4 In den vergangenen zwei Jahren drehte sich die Diskussion über KI-Infrastruktur vor allem um den Aufstieg großer Sprachmodelle (LLMs) mehrerer bekannter Anbieter, darunter OpenAI, Anthropic, Meta und andere. Das hat eine massive Nachfrage nach GPU-Ressourcen für Training und Inferenz ausgelöst – bei Hyperscaler-Clouds und bei einer neuen Generation von Anbietern, den sogenannten Neoclouds. Doch Unternehmen, die KI bereits produktiv betreiben, stellen fest, dass die Skalierung von KI von einer anderen Herausforderung abhängt. Es ist nicht nur ein Problem der Rechenleistung. Bei produktiver KI liegt das Problem in der Datenpipeline selbst. Eine neue unabhängige Studie von Freeform Dynamics auf Basis einer Umfrage unter 504 leitenden IT- und Datenverantwortlichen zeigt, wie Unternehmen, die bereits private KI-Umgebungen– mitunter auch als souveräne KI bezeichnet – betreiben, tatsächlich Infrastruktur für produktive Workloads aufbauen. Die Befragten stammen aus mittleren bis großen Unternehmen verschiedener Branchen, darunter Finanzdienstleistungen, Fertigung, Gesundheitswesen und Life Sciences, professionelle Dienstleistungen, öffentliche Verwaltung sowie Medien und Unterhaltung. Die meisten vertreten Organisationen mit mehr als 1.000 Mitarbeitenden in den USA, Großbritannien, Frankreich und Deutschland. Die vollständigen Ergebnisse finden Sie im Umfragebericht von Freeform Dynamics: Storage Infrastructure for Enterprise AI: Lessons from Seasoned Adopters on Building Scalable Sovereign Environments. Was die Studie zeigt Bei Unternehmen, die KI bereits produktiv betreiben, zeichnen sich drei klare Muster ab. Die Engpässe der KI-Infrastruktur verlagern sich über GPUs hinaus. Speicher-Performance und Datenbewegung werden ebenso entscheidend, um den Durchsatz in produktiven Pipelines aufrechtzuerhalten. Object Storage ist in KI-Umgebungen bereits weit verbreitet. Die Umfrage bestätigt einen Trend, über den die Branche seit einem Jahr spricht: Object Storage fungiert in vielen produktiven Architekturen als grundlegende Ebene. Mehrstufige Infrastrukturmodelle werden zur betrieblichen Norm: Schneller Speicher für aktive Workloads wird mit skalierbaren Kapazitätsebenen für persistente KI-Daten kombiniert. Zusammen deuten diese Ergebnisse auf eine übergeordnete Schlussfolgerung hin: Ob KI erfolgreich skaliert, hängt davon ab, wie wirksam Unternehmen Daten über den gesamten KI-Lebenszyklus hinweg verwalten und operativ nutzbar machen. Die Infrastruktur, nicht nur die GPUs, wird zum Engpass Die öffentliche Erzählung über KI-Infrastruktur konzentriert sich noch immer stark auf die Knappheit von Rechenressourcen, doch Unternehmen, die bereits KI-Workloads betreiben, berichten von einem breiteren Spektrum an Infrastrukturbelastungen. Laut der Studie von Freeform Dynamics: 57 % priorisieren die Speicher-Performance, um KI-Engpässe zu vermeiden 54 % nennen die Verfügbarkeit von Rechenleistung oder GPUs 52 % nennen die Netzwerkbandbreite Diese Ergebnisse bestätigen eine sich abzeichnende Realität. Mit zunehmender Skalierung von KI-Workloads müssen Infrastrukturteams eine kontinuierliche Datenbewegung über Training, Inferenz und operative Pipelines hinweg unterstützen. GPUs bleiben unverzichtbar, doch produktive KI-Umgebungen sind ebenso auf Systeme angewiesen, die Daten über den gesamten Lebenszyklus bereitstellen, verarbeiten, steuern, schützen und wiederverwenden können. Für Infrastrukturteams verlagert sich die Diskussion damit von der reinen Rechenkapazität hin zur Architektur der gesamten Datenpipeline. Ein zentrales Ergebnis: Object Storage ist grundlegend für KI-Infrastruktur Eines der deutlichsten Signale der Umfrage von Freeform Dynamics ist, wie konsequent Object Storage in produktiven KI-Umgebungen auftaucht. Wenn Unternehmen vom Experimentieren zur produktiven KI übergehen, drehen sich Infrastrukturentscheidungen zunehmend darum, wie Daten über die Pipeline hinweg gespeichert, bereitgestellt und wiederverwendet werden. Die Umfrageergebnisse bestätigen, was viele Infrastrukturteams in der Praxis bereits beobachtet haben. Unternehmen, die private KI produktiv betreiben: 91 % berichten von einer nennenswerten Nutzung von Object Storage 44 % nutzen ihn in großem Umfang 47 % nutzen ihn in erheblichem Umfang Object Storage weist die höchste Gesamtverbreitung unter den Speicherarchitekturen auf – knapp vor dateibasiertem Speicher und deutlich vor blockbasiertem Speicher. Wichtig: Die Umfrageergebnisse legen nicht nahe, dass Object Storage andere Speichertypen ersetzt. Vielmehr fungiert er als grundlegende Ebene in mehrstufigen Architekturen, in denen verschiedene Speichertechnologien unterschiedliche Performance- und Workload-Anforderungen bedienen. Dateisysteme und andere schnelle Stufen bedienen weiterhin aktive Workloads, während Object Storage skalierbare Kapazität für persistente und wiederverwendbare Daten über den gesamten KI-Lebenszyklus bereitstellt. Mehrstufige Architekturen sind die betriebliche Realität Die Studie zeigt außerdem, wie Unternehmen ihre Infrastruktur weiterentwickeln, um KI zu unterstützen. Viele Unternehmen bauen keine völlig neuen Umgebungen von Grund auf. Stattdessen passen sie bestehende Systeme an und erweitern sie, während sie bei Bedarf neue Komponenten einführen. Die Umfrageergebnisse zeigen: 44 % passen bestehende Recheninfrastruktur für KI an 42 % passen bestehende Speicherinfrastruktur an 40 % bauen eigens dafür ausgelegte Rechenumgebungen auf 39 % bauen eigens dafür ausgelegte Speicherinfrastruktur auf Diese Mischung spiegelt wider, wie sich produktive KI-Umgebungen in der Praxis typischerweise entwickeln. Statt Greenfield-Bereitstellungen setzen viele Unternehmen KI-Workloads auf bestehende Infrastruktur auf und bauen zugleich spezialisierte Komponenten für die Skalierung. In der Praxis entstehen so mehrstufige Architekturen, die Folgendes kombinieren: Schnelle Speicherstufen für aktive Trainings- und Inferenz-Workloads Skalierbare Object-Storage-Stufen für persistente Datensätze und wiederverwendbare Modelleingaben Diese Architekturen setzen auf Einfachheit, betriebliche Planbarkeit und langfristige Skalierbarkeit. Produktive KI erfordert neue Datenfähigkeiten Mit zunehmender Reife dieser Umgebungen stoßen Unternehmen auf neue betriebliche Herausforderungen beim Datenmanagement. Laut der Studie: 40 % nennen den Umgang mit Metadaten im großen Maßstab als Engpassrisiko 38 % berichten von Schwierigkeiten bei der Unterstützung gemischter Workloads Diese Ergebnisse verdeutlichen die betriebliche Komplexität moderner KI-Pipelines. Trainings-Pipelines, Inferenz-Workloads, Datenaufnahme und Governance stellen jeweils unterschiedliche Anforderungen an die Infrastruktur. Erfolgreiche KI-Umgebungen müssen Folgendes unterstützen: Datenaufnahme mit hohem Durchsatz für das Training Zugriff mit niedriger Latenz für die Inferenz Governance und Lifecycle-Management für wiederverwendbare Datenbestände KI-Systeme arbeiten nicht als isolierte Rechenjobs. Sie arbeiten als Datenpipelines, die Daten über den gesamten Lebenszyklus fortlaufend aufnehmen, verarbeiten und wiederverwenden. KI-Infrastruktur aus Sicht der Datenplattform Die in dieser Studie vertretenen Unternehmen betreiben KI bereits in echten Produktionsumgebungen, und ihre Erfahrung führt zu einer klaren Schlussfolgerung: Erfolgreiche KI-Skalierung erfordert eine Infrastruktur, die um die Datenpipeline herum konzipiert ist – nicht nur um die Rechenebene. Da KI zunehmend inferenzgetrieben und in operative Systeme eingebettet ist, setzen Unternehmen auf Plattformen, die Daten nah an der Rechenleistung halten, sie über den gesamten Lebenszyklus verwalten und planbare Performance im großen Maßstab bieten. Deshalb laufen viele produktive KI-Umgebungen auf einfache, mehrstufige Architekturen mit objektbasierten Datenfundamenten hinaus. Die Daten definieren das Problem.Die Plattform entscheidet, wer skaliert. Die vollständigen Studienergebnisse und architektonischen Erkenntnisse finden Sie im Umfragebericht von Freeform Dynamics zum Download: Storage Infrastructure for Enterprise AI: Lessons from Seasoned Adopters on Building Scalable Sovereign Environments.
