Financement et objectifs stratégiques
North Cloud Holdings Inc. a clôturé une levée de fonds de 60 millions de dollars en série B, dirigée par PeakSpan Capital et soutenue par Litquidity Ventures, Companyon Ventures, Alpaca, Gaingels, Uncommon Denominator et Mana Ventures. Le capital levé finance le développement de la plateforme d’opérations financières autonomes, l’extension des intégrations tierces et le renforcement des actions marketing. L’objectif déclaré est de contrer l’escalade incontrôlée des dépenses cloud et IA, phénomène amplifié par la multiplication des appels backend lors du déploiement de nouvelles fonctionnalités d’IA.
Architecture de la plateforme FinOps autonome
Le cœur du produit repose sur une unification des sources de données de facturation : dépenses cloud classiques, utilisation de modèles d’IA, budgets et coûts de calcul. Cette couche, nommée TokenFlow, agrège les métriques provenant d’AWS, Microsoft Azure, Google Cloud, Snowflake, OpenAI et Anthropic dans un référentiel unique. Le moteur d’analyse applique des modèles prédictifs pour estimer la facture mensuelle future, tout en identifiant les gisements de gaspillage (instances sous‑utilisées, pipelines de données redondants, appels API excessifs). Le processus d’optimisation s’exécute de façon entièrement automatisée, évitant l’intervention manuelle des équipes FinOps traditionnelles.
Performances observées et portée du service
Depuis le lancement de la version North v3, la solution supporte les trois principaux fournisseurs de cloud public et propose des connecteurs natifs avec Snowflake et les modèles d’OpenAI et Anthropic. Les premiers clients – AssemblyAI, Atlan, Tines, SnapLogic et Emplifi – déclarent un économies cumulées de 400 millions de dollars sur leurs factures cloud et IA. Au total, la plateforme gère près de 2 milliards de dollars de dépenses cloud pour l’ensemble de ses utilisateurs, ce qui illustre une adoption rapide au sein d’organisations à forte intensité de données.
Analyse des limites et enjeux futurs
Le modèle repose sur l’accès en temps réel aux API de facturation des fournisseurs cloud ; toute modification de ces API ou restriction d’accès pourrait réduire la précision des prévisions. De plus, la consolidation de données sensibles (coûts, usage d’IA) dans un service tiers soulève des questions de confidentialité et de conformité, notamment sous le RGPD. Enfin, la capacité du système à anticiper les pics de charge liés à des entraînements de modèles massifs dépend de la granularité des métriques collectées, ce qui peut varier d’un fournisseur à l’autre. Malgré ces contraintes, la preuve de concept montre que l’automatisation FinOps peut remplacer efficacement une équipe dédiée, offrant ainsi une alternative économique aux entreprises qui ne souhaitent pas internaliser ces compétences.
