Der Grund für ins Stocken geratene KI-Projekte

Während Unternehmen weltweit darum wetteifern, KI einzuführen, hindern schwache Datenfundamente mehr als die Hälfte (58 %) der Organisationen in den Vereinigten Staaten und Kanada daran, einen Nutzen zu erzielen, und tragen zu geschätzten 108 Milliarden US-Dollar an verschwendeten globalen KI-Investitionen pro Jahr bei, wie aus einem Bericht von Hitachi Vantara hervorgeht. Der Grund liegt selten in schlechten Modellen oder mangelndem Ehrgeiz. 

KI-Modelle sind auf vernetzte und kontinuierlich verfügbare Daten angewiesen. Doch viele Unternehmen arbeiten nach wie vor mit in Silos organisierten Systemen, uneinheitlichen Metadatenstandards und veralteten Infrastrukturumgebungen. Während Unternehmen weiterhin massiv in generative KI, maschinelles Lernen und fortschrittliche Analysen investieren, haben viele immer noch Schwierigkeiten, KI-Pilotprojekte in skalierbare Geschäftsergebnisse umzuwandeln, da das Datenfundament unter diesen Initiativen nicht darauf ausgelegt ist, sie im Unternehmensmaßstab zu unterstützen. 

Für Speicheradministratoren und Cloud-Architekten kommt dies bekannt vor: Teams werden aufgefordert, KI in fragmentierten Umgebungen zu operationalisieren, die nicht für Datenbewegungen, Governance oder Workload-Platzierung im KI-Maßstab ausgelegt sind.

Studien bestätigen diese Herausforderung weiterhin. Laut McKinsey hat nur ein kleiner Prozentsatz der Unternehmen KI erfolgreich skaliert, während Datenqualität, Governance und Infrastruktur weiterhin wesentliche Hindernisse für die Einführung darstellen. Untersuchungen von Bain & Company bestätigen denselben Punkt: KI-Ergebnisse hängen von vertrauenswürdigen, zugänglichen Daten und einer starken Datenstrategie ab. Unternehmen, die diese Empfehlungen nicht befolgen, sehen sich häufig mit ins Stocken geratenen Implementierungen, unzuverlässigen KI-Ergebnissen, zunehmender operativer Komplexität und verschwendeten Investitionen konfrontiert. 

Dort, wo kritische Anwendungen, die für leistungssensible Transaktionen auf Blockspeicher angewiesen sind, und die generierten Daten, die KI-Pipelines speisen (welche auf Datei- und Objektspeicher angewiesen sind), zusammentreffen, können Anwendungsmodernisierung und KI-Bereitschaft einen Unterschied machen. 

Die Chance:  eine Datenbasis zu schaffen, in der Block-, Datei- und Objektspeicher effektiver zusammenarbeiten.

Sechs Herausforderungen der Datenmodernisierung, die KI ausbremsen

1. Datensilos im gesamten Unternehmen schränken den Zugriff ein

KI ist auf umfassenden Zugriff auf vertrauenswürdige Daten angewiesen, doch die meisten Unternehmen betreiben weiterhin fragmentierte Umgebungen über lokale Rechenzentren, Cloud und Edge hinweg. Die Modernisierungsherausforderung besteht darin, isolierte Block-, Datei- und Objektumgebungen zu verbinden, ohne disruptive Migrationen zu erzwingen oder eine weitere Ebene von Silos zu schaffen.

Vernetzte Daten ermöglichen KI-Anwendungen, Informationen von Legacy-Plattformen, Cloud-Umgebungen, Anwendungen und Geschäftsbereichen im gesamten Unternehmen zu nutzen, um:

• Datensilos aufzubrechen. KI-bereite Unternehmen verbinden Daten über ERP, CRM, operative Systeme, Analyseplattformen, Cloud-Repositorys und Edge-Umgebungen hinweg. 
• Datenpipelines zu modernisieren. ETL-, ELT-, Streaming- und Echtzeit-Datenpipelines helfen dabei, Daten für KI- und Machine-Learning-Workflows zu verschieben, zu transformieren und vorzubereiten. 
• APIs in Hybridumgebungen zu nutzen. API-gesteuerte Integration unterstützt die Verbindung von Daten über On-Premises-Systeme, Public Clouds, SaaS-Plattformen und verteilte Anwendungen hinweg. 
• Eine einheitliche Datenschicht zu schaffen. Ein Data Fabric, eine Datenplattform oder eine einheitliche Datenschicht hilft Teams, konsistent auf Daten unter Governance zuzugreifen, ohne getrennte Quellen manuell zusammenzufügen. 

2. Die Leistungsanforderungen haben sich verändert

Skalierbare Infrastruktur stellt KI-Workloads den Speicher, die Rechenleistung, die Performance und die Flexibilität bereit, die zur Verarbeitung von Unternehmensdaten im großen Maßstab erforderlich sind. Legacy-Infrastruktur kann die KI-Bereitschaft einschränken, wenn sie große Datenmengen, Pipelines mit hohem Durchsatz, Hybrid-Cloud-Betrieb oder GPU-beschleunigte Workloads nicht unterstützen kann. 

KI-Workloads erfordern höheren Durchsatz, geringere Latenz und die Fähigkeit, wachsende Mengen unstrukturierter Daten zu verarbeiten.

Im Gegensatz zu herkömmlichen Unternehmensanwendungen kombinieren KI-Pipelines häufig Trainingsdaten, Inferenz, Analysen und Retrieval über mehrere Umgebungen hinweg. Ein für blockbasierte transaktionale Datenbanken optimierter Workload kann für die Anwendung essenziell sein, doch KI-Pipelines sind für unstrukturierte Daten, Trainingsdatensätze, Modell-Checkpoints, Retrieval-Workflows und Analysen im großen Maßstab häufig auf Datei- und Objektspeicher angewiesen.

Die Herausforderung besteht nicht einfach darin, mehr Speicher hinzuzufügen. Es geht darum, anhand von Performance-, wirtschaftlichen und betrieblichen Anforderungen zu bestimmen, wo jeder Workload und Datentyp ausgeführt werden sollte. Unternehmen sollten sicherstellen, dass ihre Datenbasen:

3. Governance und Datensouveränität verlangsamen die Bereitstellung    

Data Governance umfasst Richtlinien, Standards für Verantwortlichkeiten, Zugriffskontrollen und Compliance-Praktiken, die festlegen, wie Unternehmensdaten verwaltet und genutzt werden. Mit der Skalierung von KI wird Governance schwieriger und wichtiger. 

Fragen zu Datenherkunft, Souveränität, Sicherheit, Zugriffskontrollen und Compliance werden in fragmentierten Umgebungen zunehmend schwieriger. Für viele Unternehmen lautet die Frage nicht mehr „Können wir auf die Daten zugreifen?“, sondern „Sollten diese Daten überhaupt verschoben werden?“ Eine starke Governance macht Unternehmensdaten für KI nutzbar, indem sie Unternehmen ermöglicht, den sicheren Zugriff auf vertrauenswürdige Daten über Systeme, Teams und Hybridumgebungen hinweg zu skalieren. Darüber hinaus hilft die Modernisierung Unternehmen, die Konsistenz bei Datenherkunft, Datenresidenz, Zugriffskontrollen und regulatorischen Verpflichtungen zu verbessern, sodass Teams sicher schneller vorankommen können.

Um Blockaden bei der Bereitstellung zu vermeiden, sollten Unternehmen:

• Unternehmensdaten klassifizieren und katalogisieren. Datenkataloge, Metadatenmanagement und Klassifizierungsrichtlinien helfen Nutzern zu verstehen, welche Daten vorhanden sind, wo sie gespeichert sind und wie sie verwendet werden können. 
• Richtlinien mit Auditierbarkeit durchsetzen. KI-bereite Governance erfordert die Durchsetzung von Richtlinien, die Nachverfolgung der Datenherkunft und Audit-Trails, damit Unternehmen nachweisen können, wie auf Daten zugegriffen wurde und wie sie verwendet wurden. 

4. Operative Komplexität verursacht Reibungsverluste

Zu viele Verwaltungstools, getrennte Workflows und manuelle Prozesse verlangsamen Teams. Infrastrukturteams, die KI unterstützen, benötigen Zeit, um Innovationen zu ermöglichen, und nicht nur, um Komplexität zu verwalten. Mit der Ausweitung von KI-Initiativen über Hybridumgebungen hinweg kann die operative Komplexität ebenso schnell wachsen wie die Daten selbst. IT-Teams verbringen dann wertvolle Zeit mit der Koordination zwischen isolierten Tools, der Fehlerbehebung und der Verwaltung von Routineaufgaben, anstatt Innovationsprojekte voranzutreiben und Umsätze zu steigern. Die Vereinfachung des Betriebs und eine bessere Transparenz über alle Umgebungen hinweg können dazu beitragen, Reibungsverluste zu reduzieren und Ressourcen für höherwertige Arbeit freizusetzen.

5. Kostenmodelle benötigen mehr Flexibilität

Modernisierung für KI bedeutet nicht zwangsläufig, mehr Daten in die Cloud zu verschieben. In vielen Umgebungen entsteht Erfolg dadurch, dass gezielt entschieden wird, wo Daten gespeichert werden und wo Workloads ausgeführt werden – basierend auf Kosten-, Governance- und Performance-Anforderungen.

KI-Training mit hoher Performance kann Premium-Infrastruktur rechtfertigen, während sekundäre Datensätze, Backup-Repositorys oder Analysen mit geringerer Priorität andernorts besser geeignet sein können. Das Ziel ist Flexibilität – nicht ein Einheitsmodell.

6. Eine Herausforderung bei der Workload-Platzierung

Viele Diskussionen über Modernisierung konzentrieren sich auf das Verschieben von Daten. KI-bereite Modernisierung bedeutet jedoch nicht, alles zu verschieben. Es geht darum, Workloads gezielt zu platzieren.

Speicher- und Cloud-Teams stehen zunehmend vor schwierigen Abwägungen:

• Welche Workloads gehören aus Performance- oder Souveränitätsgründen in lokale Rechenzentren?
• Welche Daten können in Cloud-Umgebungen verschoben werden?
• Wo sollte die Inferenz stattfinden?
• Wie sollten Teams Kosten, Governance und Resilienz ausbalancieren?

Modernisierung für KI erfordert ein Gleichgewicht zwischen Performance, Governance, Souveränität, Wirtschaftlichkeit und betrieblicher Einfachheit – oft über Umgebungen hinweg, die nie für die Zusammenarbeit konzipiert wurden.

KI-Modernisierungs-Risikomatrix für Infrastrukturteams

Wenn Modernisierung riskant klingt, dann deshalb, weil sie es sein kann.    

Speicher- und Cloud-Teams sind für geschäftskritische Systeme verantwortlich, bei denen Ausfallzeiten, Governance-Lücken oder Performance-Probleme reale Folgen haben. Eine Modernisierung zu vermeiden, schafft jedoch ebenfalls Risiken, insbesondere da KI-Workloads neue Anforderungen an die Infrastruktur stellen.

Die erfolgreichsten Unternehmen gehen Modernisierung pragmatisch an, indem sie Risiken frühzeitig erkennen und Reibungsverluste reduzieren, bevor die Migration beginnt.

Das Ziel der Modernisierung ist nicht Perfektion am ersten Tag: Es geht darum, Reibungsverluste zu reduzieren und eine Datenumgebung zu schaffen, die in der Lage ist, zukünftige Workloads einschließlich KI zu unterstützen.

Entwicklung einer KI-ready Roadmap und Datenbasis

Eine KI-fähige Datenbasis wird nicht durch das Abhaken einer Reihe von Schritten aufgebaut, sondern durch die Stärkung einer Reihe von Fähigkeiten, die sich gegenseitig verstärken. Anstatt zu versuchen, jede Herausforderung auf einmal zu lösen, können sich Unternehmen auf die grundlegenden Fähigkeiten konzentrieren, die es ermöglichen, KI im gesamten Unternehmen zuverlässig zu skalieren:

• Grundlegende Stabilität: Eine stabile Datenbasis hängt von Datenqualität, Governance und betrieblicher Transparenz über alle Systeme hinweg ab. Die Stärkung dieser Fähigkeit bedeutet, Inkonsistenzen zu reduzieren, vertrauenswürdige Eigentumsstandards zu etablieren, Metadaten zu standardisieren und das Governance-Framework aufzubauen, das skalierbare Unternehmens-KI erfordert. Unternehmen, die in diese grundlegenden Datenpraktiken investieren, sind besser positioniert, um unzuverlässige KI-Ergebnisse, Compliance-Risiken und eine fragmentierte Einführung bei wachsenden KI-Initiativen zu vermeiden.
• Infrastrukturflexibilität: KI-Workloads benötigen eine Infrastrukturschicht, die sich mit ihnen entwickeln kann. Diese Fähigkeit konzentriert sich auf die Integration über Hybrid-Cloud-Umgebungen hinweg, die Modernisierung älterer Speichersysteme, die Ermöglichung eines skalierbaren Datenzugriffs und die Einführung flexiblerer Infrastrukturnutzungsmodelle. Moderne KI-Workloads erfordern häufig Hochleistungsspeicher, beschleunigte Rechenleistung und Hybrid-Cloud-Architekturen, die eine verteilte Datenverarbeitung in großem Maßstab unterstützen können. Technologiepartnerschaften, einschließlich Kooperationen zwischen Hitachi Vantara und NVIDIA, helfen Unternehmen beim Aufbau von Infrastrukturumgebungen, die für GPU-beschleunigte KI-Workloads, Analysen und unternehmensweite Datenvorgänge ausgelegt sind.
• Unternehmensweite Abläufe: Die Operationalisierung von KI über Geschäftsbereiche hinweg bedeutet, Leistung, Governance, Belastbarkeit und Effizienz kontinuierlich zu verbessern – und nicht nur isolierte Pilotprojekte zu unterstützen. Diese Fähigkeit zeigt sich in laufender Überwachung, Optimierung, Automatisierung und Lifecycle-Management für produktive KI-Workloads. Um dies in großem Maßstab aufrechtzuerhalten, sind kontinuierliche Investitionen in Datenqualität, Governance, Infrastrukturmodernisierung und betriebliche Konsistenz erforderlich, während sich die Geschäftsanforderungen und Datenumgebungen weiterentwickeln.

Die leistungsstärkste Daten-Engine der Innovation für KI

KI-Erfolg erfordert mehr als bessere Modelle. Er hängt von einer resilienten, abgesicherten Infrastruktur ab, die sich entwickelnde Workloads, Leistungsanforderungen und Compliance-Vorgaben unterstützen kann. Folglich wird die KI-Modernisierung weniger dadurch definiert, wie viele Daten Unternehmen verschieben, sondern vielmehr dadurch, wie gezielt Workloads in verschiedenen Umgebungen platziert werden.

Mit anderen Worten: Beides ist ohne eine starke Datenbasis nicht möglich.

Mit der Hitachi Vantara-Plattform – einschließlich der VSP One-Funktionen für Block-, Datei-, Objekt- und softwaredefinierten Speicher – können Unternehmen ihre Datenbasis modernisieren. Und das bei gleichzeitiger Verbesserung von Flexibilität, Resilienz, Governance und betrieblicher Einfachheit.

Erfahren Sie mehr über die Hitachi Vantara-Plattform – sie treibt Ihre KI-Zukunft auf der Grundlage von vertrauenswürdigen, modernisierten Daten voran.