Cloud-Rückführung: Optimierung der Infrastruktur für KI im grossen Massstab

Wichtigste Erkenntnisse

• Die Rückverlagerung der Cloud ist eine strategische Neuausrichtung, kein Rückzug aus der Cloud.

• 91 % der Unternehmen, die private KI im Produktivbetrieb einsetzen, setzen stark auf Objektspeicherung (Freeform Dynamics-Umfrage unter 504 Unternehmen, im Auftrag von Scality).

• 81 % geben an, dass eine private KI-Infrastruktur unter eigener Kontrolle geschäftskritisch ist.

• Datenbewegung, Zugänglichkeit und Integrität werden für KI genauso einschränkend wie die Verfügbarkeit von GPUs.

• Das Siegermodell: gezielte Workload-Platzierung über On-Premise-, Hybrid- und Public-Cloud-Umgebungen.

Was ist Cloud-Repatriierung?

Cloud-Repatriierung bezeichnet die strategische Verlagerung von Daten und Workloads aus öffentlichen Cloud-Umgebungen zurück in eigene Rechenzentren, externe Rechenzentren oder private Clouds. Sie ist nicht als Abkehr von öffentlichen Cloud-Diensten zu verstehen, sondern vielmehr als eine bewusste Neuausrichtung der Architekturstrategie.

Im Fokus steht die Modernisierung der Kernsysteme, um den sich wandelnden betrieblichen Anforderungen gerecht zu werden. Eine aktuelle Umfrage unter 504 Organisationen , die vom unabhängigen Analysehaus Freeform Dynamics im Auftrag von Scality durchgeführt wurde, veranschaulicht, wie sich dieser Wandel in der Praxis auswirkt.

Cloud-Repatriierung in der Praxis: KI-Workloads werden strategisch auf Cloud-, On-Premises- und GPU-Infrastruktur verteilt.

Warum KI den Wandel vorantreibt

Mit der zunehmenden Skalierung von KI im Produktivbetrieb stoßen Unternehmen vermehrt auf Einschränkungen, die im Wesentlichen datenbedingt sind. Wachsende Arbeitslasten verstärken den Bedarf an drei Dingen:

• Konstante Speicherleistung: vorhersehbarer Durchsatz auch bei hohen, parallelen KI-Workloads.

• Robustes Datenmanagement: Governance und Integrität entlang der gesamten Datenpipeline.

• Datenübertragung mit hohem Durchsatz: GPUs müssen schnell genug mit Daten versorgt werden, um deren Auslastung zu gewährleisten.

Daher wird die Daten- und Speicherinfrastruktur für die Skalierbarkeit von KI genauso wichtig wie GPUs. Bemerkenswerterweise betonen 91 % der Unternehmen, die private KI produktiv einsetzen, die signifikante Nutzung von Objektspeicher – ein deutlicher Hinweis auf die zentrale Rolle, die die Datenschicht in operativen KI-Systemen spielt.

Architektur von Grund auf neu denken

Diese Erkenntnisse stellen die lange Zeit vorherrschende Annahme infrage, dass Rechenleistung der primäre Engpass ist. Obwohl die Verfügbarkeit von GPUs viele Diskussionen über die Skalierung von KI dominiert, erkennen immer mehr Unternehmen, dass die Bewegung, der Zugriff und die Integrität von Daten ebenso limitierend wirken können. Die Einführung von Cloud-Lösungen bot zunächst einen schnellen Weg zur Kapazitätserweiterung – oft auf Kosten einer ganzheitlichen Architekturprüfung.

Mit zunehmender Reife von KI für den produktiven Einsatz im großen Maßstab überdenken Unternehmen bewusst ihre gesamte Architektur: Sie stärken Kernsysteme, modernisieren stabile Umgebungen und richten Workloads an den jeweils am besten geeigneten Ausführungskontexten aus – Cloud, On-Premise oder Hybrid.

Von Cloud-First zu Cloud-Smart

Jahrelang prägten Cloud-First-Strategien die IT-Roadmaps, angetrieben durch den rasanten Aufstieg von LLM- und KI-Diensten auf Hyperscale-Plattformen. Heute bewegen sich Unternehmen hin zu einem Cloud-Smart-Ansatz: Sie verstehen die Vorteile der Cloud und treffen gleichzeitig intelligente, dynamische Entscheidungen hinsichtlich Infrastruktur, Plattformen und Software.

Cloud-smart bedeutet in der Praxis:

• Die richtige Lösungskombination: Jede Arbeitslast wird optimal an die jeweilige Umgebung angepasst.

• Transparente Kostenkontrolle: Vermeidung unerwarteter Ausgaben wie etwa Ausreisegebühren.

• Effektive Governance: Die Verwaltung und Sicherung von Diensten über verschiedene Umgebungen hinweg.

Zwei Beispiele aus der Praxis

• Bankwesen: Eine Bank speichert sensible Kunden- und Transaktionsdaten vor Ort, um strenge Sicherheitsanforderungen zu erfüllen, während sie für kundenorientierte mobile Apps, die von globaler Reichweite profitieren, die öffentliche Cloud nutzt.

• Lebenswissenschaften: Forschungsorganisationen bewahren firmeneigene Genomdaten in privaten Umgebungen auf, um die Einhaltung von Vorschriften und geistiges Eigentum zu schützen, und nutzen gleichzeitig Cloud-Plattformen für groß angelegte Simulationen, bei denen elastische Rechenleistung klare Vorteile bietet.

Kontrolle, Compliance, Kosten: Die drei Treiber

• Kontrolle (Datensouveränität): Souveräne KI-Lösungen ermöglichen es Unternehmen, selbst zu entscheiden, wo und wie Daten verarbeitet werden. 81 % der befragten Unternehmen bezeichnen eine private KI-Infrastruktur unter eigener Kontrolle als geschäftskritisch.

• Compliance: Sensible Workloads verbleiben in kontrollierten Umgebungen – unerlässlich in regulierten Branchen wie Finanzdienstleistungen und Biowissenschaften – während weiterhin Cloud-native Tools eingesetzt werden.

• Kosten: Bei öffentlichen Cloud-Diensten können durch unerwartete Gebühren für ausgehenden Datenverkehr unvorhersehbare Kosten entstehen. On-Premise- und Hybrid-Lösungen sorgen für planbare Ausgaben und eliminieren versteckte Kosten.

Daten- und Rechenleistungsrebalancierung

Mit zunehmender Skalierung von Modellen bestimmt die effiziente Datenbereitstellung oft ebenso stark die Gesamtleistung des Systems wie die reine Rechenleistung. Dies treibt eine breitere Entwicklung hin zur Entkopplung von Speicher und Rechenleistung voran: Daten sind nicht mehr statisch an eine Umgebung gebunden, sondern fließen mit hohem Durchsatz über verteilte Workloads.

Objektspeicher fügt sich nahtlos in diese Architektur ein – er verwaltet große Mengen unstrukturierter Daten und unterstützt Training, Inferenz und Feinabstimmung. Anstatt KI als Erweiterung bestehender Systeme zu betrachten, setzen Unternehmen auf mehrstufige Hybridarchitekturen, die unterschiedliche Zugriffsprofile entlang der gesamten KI-Pipeline ermöglichen.

Fazit: Mehr als nur Cloud-Lösungen

Keine einzelne Umgebung kann alle Anforderungen an Arbeitslasten erfüllen. On-Premise- und Hybridmodelle ergänzen heute die Cloud-Infrastruktur und ermöglichen eine gezielte Workload-Platzierung. Die Rückverlagerung in die Cloud ist eine strategische Neuausrichtung mit Fokus auf Optimierung – kein Rückzug aus der Cloud. Diese Anpassung versetzt Unternehmen in die Lage, ein resilientes, agiles und zukunftssicheres KI-Ökosystem aufzubauen.