总部位于特拉维夫的初创公司Seemore Data今日宣布，其面向Databricks平台的成本管控产品Seemore for Databricks正式进入早期访问阶段。该产品为数据平台团队和FinOps团队提供Databricks支出的统一视图，覆盖SQL仓库、Lakeflow作业、通用计算集群及AI服务，并可在客户设定的护栏范围内自动优化SQL仓库配置。
此次产品扩展的背景是企业正在寻找为AI投入买单的路径。Gartner预测，到2026年全球AI支出将达到2.5万亿美元。IDC的数据则显示，45％的企业表示其AI预算来自现有软件预算的重新分配。这意味着AI投入并非全部来自新增预算，相当一部分需要从既有IT开支中腾挪。而对许多企业来说，承载这些数据与AI工作负载的核心平台正是Databricks。
Seemore Data将自身定位为数据和AI基础设施的上下文感知控制平面。公司此前已在Snowflake平台上提供成本优化服务，此次将能力延伸至Databricks。Seemore Data CEO Yaniv Leven表示：“每一笔流向AI的支出都必须来自某处，而对大多数企业而言，最缺乏有效管控的最大支出项就是数据云。与应用层不同，数据云如果没有上下文就无法优化。每个查询都有其结构。要合理配置其计算资源，你需要知道它读取哪些表、写入何处，以及下游有谁依赖这些结果。一个数据资产在你理解它在哪里被使用、如何被使用以及使用模式如何随时间变化之前，其意义有限。捕获这些上下文正是Seemore的构建目的——先是在Snowflake上，现在扩展到Databricks。”
Databricks的支出管理面临结构性挑战。同一工作负载可以在多种计算类型上运行，而不同类型之间的标价差异显著——数据工程计算的单价为每DBU 0.15美元，交互式工作负载则高达0.40美元。计算费用和云基础设施费用分别出现在不同的账单中，增加了成本归集的难度。此外，运行这些工作负载的团队通常以可靠性而非成本作为考核指标，因此过度配置往往成为安全的默认选择。
Seemore for Databricks提供以下核心功能：
完整成本归因。支出数据从Databricks系统表中读取，按客户自身费率计价，再按工作空间、作业、仓库、集群和SKU逐层汇总，使每一笔开销都能追溯到具体的业务单元或项目。
全工作负载统一视图。覆盖SQL仓库、Lakeflow作业与管道、通用计算，以及Model Serving和AI Gateway等AI服务，消除不同计算类型之间的可见性盲区。
面向SQL仓库的SmartPulse。Seemore客户此前用于调优Snowflake仓库的引擎，现在可实时调整Databricks SQL的自动停止和扩缩容策略，所有操作在客户定义的护栏内执行，且每次变更均有日志记录。
无服务器空闲时间优化。自动停止策略根据每个仓库的实际查询模式进行调优，在不引入明显冷启动延迟的前提下削减付费空闲时间。
经典计算资源的合理配置。针对经典集群提供规格调整建议，减少因过度配置产生的浪费。
从行业视角看，Seemore Data切入的是一个正在快速膨胀的市场。随着企业AI项目从试验阶段进入规模化部署，数据基础设施成本正在成为CFO和FinOps团队关注的焦点。Databricks和Snowflake作为两大主流数据平台，其计算成本结构复杂、计费维度多样，为企业级成本管理工具留出了明确的产品空间。Seemore Data的策略并非简单地削减开支，而是通过理解数据资产的使用上下文来实现精准优化——这一思路与传统的云成本管理工具形成差异化。
目前该产品处于早期访问阶段，具体定价和正式发布时间尚未公布。对于正在推进AI项目且使用Databricks的企业而言，这类工具的价值在于将原本不透明的数据平台支出转化为可归因、可优化、可审计的成本结构，从而为AI投入释放出更多预算空间。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
