North.cloud haalt $60 miljoen op in Series B-ronde om beheer van cloud- en AI-uitgaven te automatiseren

North.cloud heeft 60 miljoen dollar aan Series B-financiering opgehaald om zijn platform voor het beheer van cloudinfrastructuur, AI-gebruik en datakosten uit te breiden. De financieringsronde, aangekondigd op 15 oktober, wordt geleid door PeakSpan Capital, met deelname van Litquidity, Companyon Ventures, Alpaca, Uncommon Denominator, Gaingels en Mana Ventures.

De financiering is gericht op een probleem dat steeds complexer wordt nu AI in productie wordt ingezet: de operationele kosten van een product kunnen bestaan uit cloudcomputing, model-API’s en dataplatforms, terwijl de verantwoordelijken voor die rekeningen met afzonderlijke systemen werken. North wil dit financiële overzicht samenbrengen met automatisering die zowel de uitgaven als het werk voor het beheer ervan vermindert.

Het bedrijf zegt dat het bijna 2 miljard dollar aan clouduitgaven beheert en klanten heeft geholpen meer dan 400 miljoen dollar te besparen. Het zal het kapitaal gebruiken om de optimalisatie bij cloudproviders uit te breiden, integraties te verdiepen, het beheer van AI-uitgaven te versnellen en de teams voor engineering, productontwikkeling en marktintroductie uit te breiden.

Cloud- en AI-kosten in één systeem samenbrengen

Financieel beheer van cloudactiviteiten, vaak afgekort tot FinOps, draait om het koppelen van technologiegebruik aan bedrijfskosten en het bepalen hoe de bedrijfseconomische efficiëntie kan worden verbeterd. Dat betekent inzicht krijgen in wie een rekening heeft veroorzaakt, of de resources de juiste omvang hebben en of kortingsregelingen bij inkoop aansluiten op de werkelijke vraag.

AI voegt daar nog een laag aan toe. Een bedrijf betaalt mogelijk voor de infrastructuur waarop een applicatie draait, en daarnaast aan een modelprovider voor de tokens die de applicatie verbruikt. Inzicht in één factuur verklaart niet noodzakelijkerwijs wat het kost om een klant te bedienen of een workflow uit te voeren.

De financieringsaankondiging van North volgt op de lancering van North v3, dat ondersteuning voor Microsoft Azure toevoegde naast Amazon Web Services en Google Cloud Platform. Volgens het bedrijf introduceerde die versie ook native integraties met OpenAI, Anthropic en Snowflake en breidde deze het geautomatiseerde beheer van afnameverplichtingen via het product Autobot uit.

De strategie bouwt voort op Norths eerdere FinOps-platform voor de cloud, waarover Unite.AI in 2025 schreef. De huidige uitbreiding verbreedt de focus van cloudbesparingen naar een samenhangend overzicht van uitgaven aan infrastructuur, AI en data.

Hoe automatisering van afnameverplichtingen werkt

Een manier om cloudkosten te verlagen, is met afnameverplichtingen capaciteit met korting inkopen. De uitdaging is om die verplichtingen af te stemmen op toekomstig gebruik: wie te weinig inkoopt, loopt besparingen mis, terwijl een bedrijf dat te veel inkoopt mogelijk blijft betalen voor capaciteit die het niet meer nodig heeft.

De documentatie over dekkingsopties van North onderscheidt twee benaderingen. Flexbot biedt kortingen via accounts van leden die eigendom zijn van North, waarbij North de afnameverplichtingen beheert. Autobot beheert afnameverplichtingen die eigendom zijn van de klant en neemt stapsgewijs inkoopbeslissingen op basis van gebruik en bedrijfsdoelen. Klanten kunnen de twee opties ook combineren.

Dat onderscheid is belangrijk, omdat het bepaalt wie eigenaar is van de afnameverplichting en hoe de inkoop wordt beheerd. Volgens North gebruikt Autobot prognoses en doelstellingen van klanten om de dekking geleidelijk op te bouwen, met simulatiemogelijkheden om besparingen en flexibiliteit vóór aankopen te beoordelen. De documentatie vermeldt ook dat Autobot aanvullende machtigingen vraagt voor geautomatiseerde inkoop, die klanten kunnen intrekken.

Optimalisatie van afnameverplichtingen richt zich op de prijs die voor het gebruik wordt betaald. Een andere vraag is of de workload alle toegewezen resources nodig heeft. De functie voor het optimaliseren van resourcegroottes van North doet aanbevelingen voor de omvang van resources op basis van workloadgedrag, prestatieoverwegingen en verwachte besparingen. Door deze mechanismen uit elkaar te houden, wordt duidelijker wat een optimalisatieplatform daadwerkelijk verandert: een gunstiger tarief en een kleinere resourcevoetafdruk zijn verschillende uitkomsten.

TokenFlow breidt het model uit naar AI-gebruik

North ontwikkelt ook TokenFlow om modelgebruik, kostentoewijzing, budgetten en financiële beheersmaatregelen in dezelfde omgeving samen te brengen. In de financieringsaankondiging beschrijft het bedrijf dit als onderdeel van zijn streven om cloud- en AI-uitgaven als één financieel vraagstuk te behandelen.

De productpagina van TokenFlow beschrijft hoe gebruik van modellen, providers en teams wordt bijgehouden, kosten worden toegewezen aan de workloads die deze veroorzaken en limieten of beleidsregels worden ingesteld om het gebruik te begrenzen. Op het moment van beoordeling stond op die pagina nog een wachtlijst en werd bètatoegang voor geselecteerde gebruikers vermeld. Deze openbare informatie over de beschikbaarheid moet worden onderscheiden van de bredere uitbreidingsplannen in de financieringsaankondiging.

De waarde van kostentoewijzing gaat verder dan weten hoeveel tokens er in totaal zijn verbruikt. Een team moet begrijpen welke functie of workflow de kosten heeft veroorzaakt en of die uitgave een nuttig resultaat oplevert. Een afzonderlijk verzoek kan goedkoop zijn, maar toch een aanzienlijke begrotingspost worden wanneer een workflow het op grote schaal herhaaldelijk uitvoert.

Door modelgebruik te combineren met infrastructuurkosten kunnen deze afwegingen inzichtelijker worden. Daarmee staat niet automatisch vast welk model of welke implementatiemethode het beste is; die keuze blijft afhankelijk van kwaliteitseisen, latentie, gebruikspatronen en de kosten van het omliggende systeem.

Wat de tractiecijfers van North laten zien

North noemt AssemblyAI, Atlan, Tines, SnapLogic, Emplifi en Imply als klanten. In het persbericht meldt Ben Gotthold, hoofd inferentie bij AssemblyAI, dat het bedrijf een effectief besparingspercentage van ongeveer 50% behaalde, terwijl zijn infrastructuur het afgelopen jaar werd uitgebreid.

Dat is een resultaat dat specifiek voor deze klant geldt, en geen besparingspercentage dat elke organisatie mag verwachten. Ook de bijna 2 miljard dollar aan beheerde uitgaven en de meer dan 400 miljoen dollar aan besparingen zijn totalen die het bedrijf zelf rapporteert. Het persbericht bevat geen gedetailleerde berekeningsmethode en vermeldt geen uniforme meetperiode om die cijfers met elkaar te vergelijken.

Voor inkopers is het zinvol om de financiële resultaten voor hun eigen workloads te vergelijken, rekening houdend met servicekosten, benutting en inkoopverplichtingen. Een lagere prijs voor rekenkracht is waardevol, maar het is ook belangrijk te begrijpen of de vraag is veranderd en of een goedkopere configuratie de prestaties levert die de applicatie nodig heeft.

Van inzicht naar uitvoering opschalen

CEO en medeoprichter Matt Biringer omschrijft Norths aanpak als het automatiseren van FinOps-werk, in plaats van engineering- en financiële teams met nog een dashboard op te zadelen dat zij zelf moeten interpreteren. De investering van PeakSpan ondersteunt deze verschuiving naar doorlopend beheer van een bredere uitgavenbasis.

Dankzij de Series B-financieringsronde kan North deze aanpak verder uitbreiden, nu de bedrijfskosten van AI steeds nauwer samenhangen met productbeslissingen. De uitdaging bij de uitvoering is om nauwkeurige kostentoerekening te verbinden aan bruikbare acties, zonder onduidelijkheid over de inkoopbevoegdheid en operationele afwegingen. Voor klanten is succes af te meten aan voorspelbare financiële resultaten en minder handmatig werk voor kostenbeheer, naarmate hun infrastructuur en AI-gebruik groeien.