Модель умеет думать, но ей всё равно нужен компьютер
Большая языковая модель может составить план, написать код или выбрать следующий шаг. Но сама по себе она не умеет открыть браузер, изменить файл, запустить тест или проверить результат в корпоративной системе. Для этого ей требуется рабочая среда — с процессором, памятью, диском, операционной системой, сетью и набором инструментов.
Именно на такой слой инфраструктуры делает ставку Daytona. В октябре 2026 года компания объявила о раунде Series B на $60 млн при заявленной оценке в $1 млрд. Общий объём привлечённых средств, по данным компании, достиг $91 млн.
Daytona развивает Agent Execution Cloud — среду, где каждому AI-агенту можно выдать отдельный виртуальный компьютер. Он способен включать браузер, файловое хранилище, инструменты разработчика и доступ к нужным приложениям. После завершения задачи окружение можно сохранить, клонировать для новой попытки или удалить.
Это важное отличие от привычного сценария, в котором модель просто отвечает на запрос через API.
Почему GPU недостаточно
В обсуждении AI-инфраструктуры обычно доминируют видеокарты. GPU действительно необходимы для обучения и работы крупных моделей. Но агентный сценарий устроен сложнее: модель не только генерирует ответ, а выполняет последовательность действий.
Например, агенту поручают обновить интернет-магазин. Он должен:
- изучить структуру проекта;
- создать или изменить файлы;
- установить зависимости;
- запустить приложение;
- открыть его в браузере;
- проверить интерфейс;
- исправить найденные ошибки;
- передать результат человеку или другой системе.
GPU участвует в принятии решений, но большая часть практической работы проходит на CPU, в памяти и файловой системе. Если агент автоматизирует закупки, ему может понадобиться браузер и доступ к нескольким сервисам. Если тестирует программное обеспечение — изолированная операционная система, инструменты сборки и возможность безопасно откатывать изменения.
Поэтому стоимость такого процесса складывается не только из токенов и времени работы модели. В неё входят запуск окружения, хранение файлов, сетевой трафик, работа браузера, параллельные копии и повторные попытки после ошибок.
Главная ставка Daytona — на скорость старта
Обычная виртуальная машина рассчитана на приложение, которое работает долго. Агентам часто нужны десятки тысяч коротких сессий: одна задача завершилась, другая началась, третья была прервана и запущена заново.
Чем дольше создаётся окружение, тем выше простой. Если агент рассуждает несколько секунд, а затем ждёт запуска виртуального компьютера минуту, преимущество автоматизации быстро уменьшается.
Daytona заявляет, что умеет запускать окружение примерно за 60 миллисекунд. Компания связывает это с заранее подготовленными снимками систем и размещением данных на физических дисках серверов. Важно, что это заявление самой Daytona и оно не подтверждено независимым бенчмарком. Для бизнеса такая цифра может быть ориентиром, но не готовой гарантией производительности.
Ключевой вопрос здесь не в рекордном показателе как таковом. Важнее, сможет ли инфраструктура поддерживать быстрый запуск при реальной нагрузке: с браузерами, большими репозиториями, сетевыми ограничениями и одновременной работой множества агентов.
«Компьютер для каждого агента» как новый слой стека
Архитектура агентной системы постепенно приобретает несколько уровней:
- Модель принимает решение или формирует план.
- Оркестратор разбивает задачу на отдельные шаги.
- Изолированное окружение выполняет действия.
- Система контроля проверяет результат, права и журнал операций.
В такой схеме виртуальный компьютер становится не просто технической деталью, а самостоятельным продуктовым слоем. Он должен позволять агенту ошибаться без ущерба для рабочей инфраструктуры, сохранять состояние между шагами и возвращаться к предыдущей версии после неудачной попытки.
Это особенно полезно для программных агентов, автоматизации офисных процессов, тестирования сайтов, анализа документов и работы с внешними сервисами, где невозможно заранее предусмотреть каждый шаг.
При этом специализированный провайдер не обязательно вытеснит крупные облачные платформы. У AWS, Google Cloud и Microsoft Azure уже есть виртуальные машины, контейнеры и GPU-сервисы. Их преимущество — масштаб, зрелые средства безопасности и интеграция с корпоративными системами. Специализированные компании конкурируют не универсальностью, а оптимизацией под короткие, параллельные и изменяющиеся задачи.
Как бизнесу оценивать инфраструктуру агентов
При выборе платформы предпринимателям стоит смотреть не только на цену инференса. Полезны как минимум пять показателей.
Скорость запуска
Сколько времени проходит от запроса до готового рабочего окружения. Важно измерять не только лучший результат, но и задержку при пиковой нагрузке.
Цена одной попытки
Агент может ошибаться и повторять действия. Поэтому нужно считать стоимость не идеального сценария, а полного процесса: запуск среды, работа модели, хранение данных, браузер, сетевые операции и повторный запуск.
Параллельность
Сколько независимых окружений можно запустить одновременно без резкого роста задержки и цены. Для массовой проверки кода или обработки заявок этот показатель может быть важнее максимальной мощности одной машины.
Восстановление
Можно ли сохранить состояние, сделать снимок перед рискованным действием и откатить изменения. Хорошая система должна превращать ошибку агента в локальную неудачу, а не в инцидент для всей компании.
Контроль доступа
Каждому агенту нужны строго ограниченные права, отдельные файлы и понятный журнал действий. Изоляция должна распространяться не только на вычисления, но и на секреты, сетевые соединения и корпоративные данные.
Что означает раунд Daytona
Инвестиции Daytona показывают интерес рынка к идее: следующим дефицитным ресурсом для AI могут стать не только видеокарты, но и быстрые безопасные среды выполнения.
Оценка компании в $1 млрд отражает условия частной сделки, а не доказанную рыночную стоимость. Показатели роста и скорости запуска также заявлены самой Daytona. Но даже с этими оговорками направление выглядит значимым.
Для предпринимателей практический вывод простой: при расчёте экономики AI-агента нужно считать не только, сколько стоит его «размышление», но и сколько ресурсов требуется для действия. Цифровому сотруднику нужен не абстрактный доступ к модели, а компьютер, где он сможет работать, ошибаться, восстанавливаться и безопасно взаимодействовать с реальным бизнесом.
