North.cloud lève 60 millions de dollars lors d’un tour de série B pour automatiser la gestion des dépenses liées au cloud et à l’IA

North.cloud a levé 60 millions de dollars dans le cadre d’un financement de série B afin d’étendre sa plateforme de gestion des coûts liés aux infrastructures cloud, à l’utilisation de l’IA et aux données. Le tour de financement, annoncé le 15 octobre, est mené par PeakSpan Capital, avec la participation de Litquidity, Companyon Ventures, Alpaca, Uncommon Denominator, Gaingels et Mana Ventures.

Ce financement vise à résoudre un problème qui se complique à mesure que l’IA passe en production : les coûts d’exploitation d’un produit peuvent englober le calcul dans le cloud, les API de modèles et les plateformes de données, tandis que les personnes chargées de ces factures travaillent avec des systèmes distincts. North entend réunir ces données financières et les automatiser afin de réduire les dépenses et le travail nécessaire à leur gestion.

L’entreprise indique que ses dépenses cloud gérées approchent les 2 milliards de dollars et qu’elle a aidé ses clients à économiser plus de 400 millions de dollars. Elle utilisera ces fonds pour étendre l’optimisation à davantage de fournisseurs cloud, approfondir les intégrations, accélérer la gestion des dépenses liées à l’IA et étoffer ses équipes d’ingénierie, de produit et de mise sur le marché.

Réunir les coûts du cloud et de l’IA dans un seul système

Les opérations financières liées au cloud, souvent désignées par le terme FinOps, consistent à mettre en relation l’utilisation des technologies et les coûts de l’entreprise, puis à déterminer comment en améliorer la rentabilité. Il s’agit notamment de comprendre qui a généré une facture, si les ressources sont correctement dimensionnées et si les accords d’achat à prix réduit correspondent à la demande réelle.

L’IA ajoute une couche supplémentaire. Une entreprise peut payer l’infrastructure qui héberge une application tout en rémunérant séparément un fournisseur de modèles pour les jetons consommés par cette application. Comprendre une facture ne permet pas nécessairement de connaître le coût de la prestation fournie à un client ou de l’exécution d’un processus.

L’annonce du financement de North fait suite au lancement de North v3, qui a ajouté la prise en charge de Microsoft Azure, aux côtés d’Amazon Web Services et de Google Cloud Platform. L’entreprise indique que cette version a également introduit des intégrations natives avec OpenAI, Anthropic et Snowflake, et étendu la gestion automatisée des engagements grâce à son produit Autobot.

Cette stratégie s’appuie sur l’ancienne plateforme FinOps cloud de North, dont Unite.AI a parlé en 2025. L’expansion actuelle élargit son champ d’action : au-delà des économies liées au cloud, elle vise désormais une vision unifiée des dépenses en infrastructures, en IA et en données.

Fonctionnement de l’automatisation des engagements

L’achat de capacités à prix réduit dans le cadre d’engagements est l’un des moyens de diminuer les coûts du cloud. Le défi consiste à faire correspondre ces engagements à l’utilisation future : en acheter trop peu peut empêcher de réaliser des économies, tandis qu’en acheter trop peut obliger une entreprise à payer pour des capacités dont elle n’a plus besoin.

La documentation de North sur la couverture distingue deux approches. Flexbot accorde des remises par l’intermédiaire de comptes membres détenus par North, qui gère les engagements. Autobot gère les engagements détenus par le client et prend des décisions d’achat par étapes, en fonction de l’utilisation et des objectifs de l’entreprise. Les clients peuvent également combiner les deux approches.

Cette distinction est importante, car elle détermine qui détient l’engagement et comment les achats sont gérés. Selon North, Autobot s’appuie sur des prévisions et les objectifs du client pour développer progressivement la couverture, et propose des simulations permettant d’évaluer les économies et la flexibilité avant tout achat. La documentation indique également qu’Autobot demande des autorisations supplémentaires pour effectuer des achats automatiquement, que les clients peuvent révoquer.

L’optimisation des engagements porte sur le prix payé pour l’utilisation. Une autre question consiste à savoir si la charge de travail a besoin de toutes les ressources qui lui sont allouées. La fonctionnalité de dimensionnement des ressources de North recommande des tailles de ressources en fonction du comportement des charges de travail, des considérations de performance et des économies prévues. Distinguer ces mécanismes permet de mieux comprendre ce que modifie réellement une plateforme d’optimisation : obtenir un meilleur tarif et réduire l’empreinte des ressources sont deux résultats différents.

TokenFlow étend le modèle à l’utilisation de l’IA

North développe également TokenFlow pour regrouper dans un même environnement l’utilisation des modèles, l’attribution des coûts, les budgets et les contrôles financiers. Dans son annonce de financement, l’entreprise présente ce projet comme un volet de sa démarche visant à traiter les dépenses liées au cloud et à l’IA comme un seul problème financier.

La page produit de TokenFlow présente le suivi de l’utilisation des modèles, des fournisseurs et des équipes, l’attribution des coûts aux charges de travail qui les génèrent, ainsi que la mise en place de limites ou de règles pour plafonner l’utilisation. Au moment de la consultation, cette page affichait encore une liste d’attente et indiquait que l’accès à la version bêta était réservé à certains utilisateurs. Ces informations publiques sur la disponibilité du produit doivent être distinguées des projets d’expansion plus larges annoncés dans le cadre du financement.

L’intérêt de l’attribution des coûts ne se limite pas à connaître le nombre total de jetons consommés. Une équipe doit comprendre quelle fonctionnalité ou quel processus a généré ces coûts et si cette dépense contribue à un résultat utile. Une requête individuelle peu coûteuse peut tout de même devenir un poste budgétaire important lorsqu’un processus la répète à grande échelle.

Associer l’utilisation des modèles aux coûts d’infrastructure pourrait faciliter l’évaluation de ces compromis. Cela ne permet pas automatiquement de déterminer quel modèle ou quelle méthode de déploiement est préférable : ce choix dépend toujours des exigences de qualité, de la latence, des habitudes d’utilisation et du coût du système environnant.

Ce que révèlent les chiffres de croissance de North

North cite AssemblyAI, Atlan, Tines, SnapLogic, Emplifi et Imply parmi ses clients. Dans le communiqué, Ben Gotthold, responsable de l’inférence chez AssemblyAI, fait état d’un taux d’économies effectif d’environ 50 %, alors même que l’infrastructure de l’entreprise s’est développée au cours de l’année écoulée.

Il s’agit d’un résultat propre à un client, et non d’un taux d’économies auquel chaque entreprise devrait s’attendre. Les près de 2 milliards de dollars de dépenses gérées et les plus de 400 millions de dollars d’économies sont également des chiffres communiqués par l’entreprise. Le communiqué ne fournit ni méthode de calcul détaillée ni période de mesure uniforme permettant de comparer ces chiffres.

Pour les acheteurs, la comparaison pertinente porte sur les résultats financiers obtenus pour leurs propres charges de travail, en tenant compte du coût des services, de leur taux d’utilisation et des engagements d’achat. Réduire le coût du calcul est intéressant, mais il est tout aussi utile de comprendre si la demande a évolué et si une configuration moins coûteuse préserve les performances requises par l’application.

Passer de la visibilité à l’exécution à grande échelle

Le PDG et cofondateur Matt Biringer présente l’approche de North comme une manière d’automatiser les tâches liées au FinOps, plutôt que de laisser aux équipes d’ingénierie et de finance un tableau de bord supplémentaire à interpréter. L’investissement de PeakSpan soutient cette évolution vers une gestion continue d’un périmètre de dépenses plus large.

La série B donne à North les moyens de développer cette approche, alors que les coûts d’exploitation de l’IA sont de plus en plus étroitement liés aux décisions concernant les produits. Le défi opérationnel consiste à associer une attribution précise à des mesures utiles, tout en clarifiant le pouvoir décisionnel en matière d’achats et les arbitrages opérationnels. Pour les clients, la réussite se mesurera à la prévisibilité des coûts et à la diminution du travail manuel de gestion des dépenses, à mesure que leur infrastructure et leur utilisation de l’IA se développeront.