Announcement
Attribute™ : l'attribution des coûts au runtime pour l'IA et les infrastructures cloud partagées
Cette page est également disponible en English, Deutsch, Español, Italiano, 日本語 et Português.
Attribute apporte l'observabilité runtime basée sur eBPF au problème le plus épineux du FinOps : rattacher les coûts de l'IA et des infrastructures partagées aux clients, aux équipes, aux fonctionnalités et aux agents qui les consomment réellement.
Votre facture d'IA se résume à une seule ligne. À partir d'aujourd'hui, Attribute™ vous révèle précisément qui et quoi se cache derrière.
L'attribution a dépassé les limites du tagging
L'allocation des coûts a été pensée pour une époque où l'infrastructure se rattachait clairement à un propriétaire : un service, une VM, un tag. Ce modèle a volé en éclats. Les workloads modernes tournent sur des clusters Kubernetes partagés, des bases de données multi-tenant, des flottes de GPU mutualisées et des passerelles LLM centralisées — autant de ressources qui, par nature, n'ont pas de propriétaire unique à taguer. Les chiffres du secteur confirment ce décalage : seuls 43 % des coûts cloud sont suivis à la maille unitaire (Gartner, 2025). La majorité des dépenses d'une facture cloud moderne est structurellement inattribuable avec des outils basés sur les tags.
L'IA a nettement aggravé le problème. Que l'inférence passe par OpenAI, Anthropic ou Bedrock, la facture arrive sous forme d'une seule ligne. Un token ne se tague pas. Impossible de savoir quel client a sollicité votre endpoint d'inférence, quelle fonctionnalité a déclenché une complétion, quel agent s'est déployé dans une chaîne de retrieval, ou encore quel run d'entraînement a consommé le plus d'heures de GPU. À mesure que les dépenses d'IA s'imposent comme une composante majeure du COGS, cette opacité cesse d'être un simple désagrément technique — c'est un problème de marge.
Fonctionnement d'Attribute™
Attribute prend le contre-pied des approches classiques : au lieu d'étiqueter les ressources, il observe la consommation au runtime.
Un capteur eBPF léger se déploie sur vos clusters en une quinzaine de minutes, sans instrumentation applicative ni changement de configuration. Opérant au niveau du kernel, il observe le trafic réseau vers chaque ressource — API LLM, workloads GPU, bases de données, stockage objet, files de messages comme Kafka et RabbitMQ — et attribue les coûts en fonction de l'usage réel plutôt que d'étiquettes statiques. L'inspection approfondie des paquets identifie les identifiants clients, tenants, partenaires et bots directement dans le flux de données ; l'attribution atteint ainsi des entités qui n'étaient de toute façon pas taguables. Un client ne se tague pas ; Attribute n'en a pas besoin.
Résultat : une allocation basée sur la consommation qui couvre trois couches hors de portée des outils traditionnels :
Coûts d'IA et de LLM. Chaque appel de token est rattaché à l'équipe, au client, à la fonctionnalité ou à l'agent qui l'a déclenché, avec une ventilation par modèle, par fournisseur et par workload. Les heures de GPU sont attribuées au job ou à l'expérimentation qui les a consommées. Vous obtenez le TCO réel de chaque capacité d'IA que vous livrez — l'inférence, mais aussi le compute, les bases de données et les transferts de données qui l'accompagnent — que la dépense soit sur AWS, Google Cloud, Azure ou sur des services tiers comme OpenAI, Anthropic, Snowflake et MongoDB Atlas.
Infrastructures partagées. Les clusters multi-tenant, les bases de données partagées et les files de messages sont ventilés selon la consommation runtime observée, et non selon des clés d'allocation arbitraires. Le showback et le chargeback deviennent le produit automatique de la mesure, et non plus l'objet de négociations trimestrielles sur tableur.
Réseau et transfert de données. Les frais d'egress, les transferts cross-AZ et les coûts de NAT gateway comptent parmi les postes les plus opaques d'une facture cloud, car les données de facturation ne portent aucune attribution à la source. Comme Attribute observe le trafic directement à la source, il identifie précisément quel workload a généré le transfert — comblant un angle mort qu'aucun outil basé sur les tags ou les données de facturation ne sait traiter.
Du reporting des coûts à leur explication
La différence est qualitative. Un outil classique vous signale que la dépense EC2 a augmenté de 17 % d'un mois sur l'autre — un chiffre sans contexte qui plonge votre équipe dans plusieurs jours d'archéologie de tags. Attribute vous indique que la consommation d'un client précis a augmenté de 44 000 $ pour 50 M de tokens supplémentaires, en raison de la fonctionnalité d'auto-résumé livrée le mois dernier. L'usage relié à l'activité métier qui le sous-tend : la finance obtient le COGS et la marge par client et par tier ; les Engineers obtiennent une réponse précise et repartent construire ; le produit dispose de l'unit economics nécessaire pour tarifer les capacités d'IA sur des marges réelles plutôt que sur des hypothèses.
Pour commencer
L'installation prend environ 15 minutes. Le COGS par client, par fonctionnalité et par équipe est généralement disponible dès la première semaine — sans campagne de tagging, sans projet de pipeline de données, sans modification de code.