Rétrospective d'août 2026 : dépenses IA détaillées, CloudFlow véritablement multi-cloud, des garde-fous pour Kubernetes

Ce que votre IA vous coûte vraiment

Le principe est le même pour chaque nouvelle intégration : connectez le compte, et les coûts apparaissent dans Cloud Analytics avec les dimensions pertinentes pour ce fournisseur, prêts pour les budgets, les alertes, les allocations et la détection d'anomalies.

• OpenRouter. Coûts facturés par modèle et par fournisseur d'hébergement. Si vous répartissez un workload entre trois fournisseurs pour des raisons de latence ou de prix, vous voyez désormais quel chemin l'argent a emprunté.
• xAI. Coûts de l'API Grok par modèle, type d'usage et clé API. La dimension clé API est celle que les équipes réclament, car c'est elle qui permet de rattacher les dépenses à un service.
• Fireworks AI. Coûts et usage par modèle, type de déploiement et GPU, avec budgets et attribution. Les déploiements dédiés et le serverless sont visibles côte à côte.
• Snowflake et Databricks, une attribution plus fine. GenAI Intelligence montre désormais qui dépense quoi sur quel produit IA, de la requête Snowflake individuelle aux workloads Databricks. Un warehouse partagé, une réponse par équipe.
• Rapports de dépenses Anthropic, sans conversion manuelle. Les modèles de schéma DataHub ingèrent directement les fichiers CSV natifs du fournisseur. Exportez depuis la console Anthropic, importez, c'est fait.
• La question de l'auto-hébergement, tranchée par les données. compute.doit.com simule désormais de trois façons la décision d'auto-héberger un modèle ouvert ou de continuer à payer au token : dimensionnez un déploiement, valorisez le matériel que vous possédez déjà, ou collez votre facture Anthropic ou OpenAI pour obtenir un verdict détaillé sur ce qui peut basculer vers un modèle ouvert à performance égale. Tout ce qui l'alimente — tarifs GPU collectés quotidiennement, benchmarks de débit vLLM, table d'équivalence entre modèles fermés et ouverts — est aussi disponible sous forme d'API REST gratuite et sans clé, avec un point d'entrée llms.txt, pour que vos agents puissent exécuter la même analyse en quatre requêtes GET.

CloudFlow : plus de clouds, plus de logique de contrôle

La mission de CloudFlow : transformer vos runbooks FinOps en automatisations. Août a élargi à la fois son périmètre d'action et ses capacités de raisonnement.

• Prise en charge d'Oracle Cloud. Les flux que vous exécutez sur AWS, Google Cloud et Azure fonctionnent désormais aussi sur Oracle Cloud.
• Prise en charge d'Azure (préversion). Actions et déclencheurs Azure aux côtés des autres clouds.
• API Admin OpenAI et Anthropic. Garde-fous de dépenses, hygiène des clés API et reporting d'usage pour vos fournisseurs de LLM, sous forme de nœuds de flux. Effectuez la rotation des clés obsolètes de façon planifiée, ou alertez quelqu'un quand les dépenses quotidiennes franchissent un seuil.
• Nœud Switch. Aiguillez chaque résultat vers le bon chemin selon la valeur d'un champ. Les décisions à embranchements multiples ne passent plus par un empilement de nœuds Branch.
• Nœud de chemins parallèles. Scindez un flux en chemins indépendants pour que des tâches sans lien ne partagent plus une même séquence, et qu'un échec sur un chemin laisse les autres s'exécuter.
• Datastore exécute du SQL. Interrogez, transformez et maintenez les tables Datastore avec PostgreSQL, directement dans un flux. Jointures, agrégations et tâches de nettoyage sans rien exporter.
• Déclencheurs par e-mail. Chaque flux publié peut disposer de sa propre adresse e-mail. Envoyez-lui un e-mail, et le flux s'exécute. Pratique pour connecter tout ce qui sait envoyer un e-mail — c'est-à-dire à peu près tout.
• Export et import de flux (préversion). Deux opérations API et les commandes CLI correspondantes sérialisent un flux, sous-flux compris, en un seul bundle JSON sans identifiants ni état de tenant, et l'importent dans un autre tenant sous forme de brouillons. Construisez une fois, promouvez du staging vers la production, ou transmettez un flux opérationnel à une équipe sœur.

Voir, segmenter, détecter : Cloud Analytics

• Détection de tendances, entièrement repensée. L'analyse des tendances fait désormais remonter les changements qui comptent vraiment, pensée autant pour les humains que pour les agents. Lors de nos propres tests, le nouveau détecteur a réduit drastiquement le bruit tout en conservant les vraies variations.
• Répartition des coûts partagés selon des métriques d'usage. Les critères d'allocation peuvent désormais provenir de plateformes d'observabilité comme Datadog ou Prometheus, afin que les coûts partagés suivent la consommation réelle plutôt qu'un pourcentage fixe qui était exact le trimestre dernier.
• Workflow de triage des anomalies. Statuts de revue, commentaires et historique d'activité sur chaque anomalie de coût. La détection n'a jamais été le plus difficile ; savoir qui a examiné l'anomalie et ce qui a été décidé, en revanche, oui.
• Filtres de dashboard par service, projet, région et plus encore. Les dashboards se filtraient auparavant par Allocations. Ils se filtrent désormais selon les dimensions dans lesquelles la plupart des équipes raisonnent réellement.
• Duplication de n'importe quel widget en une étape. Construire des dashboards revient souvent à décliner un même thème : même rapport, autre plage de temps ou autre regroupement. Dupliquez et ajustez au lieu de tout reconstruire.
• Graphiques de tendance multi-périodes pour les budgets quotidiens et hebdomadaires. Suivez les dépenses par période face au budget sur les 30 derniers jours ou les 16 dernières semaines : le budget devient une courbe de tendance plutôt qu'un verdict mensuel.
• Cloud Intelligence™ dans Grafana. Vos données de coûts cloud en direct dans les dashboards que vous utilisez déjà, disponibles dès maintenant pour tous les clients Cloud Intelligence™. Corrélez les dépenses avec les métriques opérationnelles voisines, et déclenchez des alertes sur les coûts comme vous le faites sur la latence.

PerfectScale : une optimisation Kubernetes plus avisée

• Détection des suspicions d'emballement CPU. Quand des augmentations répétées de CPU ne résolvent pas la pression sur les ressources, le problème vient du workload, pas de la demande. PerfectScale signale désormais ces conteneurs et suspend les augmentations au-delà de seuils configurables que vous définissez dans le YAML d'automatisation.
• Prise en charge de ResourceQuota en mode complet. Les workloads dans des namespaces soumis à quotas peuvent désormais faire l'objet d'un right-sizing jusqu'aux plafonds du quota : la gouvernance ne bride plus silencieusement l'optimisation.
• Pods non évinçables, désormais corrigeables via API. Les pods non évinçables bloquent la réduction des nœuds et limitent discrètement l'élasticité du cluster. Ils sont désormais visibles et corrigeables par programmation.
• API publique InfraFit. Utilisation des nœuds, données d'efficience et insights d'optimisation de l'infrastructure, accessibles à vos propres outils.
• Filtrage des workloads par runtime JVM. Trouvez tous les workloads Java d'un cluster en un clic, sans labels. Le comportement mémoire de Java est une discipline à part entière — elle a désormais son propre filtre.
• CUD flexibles Google Cloud dans PerfectScale for Commitments. Analyse continue de l'usage et plan d'achat échelonné pour les commitments flexibles Compute Engine, GKE et Cloud Run, exécuté avec approbations ou de façon autonome dans les garde-fous que vous définissez. La prise en charge de Cloud SQL arrive bientôt.
• Des nombres affichés comme votre locale les écrit. Un détail, mais si vous avez déjà pris 1.000 pour un, vous savez pourquoi cette évolution était nécessaire.