6 KI in Unternehmen bewegt sich vom isolierten Experiment in produktive Workflows. Doch dieser Wandel sieht in jeder Branche anders aus. Ein Krankenhaus, das KI zur Unterstützung der diagnostischen Bildgebung einsetzt, hat ein anderes Risikoprofil als eine Bank, die KI zur Betrugserkennung nutzt. Ein Hersteller, der Sensordaten aus Fabrikanlagen analysiert, hat andere Anforderungen an Latenz und Datenbewegung als eine Behörde im öffentlichen Sektor, die KI in Bürgerdienste integriert. Die Anwendungsfälle unterscheiden sich, doch die Lehre für die Infrastruktur ist dieselbe: Der Erfolg von KI hängt von der Datenebene ab. Wenn KI vom Experiment in die Produktion übergeht, stellen Unternehmen fest, dass die Skalierung von KI im Kern eine Herausforderung der Dateninfrastruktur ist. Modelle, GPUs und Anwendungen sind wichtig, doch produktive KI hängt letztlich davon ab, wie wirksam Daten über den gesamten KI-Lebenszyklus gespeichert, bewegt, gesteuert, geschützt und bereitgestellt werden. Das ist eine der klarsten Erkenntnisse einer unabhängigen Studie von Freeform Dynamics (auf Englisch), , die auf Angaben von 504 leitenden IT- und Datenexperten aus mittelgroßen und großen Unternehmen beruht, die private KI einsetzen. Die Studie Storage Infrastructure for Enterprise AI: Lessons from Seasoned Adopters on Building Scalable Sovereign Environmentsbefasste sich mit den Anforderungen an die Speicherinfrastruktur für private KI-Implementierungen in Rechenzentren oder gehosteten Umgebungen, in denen Unternehmen den Infrastruktur-Stack kontrollieren. Die Ergebnisse zeigen, dass private KI zu einer Entscheidung über die Produktionsinfrastruktur wird und nicht nur eine Modellstrategie ist. Über die gesamte Umfrage hinweg gaben 81 % der Befragten an, dass private KI auf Basis selbst kontrollierter Infrastruktur entscheidend für den Erfolg ist, darunter 43 %, für die das voll zutrifft, und 38 %, für die es teilweise zutrifft. Das heißt nicht, dass die Public Cloud aus der KI in Unternehmen verschwindet. Hybride Modelle bleiben verbreitet, und Cloud-Dienste werden weiterhin eine wichtige Rolle spielen. Doch wenn Unternehmen KI in geschäftskritische Umgebungen ausweiten, entscheiden sie bewusster, wo Daten und Workloads liegen sollen. Für viele hat Kontrolle Priorität: Kontrolle über den Speicherort der Daten, den Zugriff auf Modelle, Governance, Leistung, Resilienz, Kosten und Compliance. Diese Anforderungen sind besonders wichtig in regulierten und datenintensiven Branchen, in denen sich KI nicht von der Infrastruktur trennen lässt, die sie speist, schützt und steuert. Ein Blick auf die Ergebnisse nach Branchen macht das noch deutlicher. Jede Branche führt KI aus dem Blickwinkel ihrer eigenen Workflows, Risikoprofile und Datentypen ein. Doch branchenübergreifend tauchen immer wieder dieselben Fragen zur Infrastruktur auf. Wo liegen die Daten? Wie werden sie geschützt? Wie schnell kann man auf sie zugreifen? Wie bewegen sie sich durch die Pipeline? Und wie bleiben sie über die Zeit nutzbar? KI in Unternehmen ist nicht ein einzelner Workload Ein Großteil der öffentlichen Diskussion über KI dreht sich noch immer um generative KI und große Sprachmodelle. In Unternehmen ist das Bild breiter. Die Studie von Freeform Dynamics ergab, dass Unternehmen in einem breiten Spektrum von KI-Genres aktiv sind, darunter klassisches Machine Learning, durch RAG erweiterte Foundation-LLMs, feinabgestimmte oder angepasste Modelle, Computer Vision, Zeitreihen- und IoT-Analysen, Empfehlungs- und Personalisierungstechnologien sowie Edge- oder verteilte KI. Diese Vielfalt ist wichtig. In der Umfrage waren 68 % der Befragten in mindestens drei verschiedenen KI-Genres aktiv, 29 % in mindestens fünf. Jeder dieser Workloads stellt andere Anforderungen an die Infrastruktur: Training erfordert womöglich Zugriff mit hohem Durchsatz auf riesige Datensätze. Inferenz hängt womöglich von schnellem Zugriff auf Modelle, Vektorspeicher und Referenzdaten ab. Computer Vision erfordert einen effizienten Umgang mit großen Bild-Repositorys. Zeitreihen- und IoT-Analysen sind auf kontinuierliche Ströme von Betriebsdaten angewiesen. Durch RAG erweiterte LLMs benötigen vertrauenswürdigen Zugriff auf Unternehmensinhalte und Wissensquellen. Hier kommt der Branchenkontext ins Spiel. Unternehmen führen KI nicht abstrakt ein. Sie wenden sie auf konkrete Workflows, Datentypen und Geschäftsrisiken an. Gesundheitswesen und Life Sciences: Kontrollierte KI für sensible Daten mit hoher Tragweite Gesundheitseinrichtungen und Life-Sciences-Organisationen treiben KI voran, doch ihr Einführungsmuster ist zurückhaltender als in manchen anderen Branchen. Die Umfrage zeigt im Gesundheitswesen und in den Life Sciences eine starke Nutzung etablierter KI-Ansätze: Laut Bericht zeigen Organisationen aus Gesundheitswesen und Life Sciences eine deutlich geringere Nutzung von LLMs – vermutlich wegen Bedenken hinsichtlich schwankender Ergebnisse, Halluzinationen und regulatorischer Vorgaben. Zugleich ist Computer Vision in der diagnostischen Bildgebung bereits fest etabliert. Für Verantwortliche im Gesundheitswesen und in den Life Sciences lautet die Erkenntnis nicht, dass die Branche hinterherhinkt. Sie lautet, dass KI so eingesetzt werden muss, dass sie validiert, gesteuert und vertrauenswürdig ist. Diese Organisationen verwalten einige der sensibelsten und datenreichsten Umgebungen überhaupt – von Patientenakten und klinischen Notizen bis zu Bilddaten, Forschungsdatensätzen und genomischen Informationen. Wenn KI in Diagnostik, Betrieb, Forschung und Patientenkommunikation Einzug hält, muss die Infrastruktur mehr als reine Leistung bieten. Sie muss auch Zugriffskontrolle, Lebenszyklusmanagement, Datenintegrität, Aufbewahrung, Wiederherstellung und Nachvollziehbarkeit unterstützen. Im Gesundheitswesen und in den Life Sciences beginnt vertrauenswürdige KI mit einer vertrauenswürdigen Dateninfrastruktur. Finanzdienstleistungen: Fortgeschrittene KI im datengetriebenen Maßstab Finanzdienstleister bauen seit Jahrzehnten auf Daten, Analytik und Automatisierung. Diese Geschichte zeigt sich in der Umfrage deutlich. Unter den Befragten aus der Finanzbranche zeigten die Umfragedaten: Das deutet auf eine ausgereifte und ausgewogene KI-Strategie hin. Finanzinstitute führen neuere LLM-basierte Ansätze für Wissensmanagement und Entscheidungsunterstützung ein und setzen weiterhin auf Machine Learning für etablierte Anwendungsfälle wie Betrugserkennung, Risikomodellierung, algorithmischen Handel, Kundensegmentierung, Marketing und Kundenbindung. Es steht viel auf dem Spiel für die Infrastruktur. Finanzdienstleister müssen schnell handeln, aber nicht nachlässig. KI-Systeme sind oft auf große Mengen an Transaktions-, Markt-, Kunden- und Referenzdaten angewiesen. Latenz kann Entscheidungen beeinflussen. Datenqualität kann Risiken beeinflussen. Sicherheit, Resilienz, Nachvollziehbarkeit und regulatorische Compliance stehen stets im Blick. Für Finanzinstitute geht es bei privater KI nicht nur um die Einführung fortschrittlicher Modelle. Es geht darum, sie in Datenumgebungen zu operationalisieren, die Echtzeit-Erkenntnisse liefern, ohne die Kontrolle zu gefährden. Fertigung: Operative KI vom Edge bis zum Core Die KI-Geschichte der Fertigung ist stark operativ geprägt. KI ist zunehmend an physische Systeme, Produktionsumgebungen, Daten aus der Werkshalle und die Abwicklung der Lieferkette gebunden. Die Umfrage zeigt eine breite Einführung von KI unter den Befragten aus der Fertigung: Diese Ergebnisse spiegeln die große Bandbreite an KI-Anwendungsfällen wider, die in der Fertigung bereits entstehen. Laut Bericht nutzen Hersteller seit Langem Computer Vision mit trainierten Modellen für die automatisierte Qualitätskontrolle, während Zeitreihenanalysen und Machine Learning fester Bestandteil von Produktionsmanagement, Optimierung der Lieferkette und vorausschauender Wartung geworden sind. Die Fertigung bringt zudem eine besondere Herausforderung für die Infrastruktur mit sich: KI muss über Edge- und Core-Umgebungen hinweg funktionieren. Daten können von Sensoren, Maschinen, Videofeeds, Inspektionssystemen, Logistikplattformen und Unternehmensanwendungen stammen. Manche Workloads erfordern eine schnelle Verarbeitung nahe an Anlagen oder Produktionslinien. Andere benötigen eine zentrale Analyse über Werke, Zulieferer und Regionen hinweg. Daraus ergibt sich ein anspruchsvolles Profil für Speicher und Datenmanagement. KI in der Fertigung braucht eine Infrastruktur, die verteilte Daten, gemischte Workloads, Metadaten im großen Maßstab, wachsende Video- und Sensordaten sowie Resilienz über betriebliche Umgebungen hinweg bewältigt. Für Hersteller geht es bei KI nicht nur um bessere Analysen. Sie wird Teil davon, wie der Betrieb läuft. Öffentlicher Sektor: Souveränität, Kontrolle und Kontinuität KI im öffentlichen Sektor wird von anderen Faktoren geprägt. Anwendungsfälle können Bürgerdienste, Aktenverwaltung, Verkehr, öffentliche Sicherheit, Leistungsverwaltung, Forschung oder auftragsbezogene Analysen umfassen. Viele dieser Bereiche betreffen sensible Daten, lange Aufbewahrungsfristen und hohe Erwartungen an die Kontinuität. Für Organisationen im öffentlichen Sektor beginnt das Argument für private KI oft bei Governance und Vertrauen. Teams brauchen Klarheit darüber, wo Daten liegen, wer darauf zugreifen kann, wie sie geschützt sind und wie Dienste wiederhergestellt werden, wenn etwas schiefgeht. Die übergreifenden Ergebnisse der Umfrage stützen diese Sicht. Im Bericht wird private KI als Modell definiert, bei dem KI-Workloads auf Infrastruktur laufen, die das Unternehmen kontrolliert – etwa im eigenen Rechenzentrum, in einer Colocation-Einrichtung oder in einer Bare-Metal-Hosting-Umgebung. Der Bericht stellt zudem fest, dass Anforderungen an Souveränität, Compliance und Datennähe den Einsatz privater Bereitstellungen vorantreiben. Das macht KI im öffentlichen Sektor nicht weniger ambitioniert. Es macht die Anforderungen an die Infrastruktur nur expliziter. KI-Systeme in diesen Umgebungen müssen gesteuert, resilient und nachvollziehbar genug sein, um das Vertrauen der Öffentlichkeit zu stützen. Die gemeinsame Lehre: Produktive KI hängt von der gesamten Datenpipeline ab Die Unterschiede zwischen den Branchen sind wichtig. Sie erklären, warum sich KI-Infrastruktur nicht auf Basis einer generischen Sicht auf das Unternehmen gestalten lässt. Doch die gemeinsame Lehre ist ebenso wichtig: Produktive KI braucht die gesamte Datenpipeline. Diese Pipeline umfasst Datenaufbereitung, Aufnahme, Training, Feinabstimmung, Inferenz, Modellspeicherung, Vektorspeicher, Referenzdaten, Schutz, Wiederherstellung und Lebenszyklusmanagement. Jede Phase kann andere Anforderungen an den Speicher stellen. Die Umfrage ergab: 86 % der Befragten erkennen an, dass verschiedene Phasen der KI-Pipeline unterschiedliche Speicheranforderungen haben. Auch die Speicherleistung wird zu einem wichtigen Thema. In der Studie gilt: 57 % der Befragten gaben an, sich stark darauf zu konzentrieren, dass die Speicherleistung nicht zum Engpass wird, wenn KI-Aktivitäten und Datenmengen wachsen. Das ist ein höherer Anteil als bei denjenigen, die sich auf die Verfügbarkeit von Rechenleistung/GPUs und Netzwerkbandbreite konzentrieren. Das ist ein nützliches Korrektiv zur GPU-zentrierten KI-Erzählung. Rechenleistung ist entscheidend, doch produktive KI hängt auch davon ab, wie effizient Unternehmen Modelle mit Daten versorgen, Daten zur Laufzeit abrufen, Pipelines schützen, sich nach Vorfällen erholen und Informationen über ihren gesamten Lebenszyklus steuern können. Objektspeicher wird zunehmend Teil dieses Fundaments. Über die gesamte Umfrage hinweg gilt: 91 % der Unternehmen nutzen Objektspeicher in nennenswertem Umfang für KI-Anwendungen und -Pipelines, 44 % davon umfassend und 47 % in beträchtlichem Maß. Das passt zur Realität der KI in Unternehmen. KI-Workloads umfassen oft riesige Mengen unstrukturierter Daten – Bilder, Dokumente, Logs, Sensordaten und Geschäftsunterlagen –, die über Tools, Teams und Pipeline-Phasen hinweg zugänglich bleiben müssen. In jeder Branche ist die Speicherebene der Ort, an dem Leistung, Resilienz, Souveränität und Lebenszykluskontrolle zusammenkommen. Der Erfahrungsvorsprung Die Umfrage zeigt auch, dass Erfahrung verändert, wie Unternehmen über KI-Infrastruktur denken. Erfahrene Anwender definieren ihre Anforderungen an KI-Speicher tendenziell früher im Projektlebenszyklus. Sie betrachten die gesamte KI-bezogene Datenpipeline, statt jede Phase als separates Infrastrukturproblem zu behandeln. Zudem bevorzugen sie deutlicher flexible Speicherplattformen gegenüber einzelnen Punktlösungen, um langfristige Relevanz und Rendite zu sichern. Diese Lehre wird wichtiger, je reifer KI-Programme werden. Viele Infrastrukturprobleme zeigen sich in frühen Pilotprojekten nicht. Sie treten auf, wenn KI-Projekte in die Produktion gehen, wenn mehr Teams von den Ergebnissen abhängen, wenn die Datenmengen wachsen, wenn Compliance-Anforderungen komplexer werden oder wenn mehrere KI-Workloads um dieselbe Infrastruktur konkurrieren. Gesundheitswesen und Life Sciences brauchen vertrauenswürdige Datenpipelines für sensible und regulierte Daten. Finanzdienstleister brauchen Geschwindigkeit, Skalierbarkeit, Resilienz und Nachvollziehbarkeit. Hersteller brauchen Architekturen vom Edge bis zum Core, die operative Erkenntnisse in Echtzeit unterstützen. Organisationen im öffentlichen Sektor brauchen Souveränität, Kontinuität und starke Governance. Die Anwendungsfälle unterscheiden sich, doch die Richtung ist dieselbe. KI wird zu einer Strategie für die Dateninfrastruktur. Branchenübergreifend behandeln die Unternehmen, die mit privater KI am erfolgreichsten sind, die Infrastruktur nicht als Nebensache. Sie planen für die gesamte Datenpipeline – von Aufnahme und Speicherung bis zu Governance, Schutz, Inferenz und langfristiger Wiederverwendung. Je stärker KI in die Geschäftsabläufe eingebettet wird, desto mehr wird die Fähigkeit, Daten über diesen Lebenszyklus zu verwalten, darüber entscheiden, wie erfolgreich Unternehmen KI skalieren. KI-Strategie wird zur Strategie für die Dateninfrastruktur Wenn KI in Unternehmen skaliert, werden sich die Gewinner nicht nur dadurch auszeichnen, wer das neueste Modell zuerst einführt. Sondern dadurch, wer KI sicher, zuverlässig und wiederholbar in realen Geschäftsumgebungen einsetzen kann. Das erfordert eine Infrastruktur, die auf Daten ausgerichtet ist: wo sie liegen, wie sie sich bewegen, wie sie gesichert sind, welche Leistung sie bringen, wie sie gesteuert und wie sie wiederhergestellt werden. Private KI gewinnt an Dynamik, weil viele Unternehmen dieses Maß an Kontrolle brauchen. Der Blick auf die Branchen macht das noch deutlicher. Jede Branche hat ihr eigenes Muster bei der Einführung von KI, doch die Anforderungen an die Infrastruktur nähern sich an. Im Gesundheitswesen, bei Finanzdienstleistungen, in der Fertigung und im öffentlichen Sektor hängt der Erfolg von KI zunehmend davon ab, Daten über den gesamten Lebenszyklus verwalten zu können – von Aufnahme und Speicherung bis zu Governance, Schutz, Inferenz, Wiederherstellung und langfristiger Wiederverwendung. Laden Sie den KI-Umfragebericht von Freeform Dynamics, Storage Infrastructure for Enterprise AI: Lessons from Seasoned Adopters on Building Scalable Sovereign Environmentsherunter und erfahren Sie, was über 500 Unternehmen mit privater KI bereits darüber gelernt haben, wie sich KI skalieren lässt und dabei Kontrolle, Resilienz und Governance erhalten bleiben. Verwandte Inhalte: Produktive KI ist ein Problem der Datenpipeline: Erkenntnisse aus 504 Unternehmen mit privater KI
