6 Die Diskussion über Agentic AI wurde bislang von Modellen, Orchestrierungs-Frameworks und Designmustern für Agenten bestimmt. Zu wenig Beachtung fand dagegen die Infrastrukturebene, die all das im Unternehmensmaßstab zuverlässig funktionieren lässt – konkret die Frage, was mit Ihrer Speicherarchitektur geschieht, wenn KI nicht mehr nur Daten konsumiert, sondern autonom mit ihnen handelt. Diese Unterscheidung ist wichtiger, als es zunächst scheint. Klassische KI-Workloads sind im Wesentlichen leseintensiv: Sie stellen einen Trainingsdatensatz zusammen, speisen ihn in ein Modell ein und rufen Ergebnisse ab. Die Speicheranforderungen sind zwar hoch, was Durchsatz und Größe betrifft, aber relativ vorhersehbar. Agentic AI ist grundlegend anders. Agenten lesen Daten nicht nur – sie fragen sie ab, schreiben sie, verändern sie, rufen über mehrstufige Sitzungen hinweg Kontext daraus ab und tun all dies gleichzeitig, autonom und oft unvorhersehbar. Die Infrastruktur für Agentic AI muss völlig andere Anforderungen erfüllen. Laut dem KI-Jahresbericht 2025 von McKinsey experimentierten fast zwei Drittel der Unternehmen mit KI-Agenten, und 88 % nutzten KI in mindestens einem Geschäftsbereich. Doch nur jedes zehnte Unternehmen konnte seine Agenten erfolgreich über die Pilotphase hinaus skalieren. Der häufigste Grund war nicht die Modellqualität, sondern eine Dateninfrastruktur, die den Anforderungen autonomer, mehrstufiger KI-Systeme in der Produktion nicht gewachsen war. Dieses Infrastrukturproblem beginnt die Speicherbranche gerade erst ernsthaft anzugehen – und die richtige Lösung beginnt mit dem Verständnis dessen, was Agentic AI tatsächlich von der Datenschicht verlangt. Wie Agentic AI die Rolle des Speichers verändert In herkömmlichen KI-Bereitstellungen ist die Beziehung zwischen KI-System und Speicherebene weitgehend einseitig. Daten fließen hinein, Modelle erzeugen Ergebnisse, die Ergebnisse werden gespeichert. Die Aufgabe des Speichersystems ist es, schnell, groß und langlebig zu sein. Agentic AI bricht mit diesem Modell auf vier konkrete Arten. Agenten benötigen einen persistenten Zustand über Sitzungen hinweg. Anders als bei einem einzelnen Inferenzaufruf halten agentische Systeme Kontext über mehrere Interaktionen, Aufgaben und Zeiträume hinweg. Die Speicherebene muss daher schnelle, konsistente Lese- und Schreibvorgänge für Sitzungszustand, Agentengedächtnis und Zwischenkontext von Aufgaben unterstützen – nicht nur den sequenziellen Zugriff auf große Datensätze. Die Zugriffsmuster ähneln weniger dem Modelltraining als einem transaktionalen System mit hoher Parallelität, das unstrukturierte Daten in riesigem Maßstab verarbeitet. Agenten erzeugen und verbrauchen Metadaten in einem Tempo, das Altsysteme nicht bewältigen. Jede Aktion eines Agenten – jede Abfrage, jeder Abruf, jede Entscheidung und jeder Schreibvorgang – erzeugt Metadaten. In Multi-Agent-Architekturen, in denen Dutzende oder Hunderte von Agenten gleichzeitig arbeiten, wird die Metadatenschicht zu einer der performancekritischsten Komponenten des gesamten Stacks. Speichersysteme, die Metadaten als Nebensache behandeln oder Metadatenoperationen nicht unabhängig von der Kapazität skalieren, werden fast sofort zum Engpass. Genau deshalb ist multidimensionale Skalierung – einschließlich unabhängiger Skalierung der Metadatendienste (auf Englisch) für Agentic-AI-Infrastruktur kein Nice-to-have. Sie ist eine Voraussetzung. Agenten müssen Kontext abrufen, nicht nur Daten. RAG-basierte agentische Systeme sind auf einen schnellen, semantisch sinnvollen Abruf aus Wissensdatenbanken angewiesen, die Petabytes umfassen können. Das erfordert Speicher, der umfangreiches, anwendungsseitig erweiterbares Metadaten-Tagging und eine effiziente Metadatensuche unterstützt – damit Agenten die richtigen Objekte schnell finden, ohne ganze Datensätze zu durchsuchen. Die metadatengesteuerte Architektur von Object Storage (auf Englisch) passt hier ideal – allerdings nur, wenn die Metadatenschicht im gleichen Tempo skaliert wie die Kapazität. Agenten, die autonom Daten schreiben, schaffen neue Risiken, denen Unveränderlichkeit begegnen muss. Diese Dimension der Agentic-AI-Infrastruktur erhält die wenigste Aufmerksamkeit und ist wohl die wichtigste. Wenn KI-Agenten autonom in den Speicher schreiben können – Entscheidungen protokollieren, Wissensdatenbanken aktualisieren, Datensätze verändern –, sind die Folgen eines beschädigten oder kompromittierten Agenten weit gravierender als in einem reinen Lesesystem. Unveränderlichkeit, auf Speicherebene über S3 Object Lock erzwungen, bietet eine entscheidende Sicherheitskontrolle: Sie stellt sicher, dass von Agenten geschriebene Daten nicht nachträglich verändert werden können – weder durch einen fehlerhaften Agenten noch durch einen Prompt-Injection-Angriff noch durch einen Angreifer, der die Berechtigungen eines Agenten ausnutzt. Unveränderlichkeit ist in Agentic-AI-Umgebungen nicht nur eine Compliance-Funktion – sie ist eine Sicherheitsarchitektur. Das Parallelitätsproblem, über das niemand spricht Die meisten Diskussionen über KI-Infrastruktur drehen sich um den Durchsatz – wie schnell sich Daten bewegen lassen, um GPU-Cluster während des Trainings zu versorgen. Agentic AI bringt eine andere Performance-Herausforderung mit sich: extreme Parallelität bei kleinen Objekten. Führt ein einzelner Agent eine mehrstufige Aufgabe aus, kann er dabei Dutzende Speicheroperationen auslösen – Lese- und Schreibvorgänge, Metadatenabfragen – um einen einzigen Auftrag abzuschließen. Arbeiten Hunderte von Agenten gleichzeitig in einer Unternehmensumgebung, kann das gesamte Transaktionsvolumen auf der Speicherebene Millionen von Operationen pro Sekunde erreichen, viele davon auf kleinen Objekten statt auf großen sequenziellen Dateien. Klassische Speicherarchitekturen sind dafür nicht ausgelegt. Systeme, die Metadatenoperationen eng an die Kapazitätsskalierung koppeln, sind bei Workloads mit hoher Parallelität und kleinen Objekten lange ausgelastet, bevor sie ihre Kapazitätsgrenzen erreichen. Speicher, der Metadatendienste, Transaktionsdurchsatz und Kapazität unabhängig voneinander skaliert, (auf Englisch) bewältigt das problemlos – weil jede Dimension in dem Tempo wachsen kann, das der Workload tatsächlich verlangt. Das ist der architektonische Unterschied zwischen Speicher, der für KI-Workloads der Zeit vor den Agenten entwickelt wurde, und einer Infrastruktur, die agentische Systeme im Unternehmensmaßstab wirklich unterstützen kann. Ersterer optimiert auf sequenziellen Durchsatz. Letztere optimiert auf alle Dimensionen gleichzeitig. Was die Infrastruktur für Agentic AI tatsächlich braucht Übersetzt in konkrete Infrastrukturfähigkeiten muss die Speicherebene für Agentic AI fünf Dinge leisten, für deren Kombination herkömmlicher Enterprise-Speicher nicht konzipiert wurde. Zugriff auf kleine Objekte mit hoher Parallelität und niedriger Latenz. Agentenzustand, Sitzungskontext und Zwischenergebnisse von Aufgaben sind typischerweise kleine Objekte, auf die sehr häufig zugegriffen wird. Die Speicherebene muss Milliarden von Operationen auf kleinen Objekten ohne Latenzverschlechterung bewältigen – eine Anforderung, die die Grenzen klassischer Object-Storage-Architekturen aufzeigt, die nicht für dieses Zugriffsmuster entwickelt wurden. Umfangreiche, skalierbare Metadaten, die Agenten direkt abfragen können. Agentische RAG-Systeme sind darauf angewiesen, kontextrelevante Objekte schnell aus riesigen Datensätzen abzurufen. Das erfordert Metadaten, die anwendungsseitig erweiterbar sind – nicht nur Systemmetadaten, sondern benutzerdefinierte Tags, die semantische Bedeutung, Datenherkunft, Agenten-Provenienz und Abrufrelevanz kodieren. Speicher, der dies nativ unterstützt und dessen Metadatensuche unabhängig skaliert, macht separate Ebenen für das Metadatenmanagement überflüssig. Unveränderlichkeit als Standard, nicht als Option. Jedes von einem agentischen System geschriebene Objekt sollte als Kandidat für unveränderlichen Schutz gelten. Das bedeutet nicht, dass alle Objekte dauerhaft gesperrt sind – sondern dass die Speicherarchitektur konfigurierbare, richtliniengesteuerte Unveränderlichkeit durchsetzt, die sich granular nach Objekttyp, Agentenidentität oder Workflow-Phase anwenden lässt. S3 Object Lock bietet dies auf Speicherebene und stellt sicher, dass von Agenten geschriebene Daten dieselben Schutzgarantien genießen wie jeder andere geschäftskritische Datensatz. Governance über alle Umgebungen hinweg. Agentic AI im Unternehmen läuft nicht in einer einzigen Umgebung. Agenten arbeiten über On-Premises-Infrastruktur, Public Clouds und Edge-Standorte hinweg – überall dort, wo die benötigten Daten und Rechenressourcen gerade liegen. Das Governance-Modell für Daten von Agentic AI muss all diese Umgebungen einheitlich umfassen (auf Englisch)– mit konsistenten Zugriffskontrollen, Audit-Trails und Aufbewahrungsrichtlinien, unabhängig davon, wo Daten gespeichert sind oder welcher Agent sie erzeugt hat. Fragmentierte Governance über hybride Umgebungen hinweg ist der Grund, warum von Agenten erzeugte Daten im großen Maßstab unkontrollierbar werden. Resilienz, die von Agenten verursachte Risiken berücksichtigt. Agentische Systeme bringen Fehlerarten mit sich, die es bei herkömmlichen KI-Bereitstellungen nicht gab: Agenten, die in fehlerhafte Schleifen geraten, unerwartet Ressourcen verbrauchen oder beschädigte Daten in gemeinsame Wissensdatenbanken schreiben. Die Speicherebene braucht Resilienzmechanismen – Replikation, Erasure Coding und unveränderliche Backups –, die sowohl vor Infrastrukturausfällen als auch vor von Agenten verursachten Datenbeschädigungen schützen. Eine mehrstufige Architektur, die heiße, für Agenten zugängliche Daten von geschütztem Langzeitspeicher trennt, sorgt für die richtige Isolation zwischen operativer und archivierender Ebene. Die hybride Dimension: Wo Agentic AI tatsächlich läuft Eine unterschätzte Realität von Agentic AI im Unternehmen ist, dass Agenten nicht wählen können, wo die Daten liegen. Sie arbeiten in der Umgebung, die das Unternehmen bereits aufgebaut hat – also in der Hybrid Cloud, mit Daten, die über On-Premises-Systeme, mehrere Public Clouds und zunehmend auch Edge-Standorte verteilt sind, an denen Echtzeitdaten entstehen. Daraus ergibt sich eine konkrete Infrastrukturanforderung: Die Speicherebene muss Agenten eine einheitliche Schnittstelle bieten, unabhängig davon, wo die Daten physisch liegen. Ein Agent, der eine Abrufaufgabe ausführt, sollte nicht wissen müssen, ob die abgefragte Wissensdatenbank On-Premises oder in AWS liegt. Die S3-API hat sich genau aus diesem Grund zum praktischen Standard entwickelt – sie bietet eine einheitliche Schnittstelle, die Agenten-Frameworks, Vektordatenbanken und Orchestrierungstools bereits nativ unterstützen. Hybrid-Cloud-Object-Storage (auf Englisch), der einen einheitlichen S3-kompatiblen Namespace über On-Premises- und Cloud-Umgebungen hinweg bereitstellt, gibt agentischen Systemen, was sie brauchen: eine einzige, einheitliche Datenschicht, die die Komplexität hybrider Infrastruktur abstrahiert, ohne eine Zentralisierung der Daten zu erfordern. Agenten können im Tempo des Workloads arbeiten, nicht im Tempo der Datenbewegung zwischen Umgebungen. Warum die Speicherentscheidung vor der Wahl des Agenten-Frameworks fällt Bei der Einführung von Agentic AI haben die meisten Unternehmen ein Reihenfolgeproblem. Teams wählen Agenten-Frameworks – LangGraph, CrewAI, AutoGen –, bewerten Orchestrierungstools, entwickeln Prototypen von Workflows und stellen dann spät im Prozess fest, dass die Speicherinfrastruktur das Gebaute im großen Maßstab nicht tragen kann. Der Grund ist einfach: Agenten-Frameworks lassen sich während der Entwicklung relativ leicht austauschen. Die Speicherarchitektur nicht. Die Datenschicht ist die eine Komponente, von der jeder Agent, jeder Workflow und jede nachgelagerte Anwendung abhängt. Ein Fehler hier bedeutet einen Umbau zum denkbar ungünstigsten Zeitpunkt – wenn Sie einen funktionierenden Pilot in ein Produktivsystem überführen wollen. Die Infrastruktur für Agentic AI ist keine andere Kategorie als die Infrastruktur für herkömmliche KI-Datenpipelines. Es ist dasselbe Fundament, mit deutlich höheren Anforderungen an Metadaten-Performance, Parallelität, Unveränderlichkeit und Governance. Unternehmen, die bereits in skalierbaren, metadatenreichen, unveränderlichen Object Storage investiert haben, sind gut aufgestellt, um dieses Fundament auf agentische Workloads auszuweiten. Alle anderen stoßen genau in dem Moment auf den Speicherengpass, in dem ihre Agentic-AI-Bereitstellungen echtes Potenzial zeigen. Das Modell ist der sichtbare Teil von Agentic AI. Ob es tatsächlich skaliert, entscheidet die Speicherebene. Weiterführende Artikel KI-Datenpipelines: Architektur, Phasen und Best Practices Multidimensionale Skalierung für KI- und Cloud-Speicher (auf Englisch) Tiered Storage für KI: skalierbare Performance und Kostenkontrolle KI- und ML-Workloads mit Object Storage bewältigen (auf Englisch) 5 KI-Anwendungsfälle in Unternehmen auf Basis von Object Storage Was ist unveränderlicher Speicher? Definition, Vorteile und Funktionsweise Multi-Cloud-Speicher: Architektur, Vorteile und Strategie (auf Englisch) Datenschutz, Datensouveränität und Datensicherung (auf Englisch) Was ist ein KI-Rechenzentrum? Anwendungsfälle für Object Storage (auf Englisch) Erfahren Sie, wie Scality RING Agentic-AI-Workloads in Unternehmen unterstützt – von Metadatenoperationen mit hoher Parallelität bis zu unveränderlichen, von Agenten geschriebenen Daten im Petabyte-Maßstab. Persönliche Demo anfordern →
