Présentation
Daytona Platforms, jeune société new‑yorkaise fondée il y a trois ans, a annoncé une levée de 60 millions de dollars en série B, portée à 1 milliard de dollars d’évaluation. Le tour, mené par FirstMark Growth, porte le total des fonds levés à 91 millions de dollars. Parmi les investisseurs figurent des figures majeures du secteur technologique, dont Patrick Collison (Stripe), Tobi Lütke (Shopify) et Eric Yuan (Zoom).
Architecture du cloud d’agents
Le produit phare de Daytona est une plateforme cloud conçue spécifiquement pour les agents – des processus automatisés qui exécutent des milliers de tâches courtes, souvent stateful, sans planification préalable. Chaque agent reçoit un environnement isolé similaire à un ordinateur dédié, incluant des versions sandboxées de Linux, Windows, macOS et l’accès à des GPU. Cette isolation repose probablement sur une combinaison d’hyperviseurs légers et de conteneurs renforcés, permettant de séparer les ressources CPU, mémoire et GPU tout en conservant la capacité de démarrer ou d’arrêter rapidement des instances.
Différences avec les clouds traditionnels
Les clouds classiques sont optimisés pour des services à longue durée de vie, où les instances restent actives pendant des heures ou des jours. En revanche, les agents de Daytona « spin up » des milliers de jobs courts, ce qui impose un modèle de planification à haute fréquence et une allocation dynamique des ressources. Le système doit donc gérer un taux de création et de destruction d’instances bien supérieur à la moyenne, tout en garantissant la persistance de l’état entre les tâches. Cette exigence se traduit par un besoin de métadonnées de scheduling très précises et d’un réseau à faible latence pour éviter les goulots d’étranglement lors du transfert de données entre les agents.
Perspectives et contraintes
Le positionnement de Daytona répond à un segment croissant d’applications d’automatisation, d’IA générative et de pipelines de données où les workloads sont fragmentés. Cependant, plusieurs limites techniques restent à évaluer. La virtualisation de macOS implique des licences Apple strictes, ce qui peut restreindre la scalabilité sur des clusters massifs. Le partage de GPU entre agents nécessite des mécanismes de partitionnement matériel (par exemple, NVIDIA MIG) pour éviter les conflits de ressources, mais ces mécanismes introduisent une surcharge de gestion. Enfin, l’absence de benchmarks publics empêche d’estimer le coût total de possession comparé à des solutions IaaS classiques. La viabilité économique dépendra donc de la capacité de Daytona à optimiser le ratio CPU/GPU/IO et à offrir des tarifs compétitifs pour des workloads à forte intensité de démarrage/arrêt.
