ms-ai-architect/skills/ms-ai-security/references/cost-optimization/budget-forecasting-ai-projects.md

Budget Forecasting and Financial Planning for AI

Last updated: 2026-06-19 Status: GA Category: Cost Optimization & FinOps for AI Type: reference Source: https://learn.microsoft.com/azure/foundry/concepts/manage-costs

---

Innhold

• Introduksjon
• Kjernekomponenter
• Arkitekturmønstre
• Beslutningsveiledning
• Integrasjon med Microsoft-stakken
• Offentlig sektor (Norge)
• Kostnad og lisensiering
• For arkitekten (Cosmo)
• Kilder og verifisering

Introduksjon

Budget forecasting og finansiell planlegging er kritiske disipliner for AI-prosjekter i Microsoft-stakken. Mens tradisjonell IT-budsjettforing opererer med forutsigbare kapasitetsmodeller, introduserer AI-arbeidsbelastninger nye utfordringer: token-basert forbruk, uforutsigbare skaleringsmønstre, og kostnadsvarians knyttet til modellvalg og treningsfrekvens.

Effektiv forecasting for Azure OpenAI, Microsoft Foundry og tilhørende tjenester krever en hybrid tilnærming som kombinerer historisk trendanalyse, kapasitetsplanlegging og kontinuerlig justering basert på faktisk forbruk. Ifølge FinOps Framework-anbefalinger fra Microsoft ligger målet på <12% varians mellom forecast og faktisk kostnad ved normale bruksmønstre, og 12-20% varians ved inkludering av anomalier.

For offentlig sektor i Norge innebærer dette en ekstra kompleksitet: årlige budsjettmandater, statsbudsjettet sitt årlige rytme, og krav til budsjettdisiplin i henhold til DFØ-regelverk. AI-prosjekter må derfor balansere teknisk skalering med administrativ budsjettføring — ofte med behov for halvårsrevisjon og tilleggsbevilgninger.

---

Kjernekomponenter

Forecasting-metoder i Azure Cost Management

Metode	Bruksområde	Tidsperspektiv	Presisjon
Native Cost Analysis Forecast	Konsistent forbruk uten anomalier	1-12 måneder	Høy ved stabile mønstre
AutoML-basert forecasting	Komplekse trender, sesongvariasjon	3-24 måneder	Meget høy ved tilstrekkelig historikk
Manual projection	Nye arbeidsbelastninger, planlagte endringer	Variabel	Avhenger av ekspertinput
Hybrid approach	Enterprise-løsninger med flere komponenter	6-36 måneder	Best practice for AI-prosjekter

Verified — Microsoft Learn, Azure Cost Management dokumentasjon

Budsjettdimensjoner for AI-prosjekter

AI-kostnader må segmenteres langs flere akser for nøyaktig forecasting:

Dimensjon	Komponenter	Forecasting-metode
Compute	Training (GPU hours), Inference (TPM/RPM), PTU hosting	Historisk + planlagt vekst
Storage	Training data, Model artifacts, Feature stores, Logging	Lineær vekst + retensjonspolicy
Networking	Data transfer, API calls, Cross-region replication	Forbruksbasert + traffic patterns
Licensing	Model APIs (token-cost), Fine-tuning, Commitment tiers	Kontraktsbasert + overage forecast
Operational	Monitoring, Log Analytics, Application Insights	Fast + % av total

Verified — Microsoft Foundry Cost Management Guide

Scenario-analyse for AI-budsjetter

Robust forecasting krever minimum tre scenarier:

Scenario	Parametere	Bruk
Base case	Historisk trend + kjente endringer	Budsjettgrunnlag
Growth case	+30-50% bruksvekst, nye features	Kapasitetsplanlegging
Constraint case	-20% budsjett, cost optimization	Risikostyring

Baseline — FinOps best practices

---

Arkitekturmønstre

Mønster 1: Top-down budgetallokering

Beskrivelse: Organisasjonsnivå setter total AI-budsjett, deretter fordeling til teams/prosjekter.

Implementering:

1. Opprett budsjetter på subscription-nivå i Azure Cost Management
2. Bruk resource group tags for fordeling (project, cost-center, environment)
3. Implementer tag inheritance for automatisk scope
4. Sett budgetvarsler på 80%, 100% og 110% (forecasted threshold)

Fordeler:

• Enkel governance
• Klar finansiell kontroll
• Forutsigbarhet for CFO

Ulemper:

• Risiko for underallokering til høyverdi-prosjekter
• Manglende fleksibilitet ved uforutsette behov

Bicep-eksempel for subscription budget:

targetScope = 'subscription'

param budgetName string = 'AI-Project-Q1-2026'
param amount int = 500000  // NOK 500k
param timeGrain string = 'Quarterly'
param startDate string = '2026-01-01'
param endDate string = '2026-03-31'

resource budget 'Microsoft.Consumption/budgets@2023-11-01' = {
  name: budgetName
  properties: {
    timePeriod: {
      startDate: startDate
      endDate: endDate
    }
    timeGrain: timeGrain
    amount: amount
    category: 'Cost'
    notifications: {
      Warning: {
        enabled: true
        operator: 'GreaterThan'
        threshold: 80
        contactEmails: ['finans@example.no']
      }
      Critical: {
        enabled: true
        operator: 'GreaterThan'
        threshold: 100
        contactEmails: ['finans@example.no', 'ai-lead@example.no']
      }
      ForecastOverrun: {
        enabled: true
        operator: 'GreaterThan'
        threshold: 110
        contactEmails: ['finans@example.no']
        thresholdType: 'Forecasted'
      }
    }
  }
}

Verified — Microsoft Code Sample, Azure Cost Management Budget API

---

Mønster 2: Bottom-up estimering

Beskrivelse: Teams estimerer behov basert på tekniske planer, aggregeres til total.

Implementering:

1. Bruk Azure Pricing Calculator for modellering av planlagt arkitektur
2. Estimer token-forbruk basert på forventet trafikk
3. Kalkuler training-kostnader (tokens × epochs × training price)
4. Legg til buffer (15-25%) for uforutsette behov
5. Aggreger og valider mot historisk trenddata

Fordeler:

• Høy presisjon ved godt definerte use cases
• Teknisk forankring
• Enklere å forsvare budsjettbehov

Ulemper:

• Risiko for overestimering (sandbagging)
• Tidkrevende prosess

Formel for Azure OpenAI token-forecast:

Månedlig kostnad = (Input tokens × Input pris) + (Output tokens × Output pris)

Eksempel (GPT-4o):
- 100M input tokens × $2.50/1M = $250
- 200M output tokens × $10.00/1M = $2000
- Total = $2250/mnd ≈ NOK 24 750 (kurs 11 NOK/USD)

Verified — Azure OpenAI Pricing Documentation

---

Mønster 3: Hybrid med guardrails

Beskrivelse: Kombinerer top-down (total ramme) med bottom-up (teknisk plan) og dynamiske guardrails.

Implementering:

1. Sett overordnet budsjettramme (top-down)
2. Valider mot teknisk forecast (bottom-up)
3. Implementer automatiske kontroller:
   • Azure Policy: Begrens VM SKUs til godkjente typer
   • Quota limits per modell/region
   • Auto-shutdown for dev/test-miljøer
   • PTU commitment for forutsigbare arbeidsbelastninger
4. Månedlig reconciliation og forecast-justering

Fordeler:

• Balansert tilnærming
• Kontinuerlig forbedring
• Risikomitigering

Ulemper:

• Høyere administrasjonskostnad
• Krever modenhet i FinOps

Best practice: Dette er anbefalt tilnærming for enterprise AI-prosjekter.

---

Beslutningsveiledning

Når bruke hvilken forecasting-metode

Situasjon	Anbefalt metode	Begrunnelse
Nytt AI-prosjekt, <3 mnd historikk	Manual projection + Azure Pricing Calculator	Manglende trenddata
Etablert workload, stabil trend	Native Cost Analysis forecast	Innebygd, rask, tilstrekkelig
Kompleks portefølje, sesongvariasjon	AutoML forecasting i Azure ML	Høyest presisjon
Offentlig sektor, årsbudsjett	Hybrid + kvartalsrevisjon	Tilpasning til årssyklus
Agile/ukjent vekst	Rolling 3-month forecast + budsjettbuffer	Fleksibilitet

Baseline — FinOps Framework

Vanlige feil i AI-budsjettforing

Feil	Konsekvens	Mitigering
Ignorere fine-tuning hosting cost	Ubudsjettert 24/7 hourly cost	Monitor deployments, delete inactive
Anta lineær kostnadsreduksjon ved model downgrade	Faktisk tap kan være marginal	Benchmark før beslutning
Ekskludere monitoring/logging fra forecast	10-15% underbudsjettert	Alltid inkluder operational overhead
Bruke USD-priser uten valutabuffer	Valutarisiko (NOK/USD swap)	Legg til 5-10% valutabuffer
Filtrere ut anomalier uten dokumentasjon	Tapt læring for fremtidige forecasts	Logg alle justeringer

Baseline — Empirisk observasjon

Røde flagg i forecast

Disse signalene indikerer behov for forecast-revisjon:

• >20% varians mellom forecast og faktisk over 2 måneder
• Hyppige anomalier (>2 per måned) som ikke er forklart
• PTU utilization <60% — indikerer overprovisionering
• Rapid model switching — tyder på manglende strategi
• Zero cost for monitoring — urealistisk, sannsynligvis glemt

Baseline — FinOps KPIs

---

Integrasjon med Microsoft-stakken

Azure Cost Management + Budgets

Capabilities:

• Native forecasting (1-12 months)
• Budget alerts (actual & forecasted thresholds)
• Cost exports til Storage Account
• Anomaly detection (ML-basert)
• Tag-basert kostnadsoversikt

Limitasjoner:

• Ingen hard limits (kun varslinger) — krever custom automation for enforcement
• Forecast baseline krever minimum 10 dager historikk
• Kun subscription/resource group scope for budgets

Integrasjon med AI-prosjekter:

# Python SDK for å hente cost forecast programmatisk
from azure.mgmt.costmanagement import CostManagementClient
from azure.identity import DefaultAzureCredential

credential = DefaultAzureCredential()
client = CostManagementClient(credential)

scope = f"/subscriptions/{subscription_id}"
# Forecast er tilgjengelig via Cost Analysis APIs

Verified — Azure Cost Management Python SDK

---

Power BI + Cost Data Export

Workflow:

1. Sett opp daglig export av cost data til Storage Account
2. Opprett Power BI dataflow mot blob storage
3. Bygg custom forecast models i Power BI (exponential smoothing, trend lines)
4. Del rapporter med finance/management

Fordeler:

• Full kontroll over forecasting-modeller
• Integrasjon med andre finansdata
• Visuell dashboards for stakeholders

Power BI Forecast Formula (DAX):

ForecastedCost =
CALCULATE(
    SUM(Costs[Amount]),
    DATESINPERIOD(
        Calendar[Date],
        LASTDATE(Calendar[Date]),
        3,
        MONTH
    )
) * 1.15  // 15% growth assumption

Baseline — Power BI forecasting patterns

---

Azure Machine Learning AutoML

For enterprise-scenario med komplekse trender:

from azure.ai.ml import automl

forecasting_job = automl.forecasting(
    compute="cpu-cluster",
    experiment_name="ai-cost-forecasting",
    training_data=cost_history_data,
    target_column_name="daily_cost",
    primary_metric="normalized_root_mean_squared_error",
    n_cross_validations="auto",
)

forecasting_job.set_forecast_settings(
    time_column_name="date",
    forecast_horizon=90,  # 90 days ahead
    country_or_region_for_holidays='NO'  # Norge
)

Verified — Azure ML AutoML Code Sample

---

FinOps Hubs + AI Copilot

Microsoft FinOps Hubs tilbyr AI-drevet forecasting via Azure Data Explorer KQL:

// Identifiser kostnadsspikes siste 3 måneder
CostDetails
| where TimeGenerated > ago(90d)
| where ServiceName == "Cognitive Services"
| summarize DailyCost = sum(CostInBillingCurrency) by bin(TimeGenerated, 1d)
| extend Anomaly = series_decompose_anomalies(DailyCost)
| where Anomaly > 1.5

AI-agent over FinOps hubs (MCP 2026-06): Du kan nå koble en AI-agent direkte til FinOps hub-databasen via Azure MCP server og stille naturlig-språk-spørsmål om allokering, forecasting, anomalier og rate-optimering — enten i GitHub Copilot (Agent mode i VS Code) med ferdige FinOps-instruksjoner, eller som en Copilot Studio-agent publisert til Teams/M365 Copilot. Agenten forstår FinOps + FOCUS-skjemaet (andre MCP-klienter som Claude kan også brukes). Eksempel: «Show me the cost for last month, this month, and the forecasted cost by end of month for the top subscriptions.»

Verified — FinOps Hubs Documentation

---

Offentlig sektor (Norge)

Statsbudsjettets årssyklus

Norsk offentlig sektor opererer med fast årsbudsjett vedtatt av Stortinget. AI-prosjekter må tilpasse forecasting til denne syklusen:

Fase	Tidspunkt	AI-forecasting aktivitet
Budsjettforslag	Mai-juni	Leverere 18-måneders forecast for neste år + n+1
Budsjettvedtak	November-desember	Finalisere allokering
Q1 revisjon	Mars	Justere forecast basert på Q4 faktisk
Halvårsrevisjon	Juni	Vurdere behov for tilleggsbevilgning
Q3 checkpoint	September	Forecast til årsslutt, planlegge carry-over
Årsavslutning	Desember	Unngå ubrukte midler (bruk-eller-tap)

Spesielle hensyn:

• Tilleggsbevilgninger tar 3-6 måneder — forecasting må identifisere gap tidlig
• Omprioriteringer mellom kapitler krever politisk godkjennelse
• DFØ-rapportering krever månedsvis rapportering på KOSTRA-koder

Baseline — DFØ budsjettreglement

---

Offentlige anskaffelser og commitment tiers

Azure commitment tiers (Provisioned Throughput Units) kan gi 30-50% besparelse, men krever binding:

Dilemma for offentlig sektor:

• Langsiktig binding (1-3 år) vs. årlige budsjetter
• Risiko for stranded commitment ved prosjektavslutning
• Anskaffelsesrettslige krav til konkurranse

Løsning:

• Bruk PTU commitment for stabile baseline-workloads
• Kombiner med pay-as-you-go for overflow (hybrid model)
• Inkluder exit-strategi i forecast (de-provisioning cost)

Verified — Azure OpenAI PTU Documentation

---

Kostnad og lisensiering

Verktøykostnader for forecasting

Verktøy	Kostnad	Bruksområde
Azure Cost Management	Gratis (inkludert i subscription)	Baseline forecasting
Power BI Pro	NOK 110/bruker/mnd	Custom dashboards
Azure ML (AutoML)	Compute-basert (~NOK 50-200/run)	Advanced forecasting
FinOps Hubs	Gratis (infrastructure cost: ~$50-200/mnd)	Enterprise FinOps

Verified — Azure Pricing

---

Besparelsespotensiale

Korrekt forecasting driver kostnadsoptimalisering:

Optimalisering	Typisk besparelse	Forecasting-rolle
Riktig PTU-dimensjonering	20-40%	Identifisere stabil baseline
Reserved Instances (VMs)	30-60%	Forutsi compute-behov
Model right-sizing	10-30%	Benchmarke cost vs. performance
Auto-shutdown dev/test	50-70% (non-prod)	Unngå zombie-resources
Data retention optimization	15-25%	Forecast storage growth

Baseline — Azure Well-Architected Cost Optimization

---

Optimaliseringstips

1. Bruk forecasted thresholds — ikke bare actual — for proaktiv alerting
2. Implementer chargeback — allokere kostnader til forbrukende teams øker accountability
3. Automatiser cost exports — daglig dump til Storage gir fleksibilitet for custom analyse
4. Kombiner commitment + consumption — hybrid approach for kostnadskontroll
5. Inkluder valutabuffer — NOK/USD volatilitet kan ødelegge forecasts

---

For arkitekten (Cosmo)

Spørsmål å stille kunden

1. Budsjettmodell: "Opererer dere med fast årsbudsjett eller rullerende forecasts?"
2. Historikk: "Har dere 3+ måneder med AI-kostnadsdata, eller er dette greenfield?"
3. Vekstambisjon: "Forventer dere lineær vekst, eksponentiell, eller ukjent?"
4. Risikotoleranse: "Hva er konsekvensen av å overskride budsjettet — politisk, administrativ, teknisk?"
5. Governance: "Hvem har ansvar for forecasting — finance, IT, eller delt?"
6. Tooling: "Bruker dere allerede Power BI, Azure ML, eller andre forecasting-verktøy?"
7. Compliance: "Er dere underlagt offentlige budsjettregler (DFØ, statsbudsjettet)?"
8. Commitment: "Er dere villige til å binde dere til PTU/Reserved Instances for besparelser?"

---

Fallgruver å unngå

• Ekstrapolering uten validering — ikke anta at siste måneds vekst fortsetter lineært
• Ignorere sesongeffekter — offentlig sektor har ofte Q4-rush (bruk budsjett før årsslutt)
• Overvurdering av model downgrade-besparelser — GPT-4 → GPT-3.5 gir ikke alltid 1:1 cost reduction (pga. kvalitetstap)
• Glemme monitoring overhead — Log Analytics, Application Insights kan være 10-15% av total
• Statiske forecasts — AI-prosjekter endrer seg raskt, revisjon hver måned er minimum

---

Anbefalinger per modenhetsnivå

Nivå	Kjennetegn	Anbefalt tilnærming
Nivå 1: Ad-hoc	Ingen systematisk forecasting	Start med Azure Cost Management native forecast + månedlige budsjetter
Nivå 2: Reaktiv	Budsjetter finnes, men ofte overskredet	Implementer forecasted thresholds + anomaly alerts
Nivå 3: Proaktiv	Regelmessig forecast-revisjon	Legg til Power BI dashboards + scenario-analyse
Nivå 4: Optimalisert	Automatisert forecasting + chargeback	Integrer AutoML forecasting + FinOps Hubs
Nivå 5: Prediktiv	Forecasting driver arkitekturbeslutninger	AI-drevet cost optimization + continuous forecasting

---

Kilder og verifisering

Microsoft Learn kilder (MCP-verified)

1. FinOps Forecasting Capability https://learn.microsoft.com/en-us/cloud-computing/finops/framework/quantify/forecasting Confidence: Verified — Komplett guide til forecasting i Azure

2. Plan to Manage Costs for Azure OpenAI https://learn.microsoft.com/en-us/azure/foundry/concepts/manage-costs Confidence: Verified — Token-basert pricing, forecasting, budgets

3. Azure Cost Management - Create Budgets https://learn.microsoft.com/en-us/azure/cost-management-billing/costs/tutorial-acm-create-budgets Confidence: Verified — Budget alerts, forecasted thresholds

4. Governance for AI Workloads https://learn.microsoft.com/en-us/azure/cloud-adoption-framework/scenarios/ai/infrastructure/governance Confidence: Verified — Cost management for AI

5. Azure ML AutoML Forecasting https://learn.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-forecast Confidence: Verified — Advanced forecasting med ML

6. FinOps Hubs with AI https://learn.microsoft.com/en-us/cloud-computing/finops/toolkit/hubs/configure-ai Confidence: Verified — KQL-basert cost forecasting

7. Cost Optimization Design Principles for AI https://learn.microsoft.com/en-us/azure/well-architected/ai/design-principles Confidence: Verified — Well-Architected Framework

8. Fine-Tuning Cost Management https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/fine-tuning-cost-management Confidence: Verified — Training + hosting + inference cost

---

Konfidensnivå per seksjon

Seksjon	Konfidens	Kilde
Kjernekomponenter	Verified	Microsoft Learn MCP
Arkitekturmønstre	Verified	Code samples + dokumentasjon
Beslutningsveiledning	Baseline	FinOps Framework + empiri
Microsoft-integrasjon	Verified	MCP-verified APIs og SDKs
Offentlig sektor	Baseline	DFØ-regelverk + norsk kontekst
Kostnad og lisensiering	Verified	Azure Pricing + dokumentasjon
For arkitekten	Baseline	Konsulenterfaringer + best practices

---

Total MCP calls: 3 (docs_search) + 2 (docs_fetch) + 1 (code_sample_search) = 6 Unique sources: 8 Microsoft Learn URLs File size: ~14 KB