Neue Studie zeigt Wandel in der Wirtschaftlichkeit von KI-Infrastruktur

(Auszug aus der Pressemitteilung)

Die Diskussion über KI-Infrastruktur wurde bislang thematisch vor allem durch Rechenleistung geprägt. Eine neue, von WD gesponserte globale Studie von IDC zeigt jedoch einen weiteren wesentlichen Faktor, den Organisationen adressieren müssen, um KI zu skalieren: Daten, die weit über einzelne Rechenzyklen hinaus bestehen bleiben und sich kontinuierlich ansammeln.

Das IDC-Whitepaper „Built for Scale: The Enduring Role of HDDs in the AI Era“ kommt zu dem Ergebnis, dass KI unter den befragten Organisationen zu einem strukturellen Anstieg des Speicherbedarfs führt. Dahinter steht ein sich selbst verstärkender Datenkreislauf: KI benötigt Daten und erhöht zugleich deren potenziellen Wert. Organisationen bewahren ihre Daten deshalb länger auf, reaktivieren zunehmend historische Bestände für neue KI-Workloads und messen ihnen insgesamt einen höheren Wert bei. Während der Bedarf an Rechenleistung je nach Workload und Investitionszyklus schwankt, bleiben die dabei erzeugten Daten bestehen und summieren sich – wodurch Speicherkapazität, Zugänglichkeit und Wirtschaftlichkeit beim Design von KI-Infrastruktur zunehmend an Bedeutung gewinnen.

Die Erkenntnisse des Whitepapers:

KI erzeugt einen sich selbst verstärkenden Datenkreislauf

• 94,7 % der befragten Organisationen speicherten in den letzten 12 Monanten mehr Daten aufgrund der Einführung von KI und generativer KI.
• 61 % verzeichneten im vergangenen Jahr ein Datenwachstum von 25 % oder mehr durch KI.
• 74 % erwarten für die kommenden drei Jahre ein Wachstum der Datenmengen um 25 % oder mehr.
• 85,4 % berichteten über ein Wachstum ihrer Data-Lake-Volumina in den vergangenen 12 Monaten.
• 59,4 % nannten KI-generierte Daten – darunter synthetische Daten, Inferenz-Ergebnisse und Modell-Logs – als Haupttreiber des Data-Lake-Wachstums.

Daten bleiben länger bestehen, werden aktiver genutzt und gewinnen an Wert

• Fast 95 % geben an, dass der Wert ihrer Unternehmensdaten durch die Einführung von KI und generativer KI gestiegen ist.
• 74,3 % erkennen an, dass KI und generative KI zu einer längeren Datenaufbewahrung geführt haben.
• 75,9 % berichten, dass sie zunehmend archivierte Cold-Tier-Daten reaktivieren, um KI-Workloads zu unterstützen.
• 96 % rechnen damit, künftig einen schnelleren Zugriff auf Archivdaten zu benötigen, um KI-Inferenz und Retrieval-Augmented-Generation-Anwendungen (RAG) zu unterstützen.

KI-Infrastruktur muss für den gesamten Datenlebenszyklus ausgelegt sein

• Bei den befragten Organisationen befinden sich 74,6 % der Unternehmensdaten in Warm-, Cool- und Cold-Speicherebenen.
• Mehr als 60 % des Data-Lake-Volumens bestehen aus selten genutzten oder Kaltdaten.
• 98,2 % halten die Gesamtbetriebskosten pro Terabyte (TCO) für wichtig oder sehr wichtig bei Entscheidungen zur Datenspeicherung.

„Die Diskussion über KI-Infrastruktur hat sich in den letzten Jahren vor allem um Rechenleistung gedreht. Doch KI basiert auf Daten. Organisationen erzeugen mehr Informationen, bewahren sie länger auf und finden neue Wege, aus bereits vorhandenen Datensätzen Wert zu schöpfen. Der Bedarf an Rechenleistung wird sich mit der Zeit verändern, doch die Notwendigkeit, große Informationsmengen zu speichern, zu verwalten und zugänglich zu machen, wächst kontinuierlich weiter. Diese Grundlage wird maßgeblich mitbestimmen, wie weit sich KI entwickeln kann.“ – Irving Tan, CEO von WD.

Von Rechenzyklen zu einem dauerhaften Datenlebenszyklus

KI-Workloads erzeugen während ihres gesamten Lebenszyklus Daten – von Trainingsdatensätzen über Modell-Checkpoints bis hin zu Inferenz-Ergebnissen, Logs und synthetischen Daten. Anders als die Rechenzyklen, die diese Daten verarbeiten, bleiben sie auch nach Abschluss des jeweiligen Workloads bestehen und werden zur Grundlage künftiger KI-Anwendungen. Damit verschieben sich die traditionellen Grenzen zwischen aktiven und archivierten Daten: Organisationen müssen ihre Speicherarchitektur ganzheitlich über den gesamten Datenlebenszyklus hinweg gestalten und dabei Leistung, Kapazität, Zugänglichkeit und Wirtschaftlichkeit je nach Workload-Anforderung in Einklang bringen.

Wo Daten gespeichert werden und was Speicherung sowie Zugriff kosten, wird damit zu einer zentralen architektonischen Frage – und die wirtschaftliche Datenverwaltung in großem Maßstab zu einem entscheidenden Faktor für den Erfolg von KI-Projekten.

Das vollständige IDC-Whitepaper „Built for Scale: The Enduring Role of HDDs in the AI Era“, gesponsert von WD, ist verfügbar auf der WD-Webseite.

Methodik der Studie

Das IDC-Whitepaper basiert auf einer quantitativen Befragung von 763 IT- und Geschäftsentscheidenden mindestens auf Managementebene in sieben Ländern. Alle Befragten sind unmittelbar für Entscheidungen zur KI-Infrastruktur oder Datenspeicherung verantwortlich. An der Studie beteiligte Länder waren die Vereinigten Staaten, China, Japan, Südkorea, Indien, das Königreich Saudi-Arabien und Deutschland. Ergänzend führte IDC vertiefende qualitative Interviews mit drei leitenden Vertretern der Speicherbranche, um zusätzliche Einblicke in die praktische Umsetzung und sich wandelnde Kundenprioritäten zu gewinnen.

Quelle: IDC-Whitepaper „Built for Scale: The Enduring Role of HDDs in the AI Era“, gesponsert von Western Digital Corporation, Dok.-Nr. US54789026, September 2026.