر تعهدشده باشد و Prime Intellect اثر فرض‌های بهره‌وری بر اقتصاد تعهدهای چندساله را می‌سنجد. اشتباه در این فرض‌ها یعنی پول پرداخت‌شده برای ظرفیتی که استفاده نمی‌شود.
حقوق و بازار کار جهانی
حقوق جهانی تحلیلگر FinOps هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- LexisNexis (RELX) posting, Senior FinOps Analyst — AI (Raleigh), posted Aug 26, 2026: U.S. national base range (no years stated); median = midpoint
- Salary.com, data as of Oct 1, 2026, Cloud FinOps Analyst (proxy, not AI-specific): 25th–75th pct; median
- AHEAD posting, Senior Cloud FinOps Engineer (US; scope includes AI/GPU spend; 5+ yrs incl. 3+ in FinOps), posted Aug 27, 2026: on-target earnings (base + target bonus); median = midpoint
- ITJobsWatch, 6 months to 22 Oct 2026, UK permanent job ads citing FinOps, any title (proxy, 121 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مفاهیم FinOps
دورهٔ رایگان Introduction to FinOps را بگذرانید و اصول و نقش‌های FinOps را بخوانید.
ماه ۲: صورتحساب یک ابر
در یک حساب آزمایشی AWS، Cost Explorer و Data Exports را راه بیندازید و ساختار ستون‌های دادهٔ هزینه را یاد بگیرید.
ماه ۳: اقتصاد مدل‌های زبانی
صفحه‌های قیمت چند ارائه‌دهنده و راهنمای FinOps for AI را بخوانید و برای یک بار کاری فرضی هزینه را با چند گزینه محاسبه کنید.
ماه ۴: ثبت هزینهٔ فراخوانی‌ها
یک برنامهٔ کوچک LLM بسازید و هزینهٔ هر فراخوانی را با Langfuse یا LiteLLM ثبت و به ویژگی‌ها تخصیص دهید.
ماه ۵: داشبورد و پیش‌بینی
داده‌های دو پروژهٔ قبلی را در یک داشبورد Power BI جمع کنید و یک پیش‌بینی ساده و هشدار ناهنجاری به آن اضافه کنید.
ماه ۶: گواهی و درخواست
اگر هزینه‌اش برایتان ممکن است، برای FinOps Certified Practitioner آماده شوید؛ AHEAD و ServiceNow آن را امتیاز می‌دانند. رزومه را با زبان آگهی‌ها بنویسید: تخصیص هزینه، unit economics، پیش‌بینی و بهینه‌سازی.
پروژه‌های پیشنهادی برای رزومه
داشبورد هزینه از دادهٔ صورتحساب ابر
مبتدیخروجی Data Exports یک حساب آزمایشی AWS یا خروجی صورتحساب GCP در BigQuery را بگیرید و داشبوردی بسازید که هزینه را بر اساس سرویس، محیط و tag نشان دهد. بخش «منابع بدون tag» را جدا گزارش کنید.
ثبت هزینهٔ هر فراخوانی مدل و تخصیص آن به ویژگی‌ها
متوسطیک برنامهٔ کوچک LLM با دو یا سه ویژگی بسازید، فراخوانی‌ها را با Langfuse یا LiteLLM ثبت کنید و هزینهٔ هر ویژگی و هزینه به ازای هر درخواست را حساب کنید. توضیح دهید هزینهٔ مشترک (مثلاً embedding) را چطور تقسیم کرده‌اید.
گزارش گزینه‌های بهینه‌سازی هزینهٔ LLM
متوسطبرای یک بار کاری فرضی، هزینه را با چند ردهٔ مدل، با و بدون prompt caching و با Batch API از روی صفحه‌های رسمی قیمت محاسبه کنید. نتیجه را مثل یک گزارش واقعی بنویسید: صرفه‌جویی، اثر بر کیفیت و تأخیر، و اینکه چه کسی باید دربارهٔ کیفیت قابل قبول تصمیم بگیرد.
پیش‌بینی هزینه و تشخیص ناهنجاری روزانه
متوسطروی دادهٔ هزینهٔ روزانه (واقعی یا ساخته‌شده) یک پیش‌بینی ماهانه بسازید و روزهای غیرعادی را با روش آماری، نه فقط آستانهٔ ثابت، علامت بزنید. برای هر هشدار توضیح دهید کدام سرویس یا تیم عامل آن بوده است.
تخصیص هزینهٔ Kubernetes و GPU با OpenCost
پیشرفتهOpenCost را روی یک کلاستر آزمایشی نصب کنید، namespaceها را به چند تیم فرضی نسبت دهید و گزارش showback بسازید. سهم هزینهٔ بی‌استفاده (idle) و نحوهٔ تقسیم آن را مستند کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
هم‌بنیان‌گذار Cloudability بود که بعدها Apptio آن را خرید. پس از فروش، یک سال دیگر معاون محصول و مهندسی ماند و بعد به‌صورت تمام‌وقت به FinOps Foundation، یک نهاد غیرانتفاعی، پیوست. با بزرگ‌ترین مصرف‌کنندگان ابر دنیا کار کرده است.
مدیر اجرایی FinOps Foundation است و همراه Mike Fuller کتاب Cloud FinOps را برای O’Reilly نوشته است.
مسیر او از ساختن یک محصول مدیریت هزینهٔ ابر به ساختن یک جامعهٔ حرفه‌ای رسید. به نظر می‌رسد در رشته‌ای که هنوز در حال شکل گرفتن است، مستند کردن و آموزش دادن روش‌ها به اندازهٔ خود کار ارزش دارد.
طبق معرفی SE Radio در ۲۰۲۳، مهندس ارشد (Principal Engineer) در Atlassian بود و بیش از ده سال روی ابر و FinOps در این شرکت کار کرده بود. تیمش از مهندسان داده، تحلیلگران و متخصصان FinOps تشکیل می‌شد. نُه گواهی AWS دارد و در رویدادهای AWS re:Invent و AWS Summit دربارهٔ امنیت و FinOps ابری سخنرانی کرده است.
هم‌نویسندهٔ کتاب Cloud FinOps است. عضو شورای مشورتی فنی FinOps Foundation بوده و در زمان آن مصاحبه عضو هیئت‌مدیرهٔ آن بود.
او از داخل یک تیم مهندسی به این حوزه رسید، نه از بخش مالی. پیداست که برای FinOps، شناخت عمیق یک ابر و کار کردن با داده می‌تواند همان‌قدر نقطهٔ شروع خوبی باشد که پیشینهٔ مالی.
Chief Cloud Economist در Duckbill است، شرکتی که خود را «لایهٔ کنترل مالی» شرکت‌های AI-محور برای مذاکره، مدیریت و پیش‌بینی هزینه در ابرها، مدل‌ها، neocloudها و ارائه‌دهندگان inference معرفی می‌کند.
Duckbill طبق صفحهٔ خود در مذاکرهٔ قراردادهای آزمایشگاه‌های مدل، ظرفیت GPU در neocloudها و قراردادهای hyperscalerها خدمات می‌دهد و می‌گوید پشتوانهٔ کارش ده‌ها میلیارد دلار قرارداد AI و ابر است. Quinn خبرنامهٔ Last Week in AWS را هم می‌نویسد.
تمرکز کار او از صورتحساب AWS به قراردادهای مدل و GPU کشیده شده است. به نظر می‌رسد کسی که اقتصاد ابر را عمیق می‌شناسد، همین دانش را مستقیم به هزینهٔ AI منتقل می‌کند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
AI FinOps, Cost & Contracts Analyst – The US
تحلیل نیازمندی‌ها
5+ years of experience in FinOps, FP&A, Technology Finance, Procurement, Cloud Cost Management, or related financial operations.
این نقش ورودی نیست. اما مسیرهای ورود متنوع‌اند: برنامه‌ریزی و تحلیل مالی، مالی فناوری، تدارکات یا مدیریت هزینهٔ ابر. اگر در یکی از این‌ها تجربه دارید، فاصلهٔ شما با این نقش یادگیری اقتصاد هزینهٔ AI است.
ضروریStrong understanding of AI cost models, including token-based pricing, inference costs, cloud consumption, API pricing, and AI licensing.
قلب تخصص AI همین‌جاست: بدانید هزینهٔ هر درخواست از توکن ورودی و خروجی، ردهٔ مدل و حالت خرید ساخته می‌شود، و فرق قیمت API، مصرف ابری و مجوز سالانهٔ یک ابزار AI را بشناسید.
ضروریExperience with showback, chargeback, billback, cost allocation, and cost recovery methodologies.
Showback یعنی نشان دادن هزینه به هر تیم و chargeback یعنی واقعاً آن را به بودجهٔ تیم منتقل کردن. باید بتوانید روشی طراحی کنید که تیم‌ها آن را منصفانه بدانند.
ضروریStrong knowledge of TCO, unit economics, business case development, ROI analysis, and technology investment planning.
کار فقط گزارش هزینه نیست؛ باید بتوانید بگویید یک سرمایه‌گذاری AI در کل چقدر هزینه دارد (TCO)، هزینه به ازای هر واحد کسب‌وکار چقدر است و آیا بازده آن را توجیه می‌کند.
مهمExperience reviewing enterprise software contracts, licensing agreements, vendor negotiations, and financial governance.
بخش «Contracts» عنوان آگهی همین است. در سازمان‌های بزرگ بخش مهمی از هزینهٔ AI در قرارداد و مجوز تعیین می‌شود، نه در کد؛ خواندن شرط‌های قرارداد و همکاری با تیم تدارکات بخشی از کار است.
مهمAdvanced Excel skills with experience in Power BI, Microsoft Fabric, or similar BI/reporting tools.
ابزار روزمره همین‌هاست. برخلاف آگهی LexisNexis که Python هم می‌خواهد، این آگهی برنامه‌نویسی نخواسته است؛ تسلط به Excel و یک ابزار BI حداقل لازم است.
ضروریBachelor’s degree in Finance, Accounting, Business Administration, Economics, Information Systems, Computer Science, Data Analytics, or a related field.
فهرست رشته‌ها عمداً گسترده است و هم رشته‌های مالی را در بر می‌گیرد و هم رشته‌های فنی و داده‌ای. این نشان می‌دهد نقش میان دو دنیاست.
مهمKnowledge of cloud platforms such as Azure or AWS.
در بخش «ترجیحی» آمده است. بسیاری از هزینه‌های AI در صورتحساب ابر دیده می‌شوند، پس شناخت یکی از ابرها کار را خیلی راحت‌تر می‌کند.
مفیدتحلیل مسئولیت‌ها
Develop and manage AI FinOps processes, including budgeting, forecasting, total cost of ownership (TCO), and ROI analysis.
شما فرایند را می‌سازید، نه فقط گزارش را: چرخهٔ بودجه، پیش‌بینی و سنجش بازده برای هزینه‌های AI که در بسیاری از سازمان‌ها هنوز تعریف نشده است.
Build and maintain showback, chargeback, and cost allocation models based on AI usage, cloud consumption, and business value.
مدل تخصیص باید هم بر مصرف تکیه کند و هم بر ارزش تجاری. یعنی گاهی پرسش این نیست که چه کسی بیشتر مصرف کرده، بلکه این است که چه کسی بیشتر سود برده است.
Analyze AI platform costs across cloud infrastructure, foundation models, APIs, licensing, and enterprise AI platforms to identify optimization opportunities.
هزینهٔ AI در چند جا پخش است: زیرساخت ابری، مدل‌های پایه، API ها، مجوزها و پلتفرم‌های سازمانی. باید همه را کنار هم ببینید تا فرصت‌های صرفه‌جویی پیدا شوند.
Partner with Finance, Procurement, Legal, and Technology teams on vendor contracts, renewals, licensing, and pricing strategies.
چهار تیم با زبان‌ها و اولویت‌های مختلف. ارزش شما در این است که پیامد مالی یک تصمیم فنی را برای تیم حقوقی و تدارکات و پیامد فنی یک شرط قرارداد را برای تیم فنی روشن کنید.
Create executive dashboards and reports tracking AI spend, utilization, adoption, and financial performance using Power BI or Microsoft Fabric.
داشبورد مدیران فقط هزینه را نشان نمی‌دهد؛ میزان استفاده و پذیرش را هم کنارش می‌گذارد تا معلوم شود پول خرج‌شده به استفادهٔ واقعی رسیده است یا نه.
Develop financial models supporting AI investment decisions and value realization.
پیش از هر سرمایه‌گذاری بزرگ AI، کسی باید سناریوهای هزینه و بازده را مدل کند. این کار شماست و بعد از اجرا هم باید بسنجید آیا ارزش وعده‌داده‌شده محقق شد.
Establish governance processes and financial controls for responsible AI spending.
منظور قواعدی مثل سقف هزینه، گردش تأیید و هشدار است، طوری که هزینه کنترل شود بی‌آنکه تیم‌ها برای هر آزمایش کوچک منتظر تأیید بمانند.
نتیجه‌گیری کلی
این آگهی نسخهٔ سازمانی و مالی‌تر این نقش را نشان می‌دهد: پنج سال تجربه یا بیشتر در FinOps، برنامه‌ریزی و تحلیل مالی، مالی فناوری یا تدارکات، درک قیمت‌گذاری توکنی و هزینهٔ inference، و تمرکز بر تخصیص، قرارداد و گزارش به مدیران. برنامه‌نویسی خواسته نشده و Excel و Power BI کافی است. در آگهی LexisNexis برای همین نوع کار Python و SQL قوی هم لازم است؛ یعنی هر دو مسیر، مالی و داده‌ای، به این نقش می‌رسند. این آگهی بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
طبق ITJobsWatch، آگهی‌های استخدام دائم در بریتانیا که مهارت FinOps را خواسته‌اند در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ به ۱۹۴ رسید؛ این عدد در همین بازه در ۲۰۲۵، ۸۷ و در ۲۰۲۴، ۳۵ بود. این آمار مهارت FinOps را در هر عنوانی می‌شمارد، نه فقط نقش‌های AI.
منبع: ITJobsWatch (UK)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
J.R. Storment، مدیر اجرایی FinOps Foundation، در فوریهٔ ۲۰۲۶ گفت با بالا رفتن هزینهٔ AI در پی تحول سازمان‌ها، روش‌های FinOps برای تصمیم‌های مدیران ارشد دربارهٔ سرمایه‌گذاری‌های چندسالهٔ فناوری حیاتی خواهد بود.
در گزارش State of FinOps ۲۰۲۶، FinOps for AI مهم‌ترین اولویت آیندهٔ تیم‌های FinOps و مدیریت هزینهٔ AI پرتقاضاترین مهارتی است که تیم‌ها می‌خواهند اضافه کنند.
FinOps Foundation در مقالهٔ سپتامبر ۲۰۲۶ دربارهٔ انتخاب مدل می‌نویسد «مدل بیش از نیاز، همان ظرفیت بیش از نیاز تازه است» و این اتلاف بدون اندازه‌گیری آگاهانه دیده نمی‌شود؛ یعنی مقایسهٔ هزینه و کیفیت ردهٔ مدل‌ها به بخشی از کار FinOps تبدیل می‌شود.
اول، تعداد این شغل‌ها کم است. طبق State of FinOps ۲۰۲۶، حتی سازمان‌هایی که بیش از ۱۰۰ میلیون دلار هزینهٔ ابر دارند به‌طور میانگین ۸ تا ۱۰ متخصص FinOps و ۳ تا ۱۰ پیمانکار دارند. گزارش می‌گوید تیم‌ها با توانمندسازی و خودکارسازی بزرگ می‌شوند، نه با استخدام بیشتر. دوم، بخشی از کار تحلیلی خودکار می‌شود؛ آگهی LexisNexis از تحلیلگر می‌خواهد با Codex یا Claude کار کند و تحلیل و pipeline را سریع‌تر بسازد. پس ارزش شما بیشتر در قضاوت، روش و ارتباط است تا در ساختن دستی گزارش. سوم، عنوان شغل هنوز یکدست نیست و «FinOps» در بسیاری از آگهی‌ها به معنای عملیات مالی است. این جستجوی کار را سخت‌تر می‌کند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۸ منبع بررسی شده است.
- AI FinOps, Cost & Contracts Analyst – The US — CMC Global (job posting)
- Senior FinOps Analyst — AI — LexisNexis / RELX (job posting)
- AI Finops Specialist — WSA, FinOps Foundation job board (archived copy, May 2026)
- AI FinOps Engineer — Flutter UK & Ireland, FinOps Foundation job board (archived copy, May 2026)
- Senior Cloud FinOps Engineer — AHEAD (job posting)
- FinOps Engineer — Supabase (job posting)
- FinOps Data Engineer — Supabase (job posting)
- Compute Financial Analyst — Fireworks AI (job posting)
- Strategic Finance Lead - Compute — Perplexity (job posting)
- Finance & Strategy, Compute — Anthropic (job posting)
- Strategic Finance, Compute — OpenAI (job posting)
- Compute Finance and Strategy — Prime Intellect (job posting)
- Senior Staff Cloud FinOps Analyst — ServiceNow (job posting)
- Manager I, Engineering - Cloud FinOps — Datadog (job posting)
- Accounts Payable Analyst, FinOps, FinOps Support Center — Amazon (job posting)
- Controllership Senior Specialist (FinOps) — Nubank (job posting)
- Senior Full-Stack Engineer - AI Cost Visibility — DoiT (job posting)
- Salary.com — Cloud FinOps Analyst salary in the United States
- ITJobsWatch — FinOps job trends and salaries (UK)
- Glassdoor — FinOps Analyst salaries in the United Kingdom
- FinOps Foundation — What is FinOps?
- FinOps Foundation — FinOps Principles
- FinOps Foundation — FinOps Personas
- FinOps Foundation — FinOps for AI Overview
- FinOps Foundation — AI Model Selection: Choosing based on Value Driven Consumption Strategy
- FinOps Foundation — State of FinOps 2026 Report
- Linux Foundation — State of FinOps Survey press release (Feb 19, 2026)
- FinOps Foundation — Cloud FinOps O’Reilly Book
- SE Radio 550 — J.R. Storment and Mike Fuller on Cloud FinOps
- Duckbill — About
- Last Week in AWS — Newsletter
- Claude Platform Docs — Pricing
- Claude Platform Docs — Batch processing
- Amazon Bedrock Pricing
- OpenCost — open source cost monitoring for cloud native environments
- Vantage — Multi Cloud Cost Management
- CloudZero — The AI ROI Company
- FOCUS — FinOps Open Cost & Usage Specification