
Daytona: Bare-Metal-Sandboxes für KI-Agenten mit 74 % MoM-Wachstum
Daytona positioniert sich als Infrastrukturanbieter für die neue Welle autonomer KI-Agenten. CEO Ivan Burazin, der seit 2010 für das „Ende von Localhost" plädiert und mit CodeAnywhere eines der ersten Browser-IDEs baute, vollzog mit Daytona einen harten Schwenk: weg von menschlichen Entwicklungsumgebungen, hin zu KI-Sandboxes. Das Unternehmen setzt auf eigene Bare-Metal-Infrastruktur mit einem selbstentwickelten Scheduler statt Kubernetes – wegen der sprunghaften, nicht vorhersehbaren Last durch RL-Trainings und Evals. Ein Sandbox startet in ~60 ms, 50.000 lassen sich in ~75 Sekunden hochfahren. Daytonas größter Kunde betreibt knapp 850.000 Sandboxes täglich. RL- und Eval-Workloads wuchsen von 0 % auf rund 50 % der Gesamtnutzung. Burazin argumentiert, Agenten brauchen keine einfachen Code-Execution-Boxen, sondern vollwertige, zusammensetzbare Computer inklusive Windows- und macOS-Umgebungen – wobei Apple-Lizenzrestriktionen macOS-Sandboxes erschweren. Die Firma mit 25 Mitarbeitern sieht sich eher als API-first-Infrastruktur à la Stripe als als klassischer Cloud-Anbieter.
- 74 % monatliches Wachstum (MoM) bei den Sandbox-Runs laut Burazin im Podcast
- Ein Sandbox startet in ~60 ms; 50.000 Sandboxes sind in ~75 Sekunden verfügbar
- RL/Eval-Workloads stiegen von 0 % auf ~50 % der Daytona-Nutzung innerhalb weniger Monate
- Das Unternehmen betreibt eigene Bare-Metal-Hardware mit selbstentwickeltem Scheduler statt Kubernetes
- Daytona hat 25 Mitarbeiter und vergleicht sein Geschäftsmodell eher mit Stripe als mit AWS
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- MEINUNGlatent.space1w
Railway: Jake Cooper baut eine agent-native Cloud mit 3 Mio. Nutzern
- MEINUNGthesequence.substack.com1w
Jeder KI-Agent braucht einen Computer – das Argument für agentic Sandboxes
- LAUNCHinfoq.com3w
Meta setzt vereinheitlichte KI-Agenten zur automatischen Performance-Optimierung im Hyperscale-Betrieb ein

Daytona: Bare-Metal-Sandboxes für KI-Agenten mit 74 % MoM-Wachstum
Daytona positioniert sich als Infrastrukturanbieter für die neue Welle autonomer KI-Agenten. CEO Ivan Burazin, der seit 2010 für das „Ende von Localhost" plädiert und mit CodeAnywhere eines der ersten Browser-IDEs baute, vollzog mit Daytona einen harten Schwenk: weg von menschlichen Entwicklungsumgebungen, hin zu KI-Sandboxes. Das Unternehmen setzt auf eigene Bare-Metal-Infrastruktur mit einem selbstentwickelten Scheduler statt Kubernetes – wegen der sprunghaften, nicht vorhersehbaren Last durch RL-Trainings und Evals. Ein Sandbox startet in ~60 ms, 50.000 lassen sich in ~75 Sekunden hochfahren. Daytonas größter Kunde betreibt knapp 850.000 Sandboxes täglich. RL- und Eval-Workloads wuchsen von 0 % auf rund 50 % der Gesamtnutzung. Burazin argumentiert, Agenten brauchen keine einfachen Code-Execution-Boxen, sondern vollwertige, zusammensetzbare Computer inklusive Windows- und macOS-Umgebungen – wobei Apple-Lizenzrestriktionen macOS-Sandboxes erschweren. Die Firma mit 25 Mitarbeitern sieht sich eher als API-first-Infrastruktur à la Stripe als als klassischer Cloud-Anbieter.
- 74 % monatliches Wachstum (MoM) bei den Sandbox-Runs laut Burazin im Podcast
- Ein Sandbox startet in ~60 ms; 50.000 Sandboxes sind in ~75 Sekunden verfügbar
- RL/Eval-Workloads stiegen von 0 % auf ~50 % der Daytona-Nutzung innerhalb weniger Monate
- Das Unternehmen betreibt eigene Bare-Metal-Hardware mit selbstentwickeltem Scheduler statt Kubernetes
- Daytona hat 25 Mitarbeiter und vergleicht sein Geschäftsmodell eher mit Stripe als mit AWS
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- MEINUNGlatent.space1w
Railway: Jake Cooper baut eine agent-native Cloud mit 3 Mio. Nutzern
- MEINUNGthesequence.substack.com1w
Jeder KI-Agent braucht einen Computer – das Argument für agentic Sandboxes
- LAUNCHinfoq.com3w
Meta setzt vereinheitlichte KI-Agenten zur automatischen Performance-Optimierung im Hyperscale-Betrieb ein