Akamai geeft enterprise-AI realtime geheugen met Valkey Managed Database

Akamai positioneert Valkey Managed Database als het realtime geheugen voor enterprise-AI. De volledig beheerde in-memorydatalaag is gebaseerd op het opensource-ecosysteem van Valkey en geïntegreerd met Akamai’s gedistribueerde cloud. Het doel: operationele gegevens — zoals gesprekscontext, embeddings, gecachte antwoorden en de status van workflows — dichter bij applicaties en inferentiecapaciteit bewaren. Akamai kondigde de dienst op 18 augustus 2026 aan. Volgens de huidige documentatie bevindt het aanbod zich nog in een release met beperkte beschikbaarheid, in Los Angeles.

Waarom AI-applicaties realtime geheugen nodig hebben

Een aanroep van een groot taalmodel is slechts één onderdeel van een AI-applicatie. Productieklare assistenten, retrieval-augmented-generation-systemen (RAG) en autonome agents moeten daarnaast context ophalen, eerdere interacties raadplegen, relevante documenten vinden en tussenstappen onthouden.

Akamai noemt Valkey Managed Database specifiek voor onder meer resultaten van vectorzoekopdrachten, gesprekscontext, embedding-caches, sessiestatus van agents en retrieval-pijplijnen. Bij dit soort toepassingen kan elke extra milliseconde in de database merkbaar zijn in de totale responstijd.

In een gecentraliseerde architectuur kan de inferentie dicht bij de gebruiker plaatsvinden, terwijl de applicatie haar context telkens uit een ver weg gelegen database moet ophalen. Die extra netwerkritten verlengen de weg van vraag naar antwoord. Akamai’s bredere Inference Cloud-strategie draait juist om het dichter bij gebruikers en apparaten brengen van AI-inferentie. Een gedistribueerde laag voor veelgebruikte operationele data sluit daar logisch op aan.

Hoe Valkey latency en kosten moet verlagen

Caching van prompts en embeddings

Caching voorkomt dat een applicatie steeds opnieuw hetzelfde dure werk uitvoert. Bij exacte promptcaching worden resultaten van identieke verzoeken opgeslagen. Semantische caching gaat een stap verder: met vectorvergelijking zoekt het systeem naar eerdere verzoeken die inhoudelijk voldoende overeenkomen.

In een typische semantische-cacheworkflow maakt de applicatie eerst een embedding van een nieuwe vraag. Daarna zoekt ze naar een vergelijkbaar verzoek in de cache. Alleen wanneer er geen bruikbaar en nog actueel resultaat bestaat, wordt het taalmodel opnieuw aangeroepen.

Dat kan de responstijd verkorten en het aantal modelaanroepen verminderen bij toepassingen met veel herhaalde of bijna identieke vragen. De daadwerkelijke winst hangt af van de cache-hitratio, de eisen rond actualiteit en de inrichting van de modelworkflow. Caching is dus geen universele vervanging voor retrieval of inferentie.

Native vector search voor RAG

RAG-toepassingen zetten documenten en zoekopdrachten om in embeddings. Vervolgens zoeken ze naar vectoren die dicht bij elkaar liggen, voordat relevante context naar het taalmodel wordt gestuurd.

Valkey ondersteunt dergelijke vectorzoekworkflows. Daardoor kunnen sleutel-waardedata, cache-inhoud en vectoropvraging in dezelfde operationele in-memorylaag worden afgehandeld.

Voor sommige toepassingen kan dit de retrievalroute vereenvoudigen en de noodzaak van een aparte vectordatabase wegnemen. Dat betekent niet dat gespecialiseerde databases voor elke RAG-omgeving overbodig worden. Datavolume, persistentie, filtering, indexering en consistentie blijven bepalend voor de juiste architectuur.

Persistente status voor AI-agents

AI-agents werken doorgaans in meerdere stappen. Ze moeten mogelijk een gesprek onthouden, resultaten van tools bewaren, de voortgang van een taak volgen en na een onderbreking vanaf een checkpoint verdergaan.

De in-memorydatastructuren en vectorstore-mogelijkheden van Valkey kunnen hiervoor een snelle werkgeheugenlaag bieden. Valkey wordt daarnaast gedocumenteerd voor sessieopslag en andere realtime toepassingen.

Het belangrijke onderscheid is dat tussen een stateloos modelverzoek en de applicatie die daaromheen is gebouwd. Valkey levert niet het redeneervermogen van een agent en garandeert geen correct gedrag. Wel kan het snel toegankelijke status bieden waarmee een applicatie meerdere model- en toolaanroepen coördineert.

Wat ‘managed’ verandert voor IT-teams

Een zelf beheerde Valkey-omgeving vraagt nog altijd om het inrichten van instanties, replicatie en failover, prestatiemonitoring, updates, capaciteitsplanning en beschikbaarheidsbeheer. Met de beheerde dienst wil Akamai die databaseverantwoordelijkheden naar het platform verschuiven. Ontwikkelaars kunnen Valkey dan als dienst gebruiken, zonder de operationele laag zelf te bouwen.

Akamai beschrijft het product als een volledig beheerd, hoogperformant platform dat de operationele complexiteit moet beperken en de tijd tot praktisch resultaat moet verkorten.

Voor enterprise-AI-teams is dat een relevante afweging. Een beheerde database kan infrastructuurwerk verminderen, maar organisaties moeten nog steeds beleid vastleggen voor bewaartermijnen, cache-invalidatie, toegangsbeheer, persistentie, observability en herstel.

De relatie met Akamai Inference Cloud

Akamai Inference Cloud vormt de compute- en routeringskant van Akamai’s strategie voor gedistribueerde AI. Het platform werd in oktober 2025 gelanceerd om agentische AI-inferentie naar de edge te brengen, dichter bij gebruikers en apparaten. Valkey Managed Database voegt daar een aangrenzende geheugen- en retrievallaag aan toe voor de applicatiestatus die inferentie nodig heeft.

De beoogde architectuur bestaat daarmee uit meer dan alleen een model dat aan de edge draait:

1. Inferentiecapaciteit voert modelworkloads uit dichter bij gebruikers en data.
2. Valkey bewaart veelgebruikte context, embeddings, gecachte resultaten en sessiestatus in het geheugen.
3. Vector search helpt semantisch relevante informatie te vinden voor RAG en semantische caching.
4. Beheerde operatie vermindert het werk om de datalaag beschikbaar te houden.

Akamai breidt ook de infrastructuur achter deze aanpak uit. Het bedrijf kondigde duizenden NVIDIA Blackwell-gpu’s aan voor gedistribueerde AI-workloads en beschreef intelligente routering over zijn netwerk als een manier om latency en problemen rond data-egress bij gecentraliseerde datacenters te beperken.

Valkey vervangt die compute-laag niet. De dienst moet vooral de omliggende datastroom beter geschikt maken voor inferentie met lage latency.

Waarom de lancering strategisch relevant is

Met Valkey Managed Database schuift Akamai verder op van contentdistributie en beveiliging naar een meer geïntegreerde gedistribueerde cloudstack met compute, datadiensten, edge-uitvoering en bescherming.

De timing valt samen met de groei van Akamai’s infrastructuurtak. Cloud Infrastructure Services bracht in het tweede kwartaal van 2026 $99 miljoen aan omzet op, 39% meer dan een jaar eerder.

Bij de resultaten over het eerste kwartaal verwees Akamai daarnaast naar een toezegging van zeven jaar en $1,8 miljard van een toonaangevende aanbieder van frontiermodellen voor Cloud Infrastructure Services. Die toezegging onderstreept de infrastructuurambities van het bedrijf, maar is geen specifiek Valkey-contract en bewijst niet dat elk onderdeel van Akamai’s roadmap voor gedistribueerde AI al breed beschikbaar is.

Waarom Akamai voor Valkey kiest

Valkey is een opensource, door de gemeenschap geleid in-memory sleutel-waardedatabaseproject dat is ontstaan als fork van Redis. Het project wil opensource blijven, compatibel zijn met Redis-protocollen en -datastructuren en geschikt zijn voor caching en andere realtime workloads.

Voor Akamai biedt Valkey een bekend hoogperformant datamodel voor ontwikkelaars die al met Redis-achtige caching en sessieopslag werken. Tegelijk sluit de dienst aan op een opensource-ecosysteem. De technologie vormt bovendien een basis voor AI-toepassingen zoals semantische caching en vector retrieval, zonder dat Valkey wordt gepresenteerd als een algemene vervanger voor elke databasecategorie.

Conclusie

Valkey Managed Database is het best te begrijpen als de geheugen- en retrievallaag binnen Akamai’s architectuur voor gedistribueerde AI. De belofte is overzichtelijk: bewaar veelgebruikte AI-data in het geheugen, plaats die data dichter bij inferentie en gebruikers, hergebruik resultaten waar dat kan, ondersteun vectorgebaseerde retrieval en besteed het databasebeheer uit.

De meest voor de hand liggende toepassingen zijn latencygevoelige assistenten, RAG-pijplijnen, semantische caching en agents die gedurende meerdere stappen status moeten bijhouden. Strategisch verbindt de lancering Akamai’s ambities rond inferentie aan de data-infrastructuur die zulke toepassingen nodig hebben.

Tegelijk wordt het product nog als beperkt beschikbaar omschreven. Claims over exacte wereldwijde dekking, beschikbaarheid via kanaalpartners of specifieke toekomstige locaties zijn daarom pas als bevestigd te beschouwen wanneer aanvullende product- of partnerdocumentatie dat onderbouwt.