Tsuga haalt 35 miljoen dollar op in serie A, omdat AI de observatie-infrastructuur tot het limiet duwt

Parijs-based observability-startup Tsuga heeft 35 miljoen dollar opgehaald in serie A-financiering, minder dan een jaar nadat het uit de stealth-modus kwam, omdat ondernemingen worstelen met de groeiende complexiteit en kosten van het monitoren van AI-gepowered systemen.

De ronde werd geleid door Singular, met deelname van bestaande investeerders General Catalyst en nieuwe investeerders DST Global en QuantumLight, naast steun van Picus en Databricks Ventures. De financiering komt tijdens een periode van snelle groei voor het bedrijf, dat zegt dat het al miljoenen dollars aan jaarlijkse terugkerende inkomsten heeft gegenereerd en klanten heeft zoals Le Monde, Camunda, Buk en Black Forest Labs.

Het nieuwe kapitaal zal worden gebruikt om het team uit te breiden tot ongeveer 100 medewerkers en de platformontwikkeling te versnellen.

Waarom observatie een nieuwe uitdaging tegenkomt

Observatieplatforms helpen organisaties bij het monitoren van toepassingen, infrastructuur en steeds vaker AI-systemen door telemetriegegevens te verzamelen, zoals logbestanden, metrische gegevens en traceringen. Naarmate ondernemingen meer AI-agents en autonome systemen inzetten, is de hoeveelheid gegenereerde telemetrie dramatisch toegenomen.

Volgens Tsuga waren traditionele observatie-architecturen gebouwd rond een model waarbij klanten telemetriegegevens naar een door de leverancier beheerd cloudplatform verzenden. Hoewel deze aanpak werkte toen de datavolumes kleiner waren, produceren AI-werkbelastingen aanzienlijk meer telemetrie, waardoor de innamekosten stijgen en nieuwe governance-uitdagingen ontstaan rond gevoelige gegevens.

Het bedrijf stelt dat veel organisaties nu gedwongen worden om te kiezen tussen het controleren van de kosten door steekproeven, waardoor de zichtbaarheid afneemt, of het accepteren van snel stijgende observatiekosten.

Een andere aanpak: Bring Your Own Cloud

Opgericht in 2024 door voormalige Datadog-executives Gabriel-James Safar en Sébastien Deprez, werd Tsuga gebouwd rond een Bring Your Own Cloud (BYOC)-architectuur.

In plaats van telemetrie te verzenden naar een derde partij, wordt het platform rechtstreeks binnen de cloudomgeving van de klant geïmplementeerd. Het platform van het bedrijf draait op alle grote cloudproviders, waaronder AWS, Microsoft Azure, Google Cloud en soevereine cloudomgevingen. Telemetriegegevens blijven binnen de infrastructuur van de klant, opgeslagen in hun objectopslag en versleuteld met hun eigen beveiligingscontroles.

Deze architectuur is ontworpen om meerdere uitdagingen tegelijk aan te pakken: gegevenssoevereiniteitsvereisten, compliance-zorgen, infrastructuurkosten en vendor-lock-in. Tsuga ondersteunt open standaarden zoals OpenTelemetry en gebruikt open gegevensformaten, waardoor klanten de controle over hun telemetriegegevens kunnen behouden.

Observatie bouwen voor AI-systemen

De opkomst van AI-toepassingen verandert ook wat organisaties moeten monitoren.

Naast traditionele logbestanden, metrische gegevens en toepassings-traceringen hebben ondernemingen steeds vaker zicht nodig op AI-specifieke workflows, zoals prompt-uitvoering, token-gebruik, agent-interacties, vertrouwensscores en multi-agent oproepketens. Het platform van Tsuga combineert deze mogelijkheden in een enkele omgeving, terwijl de gegevens binnen de cloudgrens van de klant blijven.

Het bedrijf heeft zichzelf gepositioneerd als een “AI-Native Resilient Observability”-platform, met observatie-instrumenten die specifiek zijn ontworpen voor AI-werkbelastingen. Functies omvatten AI-gebaseerde anomaliedetectie, geautomatiseerde root cause-analyse, implementatiemonitoring en agent-observatie-mogelijkheden.

Tsuga biedt ook een MCP-server en opdrachtregelhulpmiddelen die engineering-teams in staat stellen om hun eigen AI-agents te bouwen op basis van observatiegegevens zonder deze gegevens buiten hun beveiligingsperimeter te verplaatsen.

Een servicelaag naast de software

In tegenstelling tot veel SaaS-leveranciers combineert Tsuga software met een voorwaartse engineering-model.

Het bedrijf werkt rechtstreeks met klanten samen om telemetrie-omgevingen te optimaliseren, onnodige gegevensverzameling te verminderen en de observatie-efficiëntie over tijd te verbeteren. Deze aanpak weerspiegelt een bredere trend in ondernemingssoftware waarbij leveranciers steeds vaker operationele expertise naast technologie bieden.

Naarmate ondernemingen hun AI-implementaties uitbreiden, wordt het beheren van de resulterende stroom van telemetriegegevens een steeds belangrijkere operationele uitdaging. De aanpak van Tsuga richt zich niet alleen op het verzamelen en analyseren van deze gegevens, maar ook op het helpen van klanten bij het verminderen van het volume aan informatie dat verwerkt en bewaard moet worden.

Een meer neutrale versie zou zijn:

Een teken van veranderende prioriteiten in observatie

De financieringsronde komt op een moment dat infrastructuurteams opnieuw beoordelen hoe observatiesystemen passen in steeds vaker AI-gedreven omgevingen.

Naarmate ondernemingen meer AI-toepassingen en autonome agents inzetten, blijven de telemetrie-volumes groeien, waardoor extra druk ontstaat op architectuur die werd ontworpen voordat deze werkbelastingen gebruikelijk werden. Tegelijkertijd zijn gegevensbeheer, compliance en kostenbeheer belangrijker geworden voor ondernemingskopers.

De aanpak van Tsuga reflecteert een reactie op deze uitdagingen: het houden van observatiegegevens binnen de cloudomgeving van de klant in plaats van deze te routeren via een door de leverancier beheerd platform. Of dit model bredere acceptatie zal krijgen, moet nog worden gezien, maar het benadrukt hoe de observatiemarkt evolueert naarmate AI-werkbelastingen een groter deel van de ondernemingsinfrastructuur vormen.

Met zijn laatste financiering Tsuga voegt zich bij een aantal startups die nieuwe benaderingen verkennen voor het monitoren en beheren van moderne software-systemen. De groei van het bedrijf suggereert dat sommige organisaties actief alternatieven evalueren voor traditionele observatie-architecturen terwijl ze zich aanpassen aan de operationele eisen van AI-natieve toepassingen.