In tal van ondernemingen zijn investeringen in AI rechtstreeks gekoppeld aan concrete resultaten, zoals het verbeteren van de besluitvorming, het versnellen van de productontwikkeling en het bieden van meer gepersonaliseerde gebruikerservaringen.
Denk eens na over de manier waarop bedrijven producten ontwikkelen op cloudgebaseerde platforms en diensten. Concurrentievoordeel vloeit niet voort uit één enkel inzicht, maar uit de kennis die in de loop van jaren is opgebouwd door interacties met klanten, tests, mislukkingen, feedback en verbeteringen. Hoe meer institutionele kennis een bedrijf kan behouden en toepassen, hoe sneller het zich kan verbeteren.
AI-systemen beginnen op dezelfde manier te werken. In het begin was het trainen van het model de grootste uitdaging. Naarmate implementaties zich verder ontwikkelen, hangt hun waarde in toenemende mate af van de mate waarin zij de gegevens die via eerdere interacties en resultaten zijn verzameld, effectief kunnen bewaren, raadplegen en hergebruiken. Het werk lijkt aanvankelijk goed te doen, maar naarmate de implementaties vorderen, stijgen de verwachtingen. Het volstaat niet langer dat systemen analyseren wat er al is gebeurd. Van hen wordt verwacht dat zij blijven leren, aanbevelingen blijven verfijnen en ervaringen blijven aanpassen naarmate er nieuwe gegevens binnenkomen. Het model blijft belangrijk, maar dat geldt ook voor het vermogen van het systeem om vast te houden aan wat het al heeft gezien en dit indien nodig weer op te roepen.
Het gedrag van klanten, eerdere resultaten en zich ontwikkelende patronen moeten allemaal worden bewaard en toegankelijk blijven, en dat verandert de discussie. De prestaties van het model blijven belangrijk, maar dat is niet langer het enige wat telt. De bredere vraag is of het systeem zelf die context kan handhaven naarmate het zich verder ontwikkelt.
Jarenlang stonden discussies over AI vooral in het teken van modellen en rekenkracht. Organisaties hebben geïnvesteerd in GPU’s, datawetenschappers aangeworven en zich gericht op opleiding. De opslagafdeling ondersteunde het proces door datasets te beheren en zich grotendeels op de achtergrond te houden.
Nu deze systemen op grote schaal worden ingezet, doet zich iets anders voor. Modellen draaien continu en de focus is verschoven van het ontwikkelen van kunstmatige intelligentie naar het opschalen ervan. Dit wordt vaak omschreven als ‘agentische AI’ — systemen die niet alleen op verzoeken reageren, maar ook de context meenemen en voortbouwen op wat ze eerder hebben gedaan.
Ze genereren resultaten, putten uit opgeslagen gegevens en bouwen voort op eerdere interacties. Wat eruitziet als een enkel verzoek, is vaak slechts één stap in een doorlopende cyclus van het ophalen van context, het verfijnen van antwoorden en het terugkoppelen van nieuwe informatie naar het systeem.
Systeemverbetering hangt in toenemende mate af van de mate waarin die gegevens effectief worden bewaard, geraadpleegd en hergebruikt in verschillende werkprocessen. In hyperscale-omgevingen — de enorme, wereldwijd verspreide cloudinfrastructuur waarin deze systemen functioneren — wordt objectopslag het officiële registratiesysteem voor die verzamelde gegevens. Dit systeem, dat op grote schaal op harde schijven is gebouwd, biedt een robuuste en kostenefficiënte basis waarmee AI-systemen context kunnen behouden, deze in de loop van de tijd kunnen uitbreiden en zich voortdurend kunnen verbeteren.
Van archief naar officieel registratiesysteem
Zodra systemen op deze manier gaan functioneren, begint de rol van opslag te veranderen. Bij productontwikkeling vormen feedback van klanten, eerdere resultaten, testgegevens en eerdere interacties een voortdurende bron van informatie voor de volgende verbeteringen. Hetzelfde patroon doet zich in alle sectoren voor waar AI-systemen afhankelijk zijn van het bewaren en hergebruiken van gegevens.
Objectopslag wordt al geruime tijd beschouwd als een bestemming waar gegevens terechtkomen zodra ze niet langer actief worden gebruikt. Dat model werkte toen de werklast nog sporadisch was. Maar AI-systemen die voortdurend leren en zich verder ontwikkelen, hebben geen duidelijk eindpunt.
Elke interactie laat iets achter. Uitvoer stapelt zich op en wanneer deze wordt bewaard, wordt deze onderdeel van de werkcontext van het systeem. In plaats van te verdwijnen, blijven die resultaten beschikbaar naast alles wat eraan voorafging en bepalen ze wat er daarna gebeurt. Naarmate deze systemen in de loop van de tijd worden uitgebreid, krijgt objectopslag een steeds centralere rol — niet alleen als opslagplaats, maar ook als de laag waarin verzamelde gegevens worden bewaard, toegankelijk blijven en opnieuw in actieve werkprocessen kunnen worden ingezet om toekomstige resultaten te sturen.
Gegevens blijven zich over andere lagen verplaatsen. Het wordt in het geheugen opgeslagen, naar verwerkingslagen doorgestuurd en in realtime gebruikt — vaak meer dan eens binnen één enkele workflow. Maar uiteindelijk moet het ergens blijven bestaan. Het moet toegankelijk, duurzaam en klaar voor hergebruik blijven.
Die rol wordt steeds vaker vervuld door objectopslag, die in hyperscale-clouds op harde schijven is gebaseerd. In feite bevindt meer dan 90% van de capaciteit van clouddatacenters zich op harde schijven, wat niet alleen aangeeft waar gegevens worden opgeslagen, maar ook waar deze op grote schaal moeten worden bewaard.¹ Opslag is de manier waarop AI context behoudt. Op grote schaal is het niet langer slechts een bijkomstige overweging, maar wordt het een bepalende factor voor de mogelijkheden van het systeem.
De vraag over de gegevens is veranderd
Tijdens de trainingsfase was de vraag met betrekking tot de gegevens eenvoudig: hebben we voldoende gegevens om een bruikbaar model te bouwen?
In dit soort systemen rijst een andere vraag: kan het systeem tijdens het draaien op het juiste moment toegang krijgen tot de juiste gegevens, vaak herhaaldelijk?
Hier houdt het theoretische op. U ziet dat systemen steeds weer gegevens uit opgeslagen bronnen halen en de resultaten verfijnen naarmate er meer context wordt toegevoegd. Wat op het eerste gezicht een enkele zoekopdracht lijkt, bestaat achter de schermen vaak uit een reeks opzoekacties, die stuk voor stuk afhankelijk zijn van de gegevens die al zijn opgeslagen. Naarmate deze systemen zich verder ontwikkelen, krijgt data een nieuwe rol. Wat tussen periodes van actief gebruik in opslag staat, staat niet stil. Het maakt deel uit van wat het systeem weet — eerdere resultaten, interacties en signalen die bepalend zijn voor wat er vervolgens gebeurt. Die opgebouwde context begint net zo belangrijk te worden als het model zelf. Op grote schaal blijven AI-workloads enorme hoeveelheden gegevens genereren, maar een groot deel daarvan wordt nog steeds als tijdelijk beschouwd — eenmalig gebruikt en vervolgens verwijderd — in plaats van bewaard te worden als iets waarop het systeem kan voortbouwen.
Daar doet zich een nieuwe beperking voor. Nu gegevens een langetermijnactief worden, is de uitdaging niet langer alleen hoeveel er kan worden opgeslagen, maar ook hoeveel daarvan toegankelijk, duurzaam en herbruikbaar blijft naarmate systemen verder opschalen.
De markt past zich al aan die realiteit aan. IDC voorspelt dat de capaciteit voor objectopslag zal groeien met een samengesteld jaarlijks groeipercentage (CAGR) van 25,6%, wat een weerspiegeling is van de toenemende vraag naar blijvend beschikbare gegevens op grote schaal.²
Wanneer opslag en rekenkracht niet meer op elkaar zijn afgestemd
In theorie zijn AI-systemen ontworpen met het oog op efficiëntie. In de praktijk wordt het steeds moeilijker om die efficiëntie te handhaven naarmate de schaal toeneemt. De computertechnologie blijft zich ontwikkelen met steeds krachtigere en geavanceerdere modellen. Naarmate de implementaties verder worden uitgebouwd, neemt de hoeveelheid gegevens die deze systemen opslaan en waarop zij vertrouwen nog sneller toe.
Organisaties worden steeds beter in het ophalen en gebruiken van informatie, waarbij zij op het juiste moment de juiste gegevens in hun werkprocessen integreren. Maar tegelijkertijd blijft de omvang van wat zij willen bewaren steeds groter worden. Historische bedrijfsgegevens, eerdere resultaten, interacties met klanten en opgebouwde organisatorische kennis worden allemaal waardevoller naarmate systemen zich verder ontwikkelen. De kwaliteit van de output van een AI-systeem weerspiegelt in toenemende mate de diepgang en de breedte van de informatie waartoe het toegang heeft.
Wanneer de prestaties achterblijven, is de neiging nog steeds om meer rekenkracht in te zetten. Maar daarmee wordt het onderliggende probleem niet altijd opgelost. Naast het verwerken van gegevens is het een nog grotere uitdaging om de toegang tot de verzamelde gegevens – die systemen context bieden – te behouden en ervoor te zorgen dat deze gegevens kunnen worden bewaard, opgehaald en hergebruikt naarmate systemen zich verder ontwikkelen.
Die onevenwichtigheid begint zich ook in de infrastructuurplanning te manifesteren. Naarmate AI-systemen steeds meer gegevens opslaan en hergebruiken, speelt de gegevenslaag een steeds grotere rol bij de architectuurbeslissingen die bepalen hoe effectief deze systemen kunnen opschalen.
Uiteindelijk worden systemen niet meer beperkt door de snelheid waarmee ze kunnen werken, maar door de hoeveelheid van hun geschiedenis die ze als bruikbare status kunnen meenemen.
De hardware achter de software
De beslissingen die organisaties nu nemen op het gebied van infrastructuur zullen bepalen hoe ver hun AI-systemen daadwerkelijk kunnen gaan.
Veel hiervan wordt omschreven als ‘software-defined’, en een aanzienlijk deel van het systeemgedrag wordt bepaald door de manier waarop gegevens worden verdeeld en geraadpleegd. Maar naarmate de implementatie op grotere schaal plaatsvindt, wordt een andere realiteit steeds moeilijker te negeren: hoe ver deze systemen kunnen groeien, wordt uiteindelijk bepaald door de onderliggende hardware.
AI-infrastructuur is actief op meerdere niveaus. Het geheugen ondersteunt wat er op dit moment gebeurt. Flash maakt snelle toegang mogelijk wanneer de latentie van belang is. Daaronder vormt objectopslag, die op grote schaal op harde schijven is opgezet, de duurzame basis waarop gegevens beschikbaar blijven voor gebruik op de lange termijn.
Naarmate systemen steeds meer continu worden, wordt dat onderscheid duidelijker. Prestatieniveaus zorgen voor de onmiddellijke verwerking, terwijl objectopslag ervoor zorgt dat reeds verwerkte gegevens beschikbaar blijven. Aangezien deze systemen voortdurend grote hoeveelheden ongestructureerde gegevens genereren en hergebruiken, kunnen zij niet uitsluitend op basis van prestatieniveaus worden onderhouden. Naarmate dichtheid, duurzaamheid en schaalgrootte van secundaire overwegingen uitgroeien tot centrale beperkende factoren, blijven harde schijven van cruciaal belang.
De software bepaalt hoe het systeem zich gedraagt. De hardware bepaalt wat het kan weten.
Waarom dichtheid de doorslaggevende factor wordt
Op een gegeven moment stuit elke investering in kunstmatige intelligentie op dezelfde vraag: hoe kan het systeem blijven groeien zonder de onderliggende infrastructuur te overbelasten? De opslagdichtheid is het antwoord op die vraag. De echte beperking bij AI voor bedrijven is de continuïteit, niet de rekenkracht. De mogelijkheid om meer gegevens op te slaan zonder de infrastructuur uit te breiden, heeft rechtstreeks invloed op de mate waarin een systeem kan opschalen.
Op grotere schaal versterkt het effect zich. Bij een implementatie van één exabyte verhoogt het Mozaic™ 4+-platform van Seagate de efficiëntie van de infrastructuur met ongeveer 47% ten opzichte van standaardimplementaties van 30 TB, terwijl tegelijkertijd de benodigde ruimte in het datacenter en het energieverbruik worden verminderd.3
Het blijkt dat de infrastructuurbeslissing en de zakelijke beslissing in feite dezelfde zijn. Systemen die het geleerde onthouden, dit efficiënt kunnen ophalen en het bij miljoenen interacties hergebruiken, zullen hun waarde steeds verder vergroten. Systemen die zijn gebaseerd op een infrastructuur waarin gegevens als tijdelijk worden beschouwd, zullen op den duur een plateau bereiken. Niet omdat de modellen onjuist zijn, maar omdat de fundering waarop ze rusten het gewicht niet kan dragen.
Opslag is de manier waarop AI kennis vergaart — en op grote schaal bepaalt die opgeslagen context in hoeverre het systeem kan leren van zijn eigen verleden, zich kan aanpassen en waarde kan terugleveren aan het bedrijf.
Ontdek hoe meerlaagse opslagarchitecturen – op basis van HDD’s – objectopslag op grote schaal ondersteunen.
Referenties
- Seagate Technology, “Hybride opslagsystemen en harde schijven staan in voor de volledige werkbelasting in datacenters van Seagate”, Seagate U.S.,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC, Prognose voor objectopslag, 2024–2028: Wereldwijde marktontwikkelingen en prognoses voor bestands- en objectgebaseerde opslag, 2024.
- Seagate Technology, „Seagate levert harde schijven met de hoogste capaciteit in de sector dankzij de volgende generatie Mozaic 4+”, 3 maart 2026,
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
