הבעיה המרכזית ש-Tsuga פוגשת היא ההתנגשות בין שתי מגמות: עומסי AI גורמים לנפחי נתוני הטלמטריה לגדול בכ-30% בשנה, בעוד שתקציבי הניטור בארגונים רבים נשארים סטטיים או מצטמצמים. החברות הוותיקות, כמו Datadog ו-Dynatrace, בנו את הפלטפורמות שלהן על מודל תמחור לפי בייט, שהופך לבלתי כלכלי בקנה מידה של AI. מייסדי Tsuga טוענים שמודל התמחור לפי בייט – אותו הם עצמם עזרו לעצב ב-Datadog – שביסודו אינו מתאים לעומסי העבודה של סוכני AI.

כמה כסף גייסה Tsuga?

Tsuga גייסה 45 מיליון דולר בסך הכל, בשני סבבים מאושרים:

Tsuga יצאה ממצב חשאי (stealth) עם סבב הסיד בנובמבר 2025, והודיעה על ה-Series A כחצי שנה בלבד לאחר מכן, ביוני 2026. המהירות שבה הגיע הסבב הבא מעידה על אמונה חזקה של המשקיעים בתזה של החברה – שניטור חייב להיבנות מחדש עבור תשתיות AI.

מה מייחד את Tsuga לעומת Datadog ו-Dynatrace?

ההבחנה של Tsuga מהחברות הוותיקות Datadog ו-Dynatrace מתמקדת בשלושה צירים: מודל פריסה, ארכיטקטורת תמחור ועיצוב מותאם ל-AI.

מודל BYOC (הבא ענן משלך)

במקום להכניס נתוני טלמטריה לפלטפורמת SaaS שבשליטת הספק – המודל שבו Datadog ו-Dynatrace פועלות – Tsuga רצה כולה בתוך סביבת הענן של הלקוח. הפלטפורמה ניתנת לפריסה על פני Microsoft Azure, AWS, Google Cloud ותשתיות ענן ממשלתיות (sovereign clouds), כך שנתוני הטלמטריה לעולם לא עוזבים את שליטת הלקוח. זהו יתרון משמעותי עבור ארגונים בתעשיות מוסדרות או כאלה עם דרישות ריבונות נתונים מחמירות.

ראוי לציין: Datadog ו-Dynatrace אכן מציעות אפשרויות גמישות פריסה מסוימות (Dynatrace מציעה פריסה מנוהלת ו-SaaS; Datadog היא בעיקר SaaS), אך המקורות לא מאשרים באופן גורף שאף אחת מהן פחות גמישה לצרכי ריבונות נתונים. Tsuga, לעומת זאת, שמה את ה-BYOC במרכז האסטרטגיה שלה, בהנחה שהשליטה והריבונות יהפכו לחשובות יותר ככל שסוכני AI ייצרו יותר נתונים תפעוליים רגישים.

מודל תמחור: אתגור התמחור לפי בייט

Tsuga הציבה את עצמה במפורש מול מודל התמחור לפי בייט ש-Datadog סייעה להפוך לסטנדרט. הטענה היא שעבור עומסי AI, שהופכים את נפחי הטלמטריה לעצומים, תמחור לפי בייט הופך לבלתי בר-קיימא עבור ארגונים שמפעילים ציים גדולים של סוכני AI. מודל התמחור של Tsuga בנוי כדי לנתק עלות מנפח נתונים (data volume).

המקורות לא מספקים נתוני תמחור מדויקים של Tsuga, וגם לא תומכים בטענה ש-Datadog ו-Dynatrace תמיד גובות לפי בייט בכל התוכניות. Dynatrace, למשל, מציעה היסטורית תמחור מבוסס מארח (host-based), והתמחור של Datadog משתנה לפי מוצר. הטענה המרכזית, ש-Tsuga מתמחרת נגד מודלים מבוססי נפח, נתמכת היטב.

ארכיטקטורה מותאמת ל-AI ולסוכנים (AI-Native & Agent-Observable)

Tsuga מתוארת כתוכנת ניטור "לעידן סוכני הבינה המלאכותית" הפלטפורמה בנויה כך שסוכני AI יוכלו לצרוך נתוני ניטור ישירות. לפי תיעוד המוצר של Tsuga, שכבת האחסון והשאילתות (storage and query layer) מתוכננת להתמודד עם כמויות הנתונים שסוכני AI מייצרים, וה-APIs מחזירות "הקשר רלוונטי במקום חומר גלם – כך שסוכנים משקיעים את המשאבים שלהם בחשיבה (reasoning) במקום במיון רעש".

זהו ניגוד בולט לפלטפורמות הוותיקות, שמהן עולה שהן לא תוכננו מראש לניטור AI ברמת הפעלה (session-level). ניתוח השוואתי של Sentrial מציין במפורש ש-Datadog ו-Dynatrace לא מציעות ניטור AI ברמת הסשן באופן טבעי – שתיהן דורשות התקנה מותאמת אישית (custom instrumentation).

Tsuga מציעה גם פתרון "ניטור טבעי לסוכנים" (Agent-Native Observability) שמאפשר לצוותי פיתוח של סוכני AI לחבר נתוני ניטור לכל מקור מידע בסביבתם, לא רק לאינטגרציות שפלטפורמה צד שלישי בחרה לתמוך בהן.

איך Tsuga מטפלת בניטור סוכני AI?

הניטור של Tsuga בנוי על שלושה עקרונות עיצוב:

1. אחסון ושאילתות חסכוניים: הפלטפורמה מתמודדת עם כמויות הנתונים שסוכני AI מייצרים, ומחויבת עלויות נפרדות מנפח הקליטה.
2. APIs מודעות הקשר (Context-aware APIs): במקום להחזיר כמויות גלם, ה-API מחזירות מידע רלוונטי, כך שסוכני AI יכולים להוציא את תקציב החישוב (compute budget) שלהם על חשיבה במקום על מיון רעש.
3. קישוריות מלאה לסביבה: מכיוון שהפלטפורמה רצה בענן הלקוח, סוכנים יכולים להתחבר לכל מקור מידע בסביבה – לא רק לאינטגרציות שפלטפורמה צד שלישי בחרה לתמוך בהן.

בהודעת ה-Series A, Tsuga מציגה עצמה כ"מובילה בניטור גמיש מותאם ל-AI" ומציינת שהפלטפורמה מתוכננת להניע דור חדש של סוכני AI.

איזו תאוצה (Traction) השיגה Tsuga מאז שיצאה ממצב חשאי?

מאז שיצאה מהחשאיות בנובמבר 2025, Tsuga השיגה תאוצה ראשונית משמעותית:

הכנסות והיקף: מספר מקורות מדווחים ש-Tsuga בעלת "מיליוני דולרים בהכנסות" עם סכומי חוזה ממוצעים של שש ספרות. עם זאת, נתוני הכנסות אלו הם דיווח עצמי של החברה ואינם מאומתים באופן עצמאי ממקורות חיצוניים. Tsuga מעבדת עשרות טרה-בייט של נתוני טלמטריה מדי יום ב-AWS.

לקוחות מאומתים:

• לה מונד (Le Monde), אחת מקבוצות התקשורת המובילות בצרפת, שהטמיעה את Tsuga בהנהגת ה-CTO/CIO שלה, פול ללו (Paul Laleu).
• Black Forest Labs (מעבדת AI מובילה).
• Camunda.
• Buk.

תוצאות בלה מונד: לפי מחקר מקרה (Case Study) שפורסם על ידי AWS ביוני 2026, בתוך שלושה חודשים מהטמעת Tsuga בלה מונד נרשמו:

• עלייה של 50% באימוץ מערכות הניטור בקרב צוותי הפיתוח.
• הרחבה פי שלושה במספר השירותים והיישומים המנוטרים.
• ירידה של 30% בזמן הממוצע לגילוי תקלות (MTTD).
• ירידה של 50% בזמן הממוצע לפתרון תקלות (MTTR).

אמון המשקיעים: מהירות הגעת ה-Series A (שישה חודשים אחרי סבב הסיד) עם השתתפות של DST Global Partners, Quantumlight, Picus ו-Databricks Ventures, לצד המשקיעים הקיימים, מעידה על אמונה מוסדית חזקה בתזה של עידן ה-AI בניטור.

בשורה התחתונה

Tsuga היא אחד הסטארטאפים האירופיים הממומנים יותר בתחום הניטור, עם 45 מיליון דולר בסך הכל, צוות של בוגרי Datadog מנוסים ותזה ברורה: תשתיות ניטור חייבות להיבנות מחדש עבור עומסי עבודה של סוכני AI. מודל ה-BYOC שלה, אסטרטגיית התמחור והעיצוב הטבעי שלה ל-AI מייצגים סטייה ארכיטקטונית אמיתית מהדואופול של Datadog-Dynatrace. תוצאות הלקוח המוקדמות – במיוחד הירידה של 30% ב-MTTD ו-50% ב-MTTR בלה מונד – מספקות איתות מעודד, אם כי החברה נמצאת עדיין בשלבים מוקדמים של חייה. עבור צוותי הנדסה שבוחנים אם לבנות עם סוכני AI או להשקיע בניטור לעומסי AI, Tsuga מייצגת אלטרנטיבה אמינה שכדאי לעקוב אחריה מקרוב.

הבעיה המרכזית ש-Tsuga פוגשת היא ההתנגשות בין שתי מגמות: עומסי AI גורמים לנפחי נתוני הטלמטריה לגדול בכ-30% בשנה, בעוד שתקציבי הניטור בארגונים רבים נשארים סטטיים או מצטמצמים. החברות הוותיקות, כמו Datadog ו-Dynatrace, בנו את הפלטפורמות שלהן על מודל תמחור לפי בייט, שהופך לבלתי כלכלי בקנה מידה של AI. מייסדי Tsuga טוענים שמודל התמחור לפי בייט – אותו הם עצמם עזרו לעצב ב-Datadog – שביסודו אינו מתאים לעומסי העבודה של סוכני AI.

כמה כסף גייסה Tsuga?

Tsuga גייסה 45 מיליון דולר בסך הכל, בשני סבבים מאושרים:

Tsuga יצאה ממצב חשאי (stealth) עם סבב הסיד בנובמבר 2025, והודיעה על ה-Series A כחצי שנה בלבד לאחר מכן, ביוני 2026. המהירות שבה הגיע הסבב הבא מעידה על אמונה חזקה של המשקיעים בתזה של החברה – שניטור חייב להיבנות מחדש עבור תשתיות AI.

מה מייחד את Tsuga לעומת Datadog ו-Dynatrace?

ההבחנה של Tsuga מהחברות הוותיקות Datadog ו-Dynatrace מתמקדת בשלושה צירים: מודל פריסה, ארכיטקטורת תמחור ועיצוב מותאם ל-AI.

מודל BYOC (הבא ענן משלך)

במקום להכניס נתוני טלמטריה לפלטפורמת SaaS שבשליטת הספק – המודל שבו Datadog ו-Dynatrace פועלות – Tsuga רצה כולה בתוך סביבת הענן של הלקוח. הפלטפורמה ניתנת לפריסה על פני Microsoft Azure, AWS, Google Cloud ותשתיות ענן ממשלתיות (sovereign clouds), כך שנתוני הטלמטריה לעולם לא עוזבים את שליטת הלקוח. זהו יתרון משמעותי עבור ארגונים בתעשיות מוסדרות או כאלה עם דרישות ריבונות נתונים מחמירות.

ראוי לציין: Datadog ו-Dynatrace אכן מציעות אפשרויות גמישות פריסה מסוימות (Dynatrace מציעה פריסה מנוהלת ו-SaaS; Datadog היא בעיקר SaaS), אך המקורות לא מאשרים באופן גורף שאף אחת מהן פחות גמישה לצרכי ריבונות נתונים. Tsuga, לעומת זאת, שמה את ה-BYOC במרכז האסטרטגיה שלה, בהנחה שהשליטה והריבונות יהפכו לחשובות יותר ככל שסוכני AI ייצרו יותר נתונים תפעוליים רגישים.

מודל תמחור: אתגור התמחור לפי בייט

Tsuga הציבה את עצמה במפורש מול מודל התמחור לפי בייט ש-Datadog סייעה להפוך לסטנדרט. הטענה היא שעבור עומסי AI, שהופכים את נפחי הטלמטריה לעצומים, תמחור לפי בייט הופך לבלתי בר-קיימא עבור ארגונים שמפעילים ציים גדולים של סוכני AI. מודל התמחור של Tsuga בנוי כדי לנתק עלות מנפח נתונים (data volume).

המקורות לא מספקים נתוני תמחור מדויקים של Tsuga, וגם לא תומכים בטענה ש-Datadog ו-Dynatrace תמיד גובות לפי בייט בכל התוכניות. Dynatrace, למשל, מציעה היסטורית תמחור מבוסס מארח (host-based), והתמחור של Datadog משתנה לפי מוצר. הטענה המרכזית, ש-Tsuga מתמחרת נגד מודלים מבוססי נפח, נתמכת היטב.

ארכיטקטורה מותאמת ל-AI ולסוכנים (AI-Native & Agent-Observable)

Tsuga מתוארת כתוכנת ניטור "לעידן סוכני הבינה המלאכותית" הפלטפורמה בנויה כך שסוכני AI יוכלו לצרוך נתוני ניטור ישירות. לפי תיעוד המוצר של Tsuga, שכבת האחסון והשאילתות (storage and query layer) מתוכננת להתמודד עם כמויות הנתונים שסוכני AI מייצרים, וה-APIs מחזירות "הקשר רלוונטי במקום חומר גלם – כך שסוכנים משקיעים את המשאבים שלהם בחשיבה (reasoning) במקום במיון רעש".

זהו ניגוד בולט לפלטפורמות הוותיקות, שמהן עולה שהן לא תוכננו מראש לניטור AI ברמת הפעלה (session-level). ניתוח השוואתי של Sentrial מציין במפורש ש-Datadog ו-Dynatrace לא מציעות ניטור AI ברמת הסשן באופן טבעי – שתיהן דורשות התקנה מותאמת אישית (custom instrumentation).

Tsuga מציעה גם פתרון "ניטור טבעי לסוכנים" (Agent-Native Observability) שמאפשר לצוותי פיתוח של סוכני AI לחבר נתוני ניטור לכל מקור מידע בסביבתם, לא רק לאינטגרציות שפלטפורמה צד שלישי בחרה לתמוך בהן.

איך Tsuga מטפלת בניטור סוכני AI?

הניטור של Tsuga בנוי על שלושה עקרונות עיצוב:

1. אחסון ושאילתות חסכוניים: הפלטפורמה מתמודדת עם כמויות הנתונים שסוכני AI מייצרים, ומחויבת עלויות נפרדות מנפח הקליטה.
2. APIs מודעות הקשר (Context-aware APIs): במקום להחזיר כמויות גלם, ה-API מחזירות מידע רלוונטי, כך שסוכני AI יכולים להוציא את תקציב החישוב (compute budget) שלהם על חשיבה במקום על מיון רעש.
3. קישוריות מלאה לסביבה: מכיוון שהפלטפורמה רצה בענן הלקוח, סוכנים יכולים להתחבר לכל מקור מידע בסביבה – לא רק לאינטגרציות שפלטפורמה צד שלישי בחרה לתמוך בהן.

בהודעת ה-Series A, Tsuga מציגה עצמה כ"מובילה בניטור גמיש מותאם ל-AI" ומציינת שהפלטפורמה מתוכננת להניע דור חדש של סוכני AI.

איזו תאוצה (Traction) השיגה Tsuga מאז שיצאה ממצב חשאי?

מאז שיצאה מהחשאיות בנובמבר 2025, Tsuga השיגה תאוצה ראשונית משמעותית:

הכנסות והיקף: מספר מקורות מדווחים ש-Tsuga בעלת "מיליוני דולרים בהכנסות" עם סכומי חוזה ממוצעים של שש ספרות. עם זאת, נתוני הכנסות אלו הם דיווח עצמי של החברה ואינם מאומתים באופן עצמאי ממקורות חיצוניים. Tsuga מעבדת עשרות טרה-בייט של נתוני טלמטריה מדי יום ב-AWS.

לקוחות מאומתים:

• לה מונד (Le Monde), אחת מקבוצות התקשורת המובילות בצרפת, שהטמיעה את Tsuga בהנהגת ה-CTO/CIO שלה, פול ללו (Paul Laleu).
• Black Forest Labs (מעבדת AI מובילה).
• Camunda.
• Buk.

תוצאות בלה מונד: לפי מחקר מקרה (Case Study) שפורסם על ידי AWS ביוני 2026, בתוך שלושה חודשים מהטמעת Tsuga בלה מונד נרשמו:

• עלייה של 50% באימוץ מערכות הניטור בקרב צוותי הפיתוח.
• הרחבה פי שלושה במספר השירותים והיישומים המנוטרים.
• ירידה של 30% בזמן הממוצע לגילוי תקלות (MTTD).
• ירידה של 50% בזמן הממוצע לפתרון תקלות (MTTR).

אמון המשקיעים: מהירות הגעת ה-Series A (שישה חודשים אחרי סבב הסיד) עם השתתפות של DST Global Partners, Quantumlight, Picus ו-Databricks Ventures, לצד המשקיעים הקיימים, מעידה על אמונה מוסדית חזקה בתזה של עידן ה-AI בניטור.

בשורה התחתונה

Tsuga היא אחד הסטארטאפים האירופיים הממומנים יותר בתחום הניטור, עם 45 מיליון דולר בסך הכל, צוות של בוגרי Datadog מנוסים ותזה ברורה: תשתיות ניטור חייבות להיבנות מחדש עבור עומסי עבודה של סוכני AI. מודל ה-BYOC שלה, אסטרטגיית התמחור והעיצוב הטבעי שלה ל-AI מייצגים סטייה ארכיטקטונית אמיתית מהדואופול של Datadog-Dynatrace. תוצאות הלקוח המוקדמות – במיוחד הירידה של 30% ב-MTTD ו-50% ב-MTTR בלה מונד – מספקות איתות מעודד, אם כי החברה נמצאת עדיין בשלבים מוקדמים של חייה. עבור צוותי הנדסה שבוחנים אם לבנות עם סוכני AI או להשקיע בניטור לעומסי AI, Tsuga מייצגת אלטרנטיבה אמינה שכדאי לעקוב אחריה מקרוב.