Les agents IA font exploser les coûts de monitoring : TSUGA lève 30 millions d’euros pour changer les règles du jeu
📩 Pour nous contacter: redaction@fw.media
L’intelligence artificielle est souvent présentée comme une technologie de réduction des coûts. Automatisation des tâches, rationalisation des opérations, gains de productivité, avec pour récit dominant, l’idée d’une entreprise capable de produire davantage avec moins de ressources.
Pourtant, à mesure que les agents IA quittent les laboratoires pour entrer dans les processus opérationnels, une autre réalité apparaît. Celle où chaque décision prise par un agent, chaque interaction entre modèles, chaque appel à un outil externe génère une quantité croissante de données qu’il faut surveiller, stocker, analyser et gouverner. L’IA ne crée pas seulement de nouveaux flux de valeur, mais également une nouvelle dette opérationnelle.
C’est dans ce contexte que Tsuga annonce une levée de 35 millions de dollars, soit près de 30 millions d’euros, menée par General Catalyst et Singular, avec la participation de DST Global Partners et Quantumlight. Fondée à Paris en 2024, la société défend une thèse simple : l’architecture sur laquelle repose l’observabilité moderne n’est plus adaptée à l’ère des agents autonomes.
Une industrie construite pour l’ère cloud
L’observabilité est l’une des couches les plus discrètes mais aussi les plus critiques du logiciel moderne. Son rôle consiste à permettre aux équipes techniques de comprendre ce qui se passe dans leurs infrastructures grâce à la collecte de logs, de traces et de métriques.
Depuis quinze ans, le marché s’est structuré autour d’acteurs comme Datadog, Splunk, Dynatrace, New Relic ou Elastic. Leur modèle est relativement simple : les clients envoient leurs données vers les infrastructures du fournisseur, qui les stocke, les indexe et les analyse. Plus les volumes augmentent, plus la facture progresse.
Cette logique a parfaitement accompagné l’essor du cloud computing. À mesure que les entreprises adoptaient des architectures distribuées, des microservices et des environnements multi-cloud, les besoins de visibilité augmentaient. Les revenus des plateformes d’observabilité progressaient au même rythme.
Pendant longtemps, les intérêts des fournisseurs et de leurs clients semblaient alignés. La croissance des infrastructures créait mécaniquement davantage de données et donc davantage de valeur. L’arrivée de l’intelligence artificielle modifie cependant profondément cette équation.
Quand chaque agent devient une usine à télémétrie
Un agent IA ne se comporte pas comme une application traditionnelle. Lorsqu’un utilisateur interroge un système classique, quelques événements sont généralement générés : une requête, une réponse, quelques appels de services. Lorsqu’un agent intervient, la chaîne devient beaucoup plus complexe.
Le système peut solliciter plusieurs modèles, appeler des outils externes, interroger différentes bases de données, générer des chaînes de raisonnement, déclencher d’autres agents spécialisés puis produire une réponse finale.
Chaque étape produit sa propre télémétrie. Prompts, tokens, appels d’API, graphes d’exécution, métriques de confiance, décisions intermédiaires : l’observabilité n’est plus seulement une question d’infrastructure. Elle devient une question de compréhension des mécanismes décisionnels.
Cette transformation crée un paradoxe où l’intelligence artificielle est censée réduire les coûts opérationnels, et augmente simultanément les besoins de supervision.
Dans certaines organisations, les dépenses liées au monitoring progressent désormais presque aussi rapidement que celles liées aux modèles eux-mêmes.
L’IA n’est peut-être pas le vrai responsable
Attribuer cette inflation des coûts uniquement à l’intelligence artificielle serait toutefois réducteur. Les entreprises font déjà face depuis plusieurs années à une explosion de leurs dépenses d’infrastructure. Le stockage devient plus coûteux, les architectures se complexifient, les flux de données se multiplient et les systèmes distribués génèrent davantage de signaux à surveiller.
L’IA agit davantage comme un accélérateur que comme une cause unique, l’observabilité pourrait être le symptôme visible d’un phénomène plus large : la croissance continue de la complexité numérique.
Cette distinction est importante car elle détermine la nature des solutions à apporter. S’agit-il d’un problème spécifique à l’IA ou d’un problème structurel de l’économie du cloud ?
L’émergence d’un nouveau marché
Une certitude demeure, les métriques traditionnelles ne suffisent plus. Les entreprises ne cherchent plus uniquement à savoir si une application fonctionne correctement. Elles veulent comprendre pourquoi un agent a pris une décision, quels outils il a utilisés, quels modèles sont intervenus et quel niveau de confiance peut être accordé au résultat.
Cette évolution fait émerger une nouvelle catégorie logicielle, les notions d’AI Observability, d’Agent Observability, d’AI Governance ou encore d’AI Traceability commencent à converger. Derrière des terminologies parfois différentes, un même besoin apparaît : rendre les systèmes d’IA auditables.
À mesure que les entreprises déploient des agents dans les domaines financiers, RH, juridiques ou industriels, la question de la responsabilité devient centrale. Comprendre comment une décision a été prise n’est plus une option. C’est une exigence opérationnelle et bientôt réglementaire.
Un marché déjà très encombré
Tsuga n’arrive cependant pas sur un terrain vierge, les grands acteurs historiques ont rapidement identifié l’opportunité. Datadog développe déjà des fonctions avancées de monitoring des modèles et des agents. Dynatrace pousse son offre Davis AI. New Relic, Splunk et Elastic enrichissent progressivement leurs plateformes avec des capacités spécifiques aux charges de travail IA.
Parallèlement, une nouvelle génération de spécialistes s’est constituée. Arize AI, Langfuse, Helicone ou WhyLabs se concentrent sur l’observabilité des modèles, l’analyse des prompts, la détection d’hallucinations ou le suivi des performances des systèmes génératifs.
Le sujet n’est donc plus l’existence d’un marché, mais la différenciation.
Le véritable pari : l’architecture
C’est précisément là que Tsuga tente de se distinguer, elle ne présente pas son innovation comme une fonctionnalité supplémentaire, et attaque directement l’architecture dominante du secteur.
Au lieu de centraliser les données dans ses propres infrastructures, la plateforme est déployée directement dans l’environnement cloud du client. Les données restent dans AWS, Azure, Google Cloud ou dans un cloud souverain. Elles ne transitent pas vers les systèmes de Tsuga.
L’argument est double, d’une part, cette approche réduit les coûts associés à la duplication et au transfert des données, et d’autre part, elle répond aux préoccupations croissantes de souveraineté et de gouvernance.
Cette stratégie révèle une intuition forte : les données d’observabilité deviennent elles-mêmes des actifs stratégiques. Les traces contiennent désormais des prompts, des décisions prises par des agents, des informations métier et parfois des données sensibles. Pour certaines entreprises, les externaliser devient aussi problématique que de confier leurs données clients.
La question n’est alors plus seulement technique et devient réglementaire et économique.
Le retour inattendu du logiciel accompagné de services
Autre élément notable : Tsuga ne vend pas uniquement une plateforme, et met également en avant des équipes d’ingénieurs chargées d’accompagner les clients dans l’optimisation continue de leur environnement d’observabilité.
Cette approche rappelle certaines évolutions récentes du marché de l’IA. Après deux décennies de SaaS standardisé, plusieurs catégories logicielles reviennent vers des modèles hybrides mêlant produit et expertise.
Les vrais concurrents de Tsuga
La concurrence la plus dangereuse ne se trouve peut-être pas chez Datadog ou Splunk, et situe probablement chez Microsoft, AWS et Google. Les hyperscalers contrôlent déjà les infrastructures, les données, les outils d’observabilité et, de plus en plus, les modèles d’intelligence artificielle.
Ils disposent donc de tous les éléments nécessaires pour intégrer nativement ces fonctions dans leurs plateformes. C’est le principal risque stratégique pour toute startup de cette catégorie.
Si l’observabilité IA devient une fonctionnalité standard des environnements cloud, la différenciation devra reposer sur autre chose que les seules capacités techniques.
Une bataille qui ne fait que commencer
L’industrie technologique a passé les trois dernières années à construire des modèles, des copilotes et des agents. Elle découvre désormais que la valeur ne réside pas uniquement dans la capacité à automatiser, mais également dans la capacité à contrôler cette automatisation.
L’histoire du cloud a produit ses champions du monitoring, l’histoire de l’intelligence artificielle pourrait produire ses champions de la gouvernance.
En levant près de 30 millions d’euros, Tsuga fait le pari que cette nouvelle couche d’infrastructure deviendra aussi indispensable demain que l’observabilité l’est devenue hier. Le succès de cette thèse dépendra moins de la capacité de l’entreprise à surveiller les agents que de sa capacité à répondre à une question que toutes les organisations devront bientôt se poser : qui surveille les systèmes qui prennent des décisions à notre place ?
- LINC lève 8,5 millions d’euros : pourquoi une nouvelle génération d’éditeurs tente de séduire les cabinets comptables avec l’IA - 23/06/2026
- Les agents IA font exploser les coûts de monitoring : TSUGA lève 30 millions d’euros pour changer les règles du jeu - 23/06/2026
- L’IA entre dans les fonds : pourquoi la question n’est plus la productivité mais la gouvernance - 23/06/2026
