7 Diskussionen über KI-Infrastruktur drehen sich meist um GPUs, Beschleuniger und Modelle. Doch je mehr KI in Unternehmen in den Produktivbetrieb übergeht, desto wichtiger wird die Speicherarchitektur unter diesen Rechenressourcen. Trainingsdatensätze können Milliarden von Objekten umfassen. Pipelines für Retrieval-Augmented Generation (RAG) nehmen fortlaufend Unternehmensinformationen auf und rufen sie ab. Inferenz erzeugt zusätzliche Daten, die womöglich aufbewahrt, analysiert oder in künftige Modelle zurückgespielt werden müssen. Gleichzeitig müssen Unternehmen geistiges Eigentum schützen, kontrollieren, wo sensible Informationen liegen, und bei wachsenden Datenmengen die Infrastrukturkosten im Griff behalten. Aus diesen Anforderungen ist ein eigener Markt für KI-Speicheranbieter entstanden: Anbieter, die Speicher- und Dateninfrastruktur für große, leistungskritische KI-Datensätze entwickeln. Den einen besten KI-Speicheranbieter für jede Umgebung gibt es nicht. Die richtige Wahl hängt davon ab, wo KI läuft, wie viele Daten im Spiel sind, welche Leistung erforderlich ist, welche Anforderungen an die Datensicherung bestehen und wie die Infrastruktur skalieren muss. Hier sind einige der Anbieter, auf die Infrastrukturteams bei der Bewertung von Speicher für KI in Unternehmen voraussichtlich stoßen werden. Was ist KI-Speicher? KI-Speicher ist Dateninfrastruktur, die darauf ausgelegt ist, die in KI- und Machine-Learning-Workflows genutzten Datensätze zu speichern, zu schützen und bereitzustellen. Diese Datensätze bestehen häufig überwiegend aus unstrukturierten Daten wie Dokumenten, Bildern, Videos, Audio, Logs, wissenschaftlichen Daten und Modellartefakten. KI-Speicher muss daher sowohl sehr große Kapazitäten als auch stark schwankende Zugriffsmuster bewältigen. Ein typischer KI-Datenlebenszyklus kann Folgendes umfassen: Datenaufnahme → Aufbereitung → Training → Checkpointing → Inferenz → Aufbewahrung → Wiederverwendung Jede Phase kann andere Anforderungen an den Speicher stellen. Training kann einen extrem hohen Durchsatz erfordern, damit GPU-Cluster ständig mit Daten versorgt werden. RAG-Anwendungen benötigen womöglich Zugriff auf riesige Bestände an Unternehmensinformationen. Checkpoints und Modellartefakte brauchen zuverlässigen Speicher und Schutz. Ältere Datensätze können für erneutes Training oder Governance wertvoll bleiben, auch wenn sie keine Hochleistungsmedien mehr benötigen. Damit ist die KI-Speicherarchitektur ebenso eine Frage des Lebenszyklus wie eine Frage der Leistung. Worauf sollten Sie bei einem KI-Speicheranbieter achten? Benchmark-Ergebnisse sind nützlich, sollten aber nicht das einzige Kriterium sein, wenn Sie die besten KI-Speicheranbieter vergleichen. Infrastrukturteams sollten mehrere Eigenschaften bewerten. 1. Skalierbarkeit mit wachsenden KI-Datensätzen KI-Datensätze können schnell und unvorhersehbar wachsen. Der Speicher sollte daher über die Anforderungen des ersten KI-Projekts hinaus skalieren, ohne Unternehmen zu störenden Migrationen oder einer Neugestaltung der Architektur zu zwingen. In großen Unternehmensumgebungen kann das bedeuten, von Petabytes auf Dutzende oder Hunderte Petabyte und unter Umständen auf Exabytes zu skalieren. Auch die Möglichkeit, Kapazität unabhängig von Rechenleistung oder Performance zu skalieren, kann mit der Weiterentwicklung der KI-Umgebung wichtig werden. 2. Datenzugriff mit hohem Durchsatz Teure GPU-Infrastruktur sollte ihre Zeit mit der Verarbeitung von Daten verbringen, nicht mit dem Warten auf den Speicher. KI-Speichersysteme benötigen ausreichenden Gesamtdurchsatz und genügend Parallelität, um große GPU-Cluster zu versorgen und gleichzeitig andere Aufgaben wie Datenaufnahme, Checkpointing und Analytik zu bewältigen. Neue Ansätze wie direkte Datenpfade zwischen GPU und Speicher sowie S3 over RDMA verringern zudem den Overhead zwischen Objektspeicher und beschleunigter Rechenleistung. 3. Unterstützung für unstrukturierte Daten Ein erheblicher Teil der für KI relevanten Unternehmensinformationen ist unstrukturiert. Dokumente, Bilder, Videos, medizinische Bilddaten, Sensordaten und maschinell erzeugte Daten sind gängige Eingaben für KI-Systeme. Objektspeicher ist deshalb zu einem wichtigen Bestandteil privater KI-Infrastruktur geworden, weil er einen skalierbaren Namespace und ein S3-Zugriffsmodell für sehr große unstrukturierte Datensätze bietet. 4. Flexibilität im Datenlebenszyklus Nicht jedes Byte in einer KI-Umgebung benötigt dasselbe Speichermedium. Aktive Trainingsdaten können Flash rechtfertigen. Große Bestände für RAG oder künftiges Training passen womöglich auf kapazitätsorientierten Speicher. Ältere Datensätze können schließlich auf kälteren Speicher wandern und dabei für Governance oder Wiederverwendung verfügbar bleiben. Speicherplattformen, die verschiedene Leistungs- und Kapazitätsstufen abdecken, können Unternehmen helfen, nicht jeden KI-Datensatz auf dem teuersten Medium zu speichern. 5. Cyber-Resilienz KI-Datensätze können über Jahre angesammeltes geistiges Eigentum darstellen. Trainingsdaten, proprietäre Modelle und Wissensbestände des Unternehmens benötigen daher dasselbe Schutzniveau wie andere kritische Geschäftsinformationen. Infrastrukturteams sollten neben der Leistung auch Unveränderlichkeit, Verschlüsselung, Authentifizierung, Datenintegrität, den Schutz von Fehlerdomänen und die Wiederherstellungsfähigkeiten bewerten. 6. Datensouveränität und Kontrolle Unternehmen, die private KI-Infrastruktur betreiben, müssen unter Umständen genau wissen, wo ihre Daten liegen und wer darauf zugreifen kann. Das ist besonders für regulierte Branchen, Behörden und Unternehmen relevant, die in mehreren Rechtsräumen tätig sind. Softwaredefinierter Speicher auf einer vom Unternehmen kontrollierten Infrastruktur kann eine Alternative dazu sein, sensible KI-Datensätze ausschließlich in Public-Cloud-Umgebungen abzulegen. Die besten KI-Speicheranbieter 2026 im Überblick Die folgenden Anbieter stehen für unterschiedliche Ansätze beim Thema KI-Speicher. Manche setzen auf maximale Flash-Leistung, andere auf großen Objektspeicher, einheitliche Datenplattformen oder Unternehmensinfrastruktur. 1. Scality Am besten geeignet für: KI-Umgebungen in Unternehmen, die skalierbaren Objektspeicher, flexible Infrastruktur und die langfristige Verwaltung großer unstrukturierter Datensätze benötigen. Scality entwickelt softwaredefinierte Dateninfrastruktur für Unternehmen, die im Maßstab von mehreren Petabyte bis Exabyte arbeiten. Das Portfolio umfasst Scality ADI, RING und ARTESCA, wobei Objektspeicher die Grundlage für große unstrukturierte Datensätze und KI-Datenpipelines bildet. Scality ADI ist auf die sich wandelnden Speicheranforderungen von KI in Unternehmen ausgelegt. Seine Architektur kann unterschiedliche Speichermedien und Leistungsmerkmale den Phasen des Datenlebenszyklus zuordnen, statt Unternehmen zu zwingen, jeden Datensatz auf einer einzigen Speicherebene vorzuhalten. Für leistungskritische KI-Workloads unterstützt Scality GPU-direkten Datenzugriff mit S3 over RDMA. Gleichzeitig kann die Architektur Flash, HDD und Band umfassen, sodass Unternehmen große Datensätze aufbewahren können, ohne alle KI-Daten dauerhaft als „heiß“ zu behandeln. Die softwaredefinierte Architektur von Scality trennt zudem die Speichersoftware von proprietärer Hardware und gibt Infrastrukturteams mehr Freiheit bei der Wahl von Servern und Medien. Zu den wichtigsten Funktionen gehören: Skalierbarkeit von mehreren Petabyte bis Exabyte S3-Objektspeicher für große unstrukturierte Datensätze GPU-direkte Leistung mit S3 over RDMA Unabhängige Skalierung von Infrastrukturressourcen Unterstützung für Flash, HDD und Band über den gesamten Datenlebenszyklus Integrierte Cyber-Resilienz-Funktionen Autonomer Infrastrukturbetrieb Unterstützung für private und souveräne KI-Umgebungen Scality ist besonders dann relevant, wenn KI Teil einer umfassenderen Datenstrategie im Unternehmen ist und sehr große Datensätze über lange Zeiträume aufbewahrt, geschützt und wiederverwendet werden müssen. 2. VAST Data (auf Englisch) Am besten geeignet für: Große KI- und HPC-Umgebungen, die Wert auf leistungsstarke Flash-Infrastruktur und eine einheitliche Datenplattform legen. VAST Data wird mit seiner Flash-basierten, disaggregierten Architektur eng mit KI-Infrastruktur im großen Maßstab verbunden. Die Plattform vereint Speicher- und Datendienste in einer einheitlichen Architektur und ist darauf ausgelegt, hohen Durchsatz und geringe Latenz für GPU-intensive Workloads zu liefern. Dank des disaggregierten Designs lassen sich Kapazitäts- und Verarbeitungsressourcen getrennt skalieren, was in großen KI-Clustern mit sich ändernden Infrastrukturanforderungen nützlich sein kann. VAST ist ein starker Kandidat für Unternehmen, die leistungsstarke KI-Umgebungen aufbauen, in denen Flash-Leistung, GPU-Auslastung und eine einheitliche Datenarchitektur im Vordergrund stehen. 3. WEKA (auf Englisch) Am besten geeignet für: GPU-intensives KI-Training und HPC-Workloads, die eine sehr hohe Speicherleistung erfordern. WEKA konzentriert sich stark auf leistungskritische KI- und High-Performance-Computing-Umgebungen. Die Architektur ist darauf ausgelegt, Datenzugriff mit geringer Latenz und hohem Durchsatz über große GPU-Cluster hinweg zu liefern. WEKA unterstützt Datei- und Objektzugriff und wird häufig in Verbindung mit hochdichter, beschleunigter Recheninfrastruktur positioniert. Unternehmen, die große Modelle trainieren oder GPU-lastige KI-Infrastruktur betreiben, ziehen WEKA womöglich in Betracht, wenn die Speicherleistung zu den wichtigsten Architekturanforderungen gehört. Abzuwägen ist dabei, ob der gesamte KI-Datenlebenszyklus dieselben Leistungsmerkmale erfordert wie die aktive Trainingsebene. Große Unternehmen benötigen womöglich zusätzlich kapazitätsorientierte Infrastruktur für den weit größeren Datenbestand rund um die aktiven Trainingsdatensätze. 4. Everpure (auf Englisch) Am besten geeignet für: Unternehmen, die All-Flash-Speicher mit hoher Leistung und vereinfachter Infrastrukturverwaltung suchen. Everpure, ehemals Pure Storage, bietet Flash-basierte Speicher- und Datenmanagement-Infrastruktur für KI-Workloads in Unternehmen. Die FlashBlade-Plattform unterstützt hochparallele Datei- und Objekt-Workloads in KI-, Analyse- und HPC-Umgebungen. Die Architektur ist darauf ausgelegt, hohen Durchsatz und hohe Parallelität für datenintensive Anwendungen zu liefern, einschließlich GPU-basierter KI-Infrastruktur. Everpure kann eine starke Option für Unternehmen sein, die Wert auf Flash-Leistung, einfachen Betrieb und ein unterbrechungsfreies Lebenszyklusmanagement der Infrastruktur legen. Bei sehr großen KI-Datenbeständen sollten Infrastrukturteams auch die Kosten bedenken, die entstehen, wenn Daten über ihren gesamten Lebenszyklus auf Flash bleiben – insbesondere, wenn große Teile des Datensatzes keine maximale Leistung benötigen. 5. Cloudian (auf Englisch) Am besten geeignet für: Unternehmen, die S3-kompatiblen Objektspeicher für große KI-Datensätze suchen. Cloudian bietet Scale-out-Objektspeicher auf Basis seiner HyperStore-Plattform und hat seine Positionierung in Richtung KI-Infrastruktur erweitert. Die Architektur legt den Schwerpunkt auf S3-Kompatibilität, unstrukturierte Daten im großen Maßstab und On-Premises-Bereitstellung. Cloudian unterstützt zudem direkten Speicherzugriff für GPU-Umgebungen mit RDMA-basierter Technologie. Für Unternehmen, die Objektspeicher als persistente Datenschicht hinter KI-Pipelines in Betracht ziehen, ist Cloudian eine weitere Option am Markt. Weitere KI-Speicheranbieter Der Markt für KI-Speicher reicht über diese fünf Anbieter hinaus. Dell Technologies, HPE, IBM und NetApp bieten alle Speicherplattformen für Unternehmen, die Teil einer KI-Infrastruktur sein können. Hyperscale-Cloud-Anbieter wie AWS, Microsoft Azure und Google Cloud bieten zudem umfangreiche Objekt-, Datei- und Datendienste für Cloud-basierte KI-Workloads. Welche Anbieter auf die Shortlist gehören, hängt stark von der geplanten Architektur ab. Eine Cloud-native KI-Anwendung spricht womöglich für Speicherdienste von Hyperscalern. Ein großes GPU-Trainingscluster priorisiert eher leistungsstarken parallelen Speicher. Eine private KI-Plattform im Unternehmen legt womöglich mehr Wert auf skalierbaren Objektspeicher, Souveränität, Cyber-Resilienz und die langfristige Wirtschaftlichkeit der Daten. KI-Speicheranbieter im Vergleich AnbieterArchitekturschwerpunktBesonders geeignet fürScalitySoftwaredefinierte Objekt-/DateninfrastrukturKI in Unternehmen, private KI, große unstrukturierte Datensätze, langfristiger KI-DatenlebenszyklusVAST DataEinheitliche Flash-basierte DatenplattformGroße GPU-Cluster, KI und HPCWEKALeistungsstarke parallele DatenplattformGPU-intensives Training und HPCPure StorageAll-Flash-Datei- und ObjektspeicherKI in Unternehmen mit hohen Anforderungen an die Flash-LeistungCloudianScale-out-S3-ObjektspeicherGroße On-Premises-KI-Datensätze Dieser Vergleich zeigt auch, warum es irreführend sein kann, KI-Speicher allein nach dem Spitzendurchsatz zu bewerten. Die leistungsstärkste Speicherebene ist nur ein Baustein einer KI-Datenarchitektur. Objektspeicher und der KI-Datenlebenszyklus Eine der wichtigsten Veränderungen in der KI-Infrastruktur ist die wachsende Rolle von Objektspeicher. In der Vergangenheit stützten sich leistungsstarke KI- und HPC-Umgebungen stark auf parallele Dateisysteme. Diese Systeme bleiben wertvoll für Workloads, die extrem geringe Latenz und intensiven Zugriff auf kleine Dateien erfordern. Doch die Datenmenge rund um KI-Workloads wächst weit über den aktiven Trainingsdatensatz hinaus. KI in Unternehmen kann auf Dokumente, Bilder, Videos, Telemetrie, Forschungsdaten und Geschäftsunterlagen aus vielen Jahren zurückgreifen. RAG-Architekturen erhöhen zusätzlich den Wert großer Bestände an Unternehmensinformationen, die Anwendungen bei Bedarf abrufen können. Objektspeicher bietet für diese Umgebung mehrere nützliche Eigenschaften: Enorm skalierbarer Namespace Effiziente Speicherung unstrukturierter Daten S3-API-Kompatibilität Metadaten für einzelne Objekte Unabhängige Skalierung der Kapazität Hohe Haltbarkeit Integration mit Cloud-nativen Anwendungen Flexible Wirtschaftlichkeit im großen Maßstab Das heißt nicht, dass jeder KI-Workload vollständig auf Objektspeicher laufen sollte. Vielmehr müssen Infrastrukturarchitekten zunehmend festlegen, wo verschiedene Speichertechnologien in die gesamte KI-Datenpipeline passen. KI-Speicherleistung vs. Wirtschaftlichkeit von KI-Daten Eine der zentralen Designentscheidungen in der KI-Infrastruktur ist die Frage, wie viele Daten tatsächlich den schnellstmöglichen Speicher benötigen. Nehmen wir ein Unternehmen mit 50 PB an KI-relevanten Daten. Womöglich ist zu einem bestimmten Zeitpunkt nur ein Teil davon aktiv am Modelltraining beteiligt. Ein anderer Teil unterstützt womöglich RAG oder Inferenz. Große Mengen können aus historischen Trainingsdaten, früheren Modellversionen, Checkpoints oder für die künftige Nutzung aufbewahrten Datensätzen bestehen. Die gesamten 50 PB auf Premium-Flash zu legen, mag hervorragende Leistung bringen, kann aber unnötige Infrastrukturkosten und unnötigen Stromverbrauch verursachen. Die Alternative ist eine Datenarchitektur, die Speicherressourcen an die Workload-Anforderungen anpasst. Heiße Trainingsdaten können auf Hochleistungsmedien liegen. Größere persistente Datensätze können kapazitätsorientierten Speicher nutzen. Ältere Informationen können auf kältere Medien wechseln und dabei Teil des gesteuerten KI-Datenbestands des Unternehmens bleiben. Dieser Ansatz wird immer wichtiger, je mehr sich KI-Bereitstellungen von Einzelprojekten hin zu einer gemeinsamen Unternehmensinfrastruktur entwickeln. Fragen an KI-Speicheranbieter Bevor sie sich für einen KI-Speicheranbieter entscheiden, sollten Infrastrukturteams die Architektur anhand des tatsächlichen Datenlebenszyklus prüfen und nicht anhand eines einzelnen Benchmarks. Hilfreiche Fragen sind: Wie skaliert die Plattform, wenn der Datensatz um das 10-Fache wächst? Lassen sich Kapazität und Leistung unabhängig voneinander skalieren? Wie verhält sich das System bei Milliarden von Objekten und vielen gleichzeitig zugreifenden Clients? Welche Protokolle werden unterstützt, darunter S3, NFS und POSIX? Können GPUs effizient auf Daten zugreifen, ohne unnötigen CPU- oder Netzwerk-Overhead? Wie werden inaktive Datensätze behandelt? Lassen sich innerhalb der Architektur unterschiedliche Speichermedien nutzen? Welche Schutzmechanismen gibt es gegen Ransomware und versehentliches Löschen? Wie wahrt das System die Datenintegrität bei Hardwareausfällen? Kann die Infrastruktur vollständig On-Premises betrieben werden, wenn die Souveränität dies erfordert? Ist das Unternehmen an proprietäre Speicherhardware gebunden? Wie entwickeln sich Speicherkosten und Stromverbrauch, wenn die Umgebung Dutzende Petabyte erreicht? Diese Fragen ergeben ein realistischeres Bild der langfristigen Eignung als der Spitzendurchsatz allein. Welcher KI-Speicheranbieter ist der beste? Der beste KI-Speicheranbieter hängt vom Workload ab. Unternehmen, die extrem leistungsintensive GPU-Cluster aufbauen, bevorzugen womöglich Anbieter wie VAST Data, WEKA oder Pure Storage. Unternehmen, die große S3-basierte KI-Datenbestände aufbauen, prüfen womöglich Scality und Cloudian neben Objektspeicherdiensten in der Cloud. Für Unternehmen, die private KI im Maßstab von mehreren Petabyte oder Exabyte betreiben, wird die Entscheidung umfassender. Leistung bleibt wichtig, doch ebenso zählen Cyber-Resilienz, Souveränität, Hardware-Flexibilität, betriebliche Komplexität und die Wirtschaftlichkeit der Aufbewahrung schnell wachsender Datensätze. Die wirksamste KI-Speicherarchitektur ist daher wahrscheinlich diejenige, die den gesamten Lebenszyklus von KI-Daten im Unternehmen unterstützt und zugleich die passende Leistung dort bereitstellt, wo sie tatsächlich benötigt wird.
