Tsuga Mengumpulkan $35 Juta Seri A karena AI Mendorong Infrastruktur Observabilitas ke Batasnya

Perusahaan rintisan observabilitas yang berbasis di Paris, Tsuga, telah mengamankan $35 juta dalam pendanaan Seri A, kurang dari setahun setelah muncul dari stealth, karena perusahaan-perusahaan besar bergumul dengan kompleksitas dan biaya yang meningkat dari sistem yang ditenagai AI.

Putaran ini dipimpin oleh Singular, dengan partisipasi dari investor yang ada General Catalyst dan pendukung baru DST Global dan QuantumLight, bersama dengan dukungan dari Picus dan Databricks Ventures. Pembiayaan ini datang selama periode pertumbuhan yang cepat untuk perusahaan, yang mengatakan telah menandatangani jutaan dolar dalam pendapatan tahunan yang berulang dan memperoleh pelanggan termasuk Le Monde, Camunda, Buk, dan Black Forest Labs.

Modal baru akan digunakan untuk memperluas tim hingga sekitar 100 karyawan dan mempercepat pengembangan platform.

Mengapa Observabilitas Menghadapi Tantangan Baru

Platform observabilitas membantu organisasi memantau aplikasi, infrastruktur, dan sistem AI yang semakin meningkat dengan mengumpulkan data telemetry seperti log, metrik, dan jejak. Ketika perusahaan besar menerapkan lebih banyak agen AI dan sistem otonom, jumlah telemetry yang dihasilkan telah tumbuh secara dramatis.

Menurut Tsuga, arsitektur observabilitas tradisional dibangun di sekitar model di mana pelanggan mengirimkan data telemetry ke platform cloud yang dioperasikan oleh vendor. Sementara pendekatan itu bekerja ketika volume data lebih kecil, beban kerja AI menghasilkan banyak telemetry, yang meningkatkan biaya ingestion dan menciptakan tantangan tata kelola baru seputar data sensitif.

Perusahaan tersebut berpendapat bahwa banyak organisasi sekarang dipaksa untuk memilih antara mengontrol biaya melalui sampling, yang mengurangi visibilitas, atau menerima tagihan observabilitas yang meningkat dengan cepat.

Pendekatan yang Berbeda: Bawa Cloud Anda Sendiri

Didirikan pada 2024 oleh mantan eksekutif Datadog (DDOG ) Gabriel-James Safar dan Sébastien Deprez, Tsuga dibangun di sekitar arsitektur Bring Your Own Cloud (BYOC).

Alih-alih mengirimkan data telemetry ke layanan pihak ketiga, platform ini diterapkan langsung dalam lingkungan cloud pelanggan. Platform perusahaan berjalan di seluruh penyedia cloud utama termasuk AWS, Microsoft Azure, Google Cloud, dan lingkungan cloud berdaulat. Data telemetry tetap berada di dalam infrastruktur pelanggan, disimpan dalam penyimpanan objek mereka dan dienkripsi menggunakan kontrol keamanan mereka sendiri.

Arsitektur ini dirancang untuk menangani beberapa tantangan secara bersamaan: persyaratan kedaulatan data, kekhawatiran kepatuhan, biaya infrastruktur, dan kunci vendor. Tsuga mendukung standar terbuka seperti OpenTelemetry dan menggunakan format data terbuka, yang memungkinkan pelanggan mempertahankan kontrol atas data telemetry mereka.

Membangun Observabilitas untuk Sistem AI

Munculnya aplikasi AI juga mengubah apa yang perlu dipantau oleh organisasi.

Di samping log, metrik, dan jejak aplikasi tradisional, perusahaan besar semakin membutuhkan visibilitas ke dalam alur kerja AI-spesifik seperti eksekusi prompt, penggunaan token, interaksi agen, skor kepercayaan, dan rantai panggilan multi-agen. Platform Tsuga menggabungkan kemampuan ini menjadi satu lingkungan sambil menjaga data tetap berada di dalam batas cloud pelanggan.

Perusahaan tersebut telah memposisikan diri sebagai platform “AI-Native Resilient Observability”, menawarkan alat observabilitas yang dirancang khusus untuk beban kerja AI. Fitur-fitur ini termasuk deteksi anomali yang ditenagai AI, analisis akar penyebab otomatis, pemantauan penerapan, dan kemampuan observabilitas agen.

Tsuga juga menyediakan server MCP dan alat baris perintah yang memungkinkan tim teknik membangun agen AI mereka sendiri di atas data observabilitas tanpa memindahkan data tersebut di luar perimeter keamanan mereka.

Lapisan Layanan Bersama dengan Perangkat Lunak

Tidak seperti banyak vendor SaaS, Tsuga menggabungkan perangkat lunak dengan model rekayasa yang diterapkan maju.

Perusahaan bekerja langsung dengan pelanggan untuk mengoptimalkan lingkungan telemetry, mengurangi pengumpulan data yang tidak perlu, dan meningkatkan efisiensi observabilitas dari waktu ke waktu. Pendekatan ini mencerminkan tren yang lebih luas dalam perangkat lunak perusahaan di mana vendor semakin menyediakan keahlian operasional bersama dengan teknologi.

Ketika organisasi terus memperluas penerapan AI, mengelola banjir data telemetry yang dihasilkan menjadi tantangan operasional yang semakin penting. Pendekatan Tsuga fokus tidak hanya pada mengumpulkan dan menganalisis data tersebut, tetapi juga membantu pelanggan mengurangi volume informasi yang perlu diproses dan dipertahankan.

Versi yang lebih netral adalah:

Tanda Perubahan Prioritas dalam Observabilitas

Putaran pendanaan ini datang pada saat tim infrastruktur meninjau kembali bagaimana sistem observabilitas masuk ke dalam lingkungan yang semakin didorong oleh AI.

Ketika organisasi menerapkan lebih banyak aplikasi AI dan agen otonom, volume telemetry terus tumbuh, menempatkan tekanan tambahan pada arsitektur yang dirancang sebelum beban kerja ini menjadi umum. Pada saat yang sama, tata kelola data, kepatuhan, dan manajemen biaya telah menjadi pertimbangan yang lebih menonjol bagi pembeli perusahaan.

Pendekatan Tsuga mencerminkan salah satu respons terhadap tantangan ini: menjaga data observabilitas dalam lingkungan cloud yang dikendalikan pelanggan daripada mengalirkannya melalui platform yang dioperasikan vendor. Apakah model ini akan mendapatkan penerimaan yang lebih luas masih harus dilihat, tetapi ini menyoroti bagaimana pasar observabilitas berevolusi karena beban kerja AI menjadi bagian yang lebih besar dari infrastruktur perusahaan.

Dengan pendanaan terbarunya, Tsuga bergabung dengan sejumlah perusahaan rintisan yang menjelajahi pendekatan baru untuk memantau dan mengelola sistem perangkat lunak modern. Pertumbuhan perusahaan tersebut menunjukkan bahwa beberapa organisasi secara aktif mengevaluasi alternatif terhadap arsitektur observabilitas tradisional karena mereka beradaptasi dengan tuntutan operasional aplikasi AI-asli.