รู้จัก Tsuga – สตาร์ทอัป AI Observability ที่กำลังสั่นคลุมอาณาจักร Datadog และ Dynatrace

Tsuga คือใคร? ก่อตั้งโดยใคร? และกำลังแก้ปัญหาอะไร?

Tsuga ก่อตั้งขึ้นในปี 2024 โดย Gabriel-James Safar และ Sébastien Deprez วิศวกรผู้มีประสบการณ์และเคยสร้างผลิตภัณฑ์สำคัญด้านการสังเกตการณ์ (observability) ที่ Datadog ก่อนจะลาออกมาสร้างบริษัทคู่แข่งของตัวเอง บริษัทมีสำนักงานใหญ่อยู่ที่เมือง Neuilly-sur-Seine ประเทศฝรั่งเศส และมีภารกิจที่ตรงไปตรงมา: สร้างโครงสร้างพื้นฐานสำหรับการสังเกตการณ์ที่ออกแบบมาเพื่อยุค AI โดยเฉพาะ แทนที่จะพยายามดัดแปลงเครื่องมือที่ออกแบบมาสำหรับโลกก่อนยุค AI ให้ใช้งาน

ปัญหาหลักที่ Tsuga ตั้งเป้าแก้คือการชนกันของสองแนวโน้มสำคัญ: ปริมาณข้อมูลเทเลเมทรี (telemetry data) ที่เพิ่มขึ้นประมาณ 30% ต่อปีจาก AI workloads ในขณะที่งบประมาณด้านการสังเกตการณ์ขององค์กรหลายแห่งเริ่มคงที่หรือหดตัวลง ผู้เล่นรายใหญ่อย่าง Datadog และ Dynatrace สร้างแพลตฟอร์มของพวกเขาบนโมเดลการคิดราคาตามปริมาณข้อมูลต่อไบต์ (per-byte pricing) ซึ่งกลายเป็นค่าใช้จ่ายที่สูงลิ่วเมื่อต้องรองรับปริมาณข้อมูลในระดับ AI ผู้ก่อตั้ง Tsuga โต้แย้งว่าโมเดลการคิดเงินตามปริมาณข้อมูล (per-byte) ซึ่งเป็นโมเดลที่นายจ้างเก่าของพวกเขาช่วยทำให้เป็นมาตรฐานนั้น ล้าสมัยและใช้ไม่ได้เมื่อนำไปใช้กับ workloads ของ AI Agent

Tsuga ระดมทุนได้เท่าไหร่?

Tsuga ระดมทุนรวม 45 ล้านดอลลาร์สหรัฐฯ จากการระดมทุนสองรอบ:

รอบ	จำนวนเงิน	วันที่	นักลงทุนนำ
Seed	10 ล้านดอลลาร์ (~8.7 ล้านยูโร)	พฤศจิกายน 2025	General Catalyst (นำ), Singh เข้าร่วม; นักลงทุนเทวดา ได้แก่ Amjad Masad (Replit), Charles Gorintin (Alan, Mistral AI), Jonathan Benhamou, Olivier Bonnet และ Philippe Corrot
Series A	35 ล้านดอลลาร์	มิถุนายน 2026	Singular (นำ), โดยมี General Catalyst, DST Global Partners, Quantumlight, Picus และ Databricks Ventures เข้าร่วม

Tsuga เปิดตัวจากโหมดลับ (stealth) พร้อมกับ Seed Round ในเดือนพฤศจิกายน 2025 และประกาศ Series A ในอีกเพียงแค่ 6 เดือนต่อมา ในเดือนมิถุนายน 2026 ความรวดเร็วในการระดมทุนรอบถัดไปนี้เป็นสัญญาณบ่งชี้ว่านักลงทุนมีความเชื่อมั่นอย่างแรงกล้าต่อแนวคิดของบริษัทที่ว่า การสังเกตการณ์ต้องถูกสร้างขึ้นใหม่เพื่อให้เป็น AI-native บนโครงสร้างพื้นฐานแบบ BYOC

Tsuga แตกต่างจาก Datadog และ Dynatrace อย่างไร?

ความแตกต่างของ Tsuga จากยักษ์ใหญ่อย่าง Datadog และ Dynatrace นั้นเน้นไปที่สามแกนหลัก: โมเดลการปรับใช้ (Deployment Model), สถาปัตยกรรมราคา (Pricing Architecture) และการออกแบบที่เป็น AI-native

Bring Your Own Cloud (BYOC) Deployment

แทนที่จะนำข้อมูลเทเลเมทรีไปไว้ในแพลตฟอร์ม SaaS ที่ผู้ขายควบคุมเหมือนกับโมเดลของ Datadog และ Dynatrace แต่ Tsuga ทำงานทั้งหมดภายในสภาพแวดล้อมคลาวด์ของลูกค้าเอง แพลตฟอร์ม Tsuga สามารถปรับใช้ได้ทั้งบน Microsoft Azure, AWS, Google Cloud และโครงสร้างพื้นฐานคลาวด์ของประเทศต่างๆ (sovereign cloud) ทำให้มั่นใจได้ว่าข้อมูลเทเลเมทรีจะไม่หลุดออกจากการควบคุมของลูกค้า นี่เป็นความแตกต่างที่มีความหมายอย่างมากสำหรับองค์กรในอุตสาหกรรมที่มีข้อบังคับเข้มงวด หรือองค์กรที่มีข้อกำหนดด้านอธิปไตยทางข้อมูล (data sovereignty) ที่เข้มงวด

ประเด็นที่ควรทราบ: แม้ว่าทั้ง Datadog และ Dynatrace จะมีตัวเลือกการปรับใช้ที่ยืดหยุ่นได้ในระดับหนึ่ง (Dynatrace มี Managed และ SaaS; Datadog ส่วนใหญ่เป็น SaaS) แต่ไม่มีแหล่งข้อมูลใดที่ยืนยันโดยตรงว่าผู้เล่นรายใหญ่ทั้งสองรายมีความยืดหยุ่นน้อยกว่าในเรื่องความต้องการด้านอธิปไตยทางข้อมูล ดังนั้น 'BYOC-first' ของ Tsuga จึงเป็นเดิมพันที่ชัดเจนว่าอธิปไตยทางข้อมูลและการควบคุมข้อมูลจะมีความสำคัญมากขึ้นเรื่อยๆ ในขณะที่ AI Agent สร้างข้อมูลการดำเนินงานที่มีความละเอียดอ่อนมากขึ้น

โมเดลราคา: ท้าทายการคิดราคาตามปริมาณข้อมูล (Per-Byte Pricing)

Tsuga ได้วางตำแหน่งตัวเองไว้อย่างชัดเจนในการต่อต้านโมเดลการคิดเงินตามปริมาณข้อมูล (per-byte) ที่ Datadog ช่วยทำให้เป็นที่นิยม เหตุผลก็คือ เมื่อ AI Workloads ทำให้ปริมาณข้อมูลเทเลเมทรีเพิ่มขึ้นอย่างรวดเร็ว การคิดราคาตามปริมาณข้อมูลจึงกลายเป็นเรื่องที่ยั่งยืนไม่ได้สำหรับองค์กรที่ใช้งาน AI Agent ขนาดใหญ่ โมเดลราคาของ Tsuga ได้รับการออกแบบให้แยกต้นทุนออกจากปริมาณข้อมูล

แหล่งข้อมูลไม่ได้ให้ตัวเลขราคาที่แน่นอนของ Tsuga และไม่ได้สนับสนุนข้อกล่าวหาที่ครอบคลุมว่าทั้ง Datadog และ Dynatrace คิดราคาตามปริมาณข้อมูลในทุกรูปแบบเสมอไป Dynatrace มีประวัติการเสนอราคาตามโฮสต์ ในขณะที่ราคาของ Datadog แตกต่างกันไปตามผลิตภัณฑ์ ข้อกล่าวอ้างหลักที่ว่า Tsuga กำลังกำหนดราคาเพื่อต่อต้านโมเดลตามปริมาณข้อมูลนั้นได้รับการสนับสนุนอย่างดีจากแหล่งที่มา

สถาปัตยกรรมแบบ AI-Native และ Agent-Observable

Tsuga ถูกอธิบายว่าเป็น "ซอฟต์แวร์สังเกตการณ์สำหรับยุคของ AI Agent" แพลตฟอร์มของมันถูกสร้างขึ้นเพื่อให้ AI Agent สามารถใช้ข้อมูลการสังเกตการณ์ได้โดยตรง ตามเอกสารผลิตภัณฑ์ของ Tsuga ชั้นจัดเก็บและค้นคืนข้อมูลได้รับการออกแบบมาเพื่อรองรับปริมาณข้อมูลที่ AI Agent สร้างขึ้นจริง และ API จะส่งคืน "บริบทที่เกี่ยวข้อง แทนที่จะส่งข้อมูลดิบจำนวนมาก ดังนั้น AI Agent จึงใช้ tokens ไปกับการใช้เหตุผล แทนที่จะใช้กับการกรองข้อมูลที่ไม่จำเป็น"

นี่เป็นความแตกต่างที่ชัดเจนเมื่อเทียบกับแพลตฟอร์มคู่แข่ง ซึ่งแหล่งข้อมูลชี้ให้เห็นว่าไม่ได้ถูกออกแบบมาโดยธรรมชาติสำหรับการติดตาม (Tracing) AI Agent ในระดับเซสชัน การวิเคราะห์เปรียบเทียบจาก Sentrial ระบุอย่างชัดเจนว่าทั้ง Datadog และ Dynatrace ไม่มีฟีเจอร์การติดตาม Agent ในระดับเซสชันที่เป็น Native โดยต้องทำ Custom Instrumentation ทั้งคู่

Tsuga ยังนำเสนอโซลูชัน "Agent-Native Observability" ที่ให้ทีมวิศวกรที่สร้าง AI Agent สามารถเชื่อมต่อข้อมูลการสังเกตการณ์กับทุกแหล่งข้อมูลในสภาพแวดล้อมของตน ไม่ใช่แค่เฉพาะการผสานรวมที่แพลตฟอร์มของบริษัทอื่นเลือกที่จะรองรับเท่านั้น

Tsuga จัดการการสังเกตการณ์ของ AI Agent อย่างไร?

การสังเกตการณ์แบบ Agent-native ของ Tsuga สร้างขึ้นบนหลักการออกแบบสามประการ:

1. พื้นที่จัดเก็บและคิวรีที่คุ้มค่าต้นทุน: แพลตฟอร์มรองรับปริมาณข้อมูลที่ AI Agent สร้างขึ้นจริง แทนที่จะเรียกเก็บเงินตามปริมาณข้อมูลดิบที่ถูกดึงเข้าไป
2. API ที่คำนึงถึงบริบท: แทนที่จะส่งข้อมูลเทเลเมทรีดิบจำนวนมาก API ของ Tsuga จะส่งคืนเฉพาะบริบทที่เกี่ยวข้อง ดังนั้น AI Agent จึงสามารถใช้งบประมาณการประมวลผลของมันไปกับการใช้เหตุผล แทนที่จะเสียไปกับการกรองข้อมูลที่ไม่จำเป็น
3. การเชื่อมต่อทุกสภาพแวดล้อม: เนื่องจากแพลตฟอร์มทำงานบนคลาวด์ของลูกค้าเอง AI Agent จึงสามารถเชื่อมต่อกับทุกแหล่งข้อมูลในสภาพแวดล้อมนั้นได้ ไม่ใช่แค่เฉพาะแหล่งที่แพลตฟอร์มของบริษัทอื่นเลือกที่จะผสานรวมด้วย

ประกาศ Series A ของ Tsuga วางตำแหน่งบริษัทให้เป็น "ผู้นำด้าน AI-Native Resilient Observability" และระบุว่าแพลตฟอร์มนี้ถูกออกแบบมาเพื่อขับเคลื่อน AI Agent รุ่นใหม่

Tsuga ได้รับแรงผลักดันอะไรบ้างนับตั้งแต่เปิดตัวจาก Stealth?

นับตั้งแต่เปิดตัวจากโหมด Stealth ในเดือนพฤศจิกายน 2025 Tsuga บรรลุผลลัพธ์เบื้องต้นที่มีความหมาย:

รายได้และขนาด: หลายแหล่งรายงานว่า Tsuga มี "รายได้หลายล้านดอลลาร์" โดยมีมูลค่าสัญญาเฉลี่ย 6 หลัก อย่างไรก็ตาม ตัวเลขรายได้เหล่านี้เป็นข้อมูลที่บริษัทรายงานด้วยตนเอง และยังไม่ได้รับการยืนยันจากแหล่งข้อมูลอิสระ Tsuga ประมวลผลข้อมูลเทเลเมทรีหลายสิบเทราไบต์ทุกวันบน AWS

ฐานลูกค้า: ลูกค้าที่ได้รับการยืนยัน ได้แก่:

• Le Monde กลุ่มสื่อชั้นนำของฝรั่งเศส ซึ่งใช้งาน Tsuga ภายใต้การนำของ Paul Laleu CTO/CIO
• Black Forest Labs (แล็บโมเดล AI ชั้นนำ)
• Camunda
• Buk

ผลลัพธ์ที่ Le Monde: ตามกรณีศึกษาของ AWS ที่เผยแพร่ในเดือนมิถุนายน 2026 ภายในสามเดือนหลังจากใช้งาน Tsuga Le Monde สามารถบรรลุ:

• การยอมรับระบบสังเกตการณ์ของทีมพัฒนาเพิ่มขึ้น 50%
• การขยายบริการและแอปพลิเคชันที่ได้รับการตรวจสอบเพิ่มขึ้นสามเท่า
• ลดระยะเวลาเฉลี่ยในการตรวจจับเหตุการณ์ (MTTD) ลง 30%
• ลดระยะเวลาเฉลี่ยในการแก้ไขปัญหา (MTTR) ลง 50%

ความเชื่อมั่นของนักลงทุน: การระดมทุน Series A ที่รวดเร็ว ซึ่งเกิดขึ้นเพียง 6 เดือนหลัง Seed Round โดยมี DST Global Partners, Quantumlight, Picus และ Databricks Ventures เข้าร่วมพร้อมกับนักลงทุนเดิม บ่งบอกถึงความเชื่อมั่นอย่างแรงกล้าจากสถาบันที่มีต่อแนวคิดเรื่องการสังเกตการณ์ในยุค AI

สรุป

Tsuga เป็นหนึ่งในสตาร์ทอัปยุโรปที่ได้รับเงินทุนค่อนข้างมากในแวดวงการสังเกตการณ์ โดยมีเงินทุนรวม 45 ล้านดอลลาร์สหรัฐฯ ทีมงานที่ประกอบด้วยอดีตพนักงาน Datadog ที่มีประสบการณ์ และมีแนวคิดที่ชัดเจน: โครงสร้างพื้นฐานด้านการสังเกตการณ์จะต้องถูกสร้างขึ้นใหม่เพื่อรองรับ AI Agent Workloads โมเดลการปรับใช้ BYOC กลยุทธ์การตั้งราคา และการออกแบบที่ใช้งานกับ Agent ได้โดยตรง (agent-native design) ถือเป็นความแตกต่างทางสถาปัตยกรรมที่แท้จริงจากระบบ duopoly ของ Datadog-Dynatrace ผลลัพธ์จากลูกค้ารายแรกๆ โดยเฉพาะการลด MTTD ลง 30% และ MTTR ลง 50% ที่ Le Monde เป็นสัญญาณที่น่าสนใจ แม้ว่าบริษัทยังอยู่ในช่วงเริ่มต้นของวัฏจักรก็ตาม สำหรับทีมวิศวกรรมที่กำลังประเมินว่าควรพัฒนา AI Agent หรือลงทุนในระบบสังเกตการณ์สำหรับ AI Workloads หรือไม่ Tsuga ถือเป็นทางเลือกที่น่าเชื่อถือและควรค่าแก่การจับตามองอย่างใกล้ชิด