Tsuga Kumpulkan Rp570 Miliar untuk Bangun Observability Era AI: Saingan Baru Datadog yang Lebih Efisien?

Siapa Pendiri Tsuga dan Masalah Apa yang Ingin Mereka Selesaikan?

Tsuga didirikan pada tahun 2024 oleh Gabriel-James Safar dan Sébastien Deprez, dua insinyur yang sebelumnya membangun produk observability kunci di Datadog sebelum memutuskan untuk membuat pesaing mereka sendiri. Berbasis di Neuilly-sur-Seine, Prancis, misi Tsuga cukup jelas: membangun infrastruktur observability yang dirancang khusus untuk era AI, bukan sekadar memperbarui alat yang dibuat untuk dunia pra-AI.

Masalah inti yang dibidik Tsuga adalah benturan antara dua tren: beban kerja AI menyebabkan volume data telemetri tumbuh sekitar 30% per tahun, sementara anggaran observability di banyak perusahaan cenderung stagnan atau bahkan menyusut. Pemain mapan seperti Datadog dan Dynatrace membangun platform mereka dengan model harga per-byte yang menjadi sangat mahal ketika diterapkan pada skala AI. Pendiri Tsuga berargumen bahwa model harga per-byte — yang justru turut dipopulerkan oleh mantan perusahaan mereka — pada dasarnya sudah tidak cocok untuk beban kerja AI dan agen AI modern.

Berapa Jumlah Pendanaan yang Sudah Dikumpulkan Tsuga?

Secara total, Tsuga telah mengumpulkan dana sebesar $45 juta (sekitar Rp730 miliar) dalam dua putaran:

Putaran	Jumlah	Tanggal	Investor Utama
Seed	$10 juta (~€8,7 juta)	November 2025	General Catalyst (pimpinan), dengan partisipasi Singular; angel investor termasuk Amjad Masad (Replit), Charles Gorintin (Alan, Mistral AI), dan lainnya.
Seri A	$35 juta (~Rp570 miliar)	Juni 2026	Singular (pimpinan), dengan partisipasi General Catalyst, DST Global Partners, Quantumlight, Picus, dan Databricks Ventures.

Tsuga muncul dari mode siluman bersamaan dengan putaran seed pada November 2025, dan mengumumkan Seri A hanya enam bulan kemudian, pada Juni 2026. Kecepatan putaran lanjutan ini menandakan keyakinan kuat investor bahwa tesis perusahaan — bahwa observability harus dibangun ulang untuk infrastruktur native-AI dan BYOC — mulai terbukti.

Apa yang Membedakan Tsuga dari Datadog dan Dynatrace?

Perbedaan Tsuga dari pemain mapan seperti Datadog dan Dynatrace berpusat pada tiga aspek utama: model deployment, arsitektur harga, dan desain native-AI.

Model Deployment 'Bring Your Own Cloud' (BYOC)

Alih-alih menyerap data telemetri ke dalam platform SaaS milik vendor — model yang digunakan Datadog dan Dynatrace — Tsuga berjalan sepenuhnya di dalam lingkungan cloud pelanggan sendiri. Platform Tsuga dapat di-deploy di Microsoft Azure, AWS, Google Cloud, dan infrastruktur cloud berdaulat, memastikan data telemetri tidak pernah meninggalkan kendali pelanggan. Ini menjadi pembeda signifikan bagi organisasi di industri teregulasi atau yang memiliki persyaratan ketat soal kedaulatan data.

Catatan: Baik Datadog maupun Dynatrace memang menawarkan beberapa opsi fleksibilitas deployment (Dynatrace menawarkan deployment managed dan SaaS; Datadog umumnya SaaS), namun sumber yang ada tidak secara langsung mendukung klaim bahwa kedua pemain mapan tersebut secara seragam kurang fleksibel untuk kebutuhan kedaulatan data. Arsitektur BYOC-first Tsuga jelas merupakan taruhan bahwa kedaulatan dan kontrol akan menjadi semakin penting seiring agen AI menghasilkan lebih banyak data operasional yang sensitif.

Model Harga: Menantang Harga Per-Byte

Tsuga secara eksplisit memposisikan diri melawan model harga per-byte yang dipopulerkan Datadog. Argumennya, seiring beban kerja AI membuat volume telemetri meledak, harga per-byte menjadi tidak berkelanjutan bagi perusahaan yang menjalankan armada agen AI berskala besar. Model harga Tsuga dirancang untuk memisahkan biaya dari volume data.

Sumber yang ada tidak memberikan angka pasti harga Tsuga, dan juga tidak mendukung klaim bahwa Datadog dan Dynatrace selalu memberi harga ketat per-byte di semua paket. Dynatrace, misalnya, secara historis menawarkan harga berbasis host, sementara harga Datadog bervariasi tergantung produk. Klaim inti bahwa Tsuga menentukan harga melawan model berbasis volume didukung dengan baik.

Arsitektur Native-AI dan 'Agent-Observable'

Tsuga digambarkan sebagai "perangkat lunak observability untuk era agen AI." Platformnya dibangun sehingga agen AI dapat mengonsumsi data observability secara langsung. Menurut dokumentasi produk Tsuga, lapisan penyimpanan dan kueri dirancang untuk menangani volume data yang benar-benar dihasilkan agen AI, dan API yang ada mengembalikan "konteks yang relevan daripada data mentah, sehingga agen dapat menghabiskan token mereka untuk penalaran daripada menyaring noise."

Ini merupakan kontras mencolok dengan platform mapan, yang menurut sumber tidak dirancang secara native untuk pelacakan agen AI di tingkat sesi. Analisis komparatif dari Sentrial secara eksplisit mencatat bahwa baik Datadog maupun Dynatrace tidak menawarkan pelacakan agen sesi native — keduanya memerlukan instrumentasi khusus.

Tsuga juga menawarkan solusi "Agent-Native Observability" yang memungkinkan tim teknik yang membangun agen AI untuk menghubungkan data observability ke setiap sumber data di lingkungan mereka, tidak hanya integrasi yang telah dipilih oleh platform pihak ketiga.

Bagaimana Tsuga Menangani Observability Agen AI?

Observability native-agen Tsuga dibangun di atas tiga prinsip desain:

1. Penyimpanan dan kueri yang hemat biaya: Platform ini menangani volume data yang benar-benar dihasilkan agen AI, bukan mengenakan biaya berdasarkan volume mentah yang diserap.
2. API sadar konteks: Alih-alih mengembalikan banyak data telemetri mentah, API Tsuga mengembalikan konteks yang relevan sehingga agen AI dapat menggunakan anggaran komputasi mereka untuk penalaran, bukan menyaring noise.
3. Konektivitas lingkungan penuh: Karena platform berjalan di cloud pelanggan sendiri, agen dapat terhubung ke setiap sumber data di lingkungan — tidak hanya yang telah dipilih untuk diintegrasikan oleh platform pihak ketiga.

Pengumuman Seri A Tsuga memposisikan perusahaan sebagai "pemimpin dalam Observability Resiliensi Native-AI" dan menyatakan bahwa platform ini dirancang untuk memberdayakan generasi baru agen AI.

Seberapa Besar Traksi yang Sudah Dicapai Tsuga?

Sejak keluar dari mode siluman pada November 2025, Tsuga telah mencapai traksi awal yang berarti:

Pendapatan dan skala: Beberapa sumber melaporkan bahwa Tsuga memiliki "pendapatan beberapa juta dolar" dengan nilai kontrak rata-rata enam digit. Namun, angka pendapatan ini adalah laporan mandiri perusahaan dan belum diverifikasi secara independen oleh sumber yang disediakan. Tsuga memproses puluhan terabyte data telemetri setiap hari yang berjalan di AWS.

Basis pelanggan: Pelanggan terverifikasi meliputi:

• Le Monde, salah satu grup media terkemuka Prancis, yang menggunakan Tsuga di bawah kepemimpinan CTO/CIO-nya Paul Laleu.
• Black Forest Labs (laboratorium model AI frontier)
• Camunda
• Buk

Hasil di Le Monde: Menurut studi kasus AWS yang diterbitkan pada Juni 2026, dalam waktu tiga bulan menggunakan Tsuga, Le Monde berhasil mencapai:

• Peningkatan 50% dalam adopsi observability di antara tim pengembangan
• Perluasan tiga kali lipat dalam layanan dan aplikasi yang dipantau
• Pengurangan 30% dalam waktu deteksi insiden (MTTD)
• Pengurangan 50% dalam waktu penyelesaian insiden (MTTR)

Keyakinan investor: Seri A yang cepat — tiba hanya enam bulan setelah putaran seed — dengan partisipasi dari DST Global Partners, Quantumlight, Picus, dan Databricks Ventures bersama investor yang kembali, menunjukkan keyakinan institusional yang kuat pada tesis observability era AI.

Intinya

Tsuga adalah salah satu startup Eropa dengan pendanaan terbaik di bidang observability, dengan total pendanaan $45 juta, tim yang terdiri dari alumni Datadog berpengalaman, dan tesis yang jelas: infrastruktur yang dapat diamati harus dibangun ulang untuk beban kerja agen AI. Model deployment BYOC, strategi harga, dan desain native-agennya mewakili perubahan arsitektural yang nyata dari duopoli Datadog-Dynatrace. Hasil awal pelanggan — terutama pengurangan 30% MTTD dan 50% MTTR di Le Monde — memberikan sinyal yang menggembirakan, meskipun perusahaan masih berada di awal perkembangannya. Bagi tim teknik yang mengevaluasi apakah akan membangun dengan agen AI atau berinvestasi dalam observability untuk beban kerja AI, Tsuga mewakili alternatif kredibel yang layak untuk diperhatikan.