Contexte et financement
DataAgent Ltd., startup israélienne fondée en janvier par Ishay Yaari (CEO) et Nati Shalom (CTO), a annoncé aujourd'hui une levée de fonds pré‑seed de 10 millions de dollars. Les deux dirigeants proviennent de Cloudify Platform, racheté par Dell Technologies en 2023 pour 100 M$. Les investisseurs MizMaa Ventures et Alicorn Venture Partners ont conduit le tour, soulignant l’intérêt pour une IA capable d’intervenir directement dans les clusters Kubernetes des clients.
Le financement vise à accélérer l’adoption en Amérique du Nord, où les dépenses d’observabilité représentent en moyenne 17 % du budget total d’infrastructure compute selon le sondage 2025 de Grafana Labs, avec un pic de 10 % pour les plus gros environnements.
Architecture du produit
Le cœur du service est un agent open source déployé dans le plan de contrôle cloud‑native du cluster. L’agent interroge l’API Kubernetes pour récupérer l’état du système, la topologie des ressources et les dérives de configuration, sans exporter les données vers un cloud externe. Cette approche évite le modèle traditionnel où les logs et métriques sont dupliqués et facturés par le fournisseur de SaaS.
Une fois une anomalie détectée, l’IA analyse les corrélations entre les métriques en temps réel et les changements de configuration afin d’identifier la cause racine. Si la correction correspond à un guardrail pré‑approuvé, l’agent exécute automatiquement le correctif, sinon il escalade vers un ingénieur humain. L’analyse approfondie se poursuit hors‑ligne après la restauration du service, ce qui, selon la société, réduit le Mean Time To Resolution (MTTR).
Modèle économique et impact sur les coûts
DataAgent propose deux niveaux : une version autonome gratuite, et une offre SaaS payante pour la gestion de flottes d’agents et l’orchestration centralisée. Le modèle repose sur la facturation du service de gestion plutôt que sur l’ingestion de données, contournant ainsi la hausse des factures d’observabilité liée au volume de logs. La société affirme que ses clients peuvent réduire leurs dépenses d’observabilité de jusqu’à 90 % grâce à l’élimination des copies de données et à l’automatisation des correctifs.
Cette structure répond à la réticence des entreprises à exécuter des logiciels propriétaires en production, en offrant transparence du code et contrôle total des flux de données.
Limites et perspectives
Le dispositif dépend de la capacité de l’IA à reconnaître des scénarios déjà rencontrés. Les pannes non couvertes sont redirigées vers un opérateur, ce qui introduit une dépendance résiduelle à l’intervention humaine. De plus, l’efficacité du modèle de coût repose sur l’hypothèse que les clusters disposent déjà d’une pile de surveillance fonctionnelle ; l’agent ne remplace pas cette pile mais s’y superpose.
En résumé, DataAgent introduit une couche d’automatisation IA au sein du plan de contrôle Kubernetes, minimise les transferts de données vers le cloud et propose un modèle économique centré sur la gestion plutôt que sur la collecte. La validation à grande échelle dépendra de la capacité à élargir le catalogue de pannes traitables et à maintenir la conformité des correctifs dans des environnements hétérogènes.
