In vielen Unternehmen sind KI-Investitionen direkt mit Ergebnissen verbunden, wie z. B. der Verbesserung der Entscheidungsfindung, der Beschleunigung der Produktentwicklung und der Bereitstellung personalisierterer Benutzererlebnisse.
Überlegen Sie einmal, wie Unternehmen Produkte auf cloudbasierten Plattformen und Diensten entwickeln. Wettbewerbsvorteile entstehen nicht durch einzelne Erkenntnisse, sondern durch Wissen, das sich über Jahre aus Kundeninteraktionen, Tests, Fehlschlägen, Feedback und Verbesserungen ansammelt. Je mehr institutionelles Wissen ein Unternehmen bewahren und anwenden kann, desto schneller kann es sich verbessern.
KI-Systeme beginnen, auf die gleiche Weise zu funktionieren. Die größte Herausforderung bestand anfangs darin, das Modell zu trainieren. Mit zunehmender Reife der Systeme hängt ihr Wert immer stärker davon ab, wie effektiv sie die durch frühere Interaktionen und Ergebnisse gesammelten Daten speichern, darauf zugreifen und sie wiederverwenden können. Die Arbeit erscheint anfangs überschaubar, doch mit zunehmender Reife der Implementierungen steigen die Erwartungen. Es genügt nicht mehr, dass Systeme analysieren, was bereits geschehen ist. Von ihnen wird erwartet, dass sie kontinuierlich lernen, Empfehlungen verfeinern und Nutzererlebnisse anpassen, sobald neue Daten vorliegen. Das Modell bleibt wichtig, ebenso jedoch die Fähigkeit des Systems, bereits erfasste Daten zu bewahren und bei Bedarf wieder abzurufen.
Kundenverhalten, frühere Ergebnisse und sich entwickelnde Muster müssen dauerhaft erhalten und zugänglich bleiben. Damit verschiebt sich der Schwerpunkt der Diskussion. Die Leistungsfähigkeit des Modells ist nach wie vor wichtig, aber sie ist nicht mehr alles. Die übergeordnete Frage ist, ob das System selbst diesen Kontext im Zuge seiner Weiterentwicklung aufrechterhalten kann.
Jahrelang konzentrierten sich KI-Diskussionen auf Modelle und Rechenleistung. Unternehmen investierten in GPUs, stellten Data Scientists ein und konzentrierten sich auf das Modelltraining. Der Speicher unterstützte den Prozess, indem er Datensätze speicherte und weitgehend im Hintergrund blieb.
Jetzt, wo diese Systeme weit verbreitet sind, zeigt sich noch etwas anderes. Die Modelle laufen kontinuierlich, und der Schwerpunkt der Arbeit hat sich von der Erzeugung von Intelligenz hin zu deren Skalierung verlagert. Dies wird oft als agentenbasierte KI bezeichnet – Systeme, die nicht nur auf Anfragen reagieren, sondern den Kontext weiterführen und auf dem aufbauen, was sie bereits getan haben.
Sie generieren Ausgaben, greifen auf gespeicherte Daten zu und bauen auf früheren Interaktionen auf. Was wie eine einzelne Anfrage aussieht, ist oft nur ein Schritt in einem fortlaufenden Zyklus, in dem Kontext abgerufen, Antworten verfeinert und neue Informationen wieder in das System eingespeist werden.
Die Verbesserung von Systemen hängt zunehmend davon ab, wie effektiv diese Daten gespeichert, abgerufen und in verschiedenen Arbeitsabläufen wiederverwendet werden. In Hyperscale-Umgebungen – riesigen, weltweit verteilten Cloud-Infrastrukturen, in denen diese Systeme betrieben werden – wird Objektspeicher zum maßgeblichen Datenspeicher für die angesammelten Daten. Auf Laufwerken in großem Maßstab aufgebaut, bietet er die dauerhafte und wirtschaftliche Grundlage, mit der KI-Systeme Kontext bewahren, im Laufe der Zeit erweitern und sich kontinuierlich verbessern können.
Vom Archiv zum maßgeblichen Datenspeicher
Sobald Systeme auf diese Weise zu funktionieren beginnen, verändert sich die Rolle des Speichers. Bei der Produktentwicklung fließen Kundenfeedback, bisherige Ergebnisse, Testdaten und frühere Interaktionen weiterhin in die Optimierung ein. Das gleiche Muster zeigt sich branchenübergreifend, überall dort, wo KI-Systeme auf die Speicherung und Wiederverwendung von Daten angewiesen sind.
Objektspeicher galt lange als Ziel, an dem Daten abgelegt werden, sobald sie nicht mehr aktiv genutzt werden. Dieses Modell funktionierte, solange Workloads nur zeitweise ausgeführt wurden. Aber KI-Systeme, die kontinuierlich lernen und sich weiterentwickeln, haben keinen klar definierten Endpunkt.
Jede Interaktion hinterlässt Spuren. Ergebnisse sammeln sich an und werden, sofern sie erhalten bleiben, Teil des Arbeitskontexts des Systems. Statt zu verschwinden, bleiben diese Ergebnisse zusammen mit allen zuvor erzeugten Daten verfügbar und prägen die nächsten Schritte. Mit der kontinuierlichen Weiterentwicklung dieser Systeme übernimmt der Objektspeicher eine zentralere Rolle: Er dient nicht nur als Ablage, sondern als Ebene, auf der angesammelte Daten dauerhaft und zugänglich bleiben und wieder in aktive Workflows einfließen können, um künftige Ergebnisse zu verbessern.
Daten werden weiterhin zwischen anderen Speicherebenen verschoben. Sie werden im Arbeitsspeicher bereitgestellt, in Verarbeitungsebenen geladen und in Echtzeit genutzt – innerhalb eines einzelnen Workflows häufig mehrmals. Letztlich müssen sie jedoch irgendwo dauerhaft gespeichert werden. Es muss zugänglich, langlebig und jederzeit wieder einsatzbereit bleiben.
Diese Aufgabe übernimmt zunehmend Objektspeicher, der in Hyperscale-Clouds auf Laufwerken basiert. Tatsächlich entfallen mehr als 90 % der Speicherkapazität von Cloud-Rechenzentren auf Laufwerke. Dies zeigt nicht nur, wo Daten abgelegt werden, sondern auch, wo sie im großen Maßstab dauerhaft vorgehalten werden müssen.¹ Durch Speicherung bewahrt KI ihren Kontext. Bei der Skalierung wird die Speicherung von einem nachrangigen Aspekt zu einem Faktor, der die Leistungsfähigkeit des Systems mitbestimmt.
Die Datenfrage hat sich verändert
In der Trainingsära war die Datenfrage einfach: Haben wir genug Daten, um ein brauchbares Modell zu erstellen?
Bei solchen Systemen stellt sich eine andere Frage: Kann das System die richtigen Daten zum richtigen Zeitpunkt abrufen, und das oft wiederholt während des Betriebs?
An diesem Punkt wird die Frage konkret. Man sieht, wie Systeme immer wieder auf gespeicherte Daten zugreifen und die Ergebnisse verfeinern, indem sie mehr Kontext hinzufügen. Was wie eine einzelne Abfrage erscheint, ist häufig eine Reihe von Suchvorgängen im Hintergrund, die jeweils von den bereits gespeicherten Daten abhängen. Mit zunehmender Reife dieser Systeme übernehmen Daten eine neue Rolle. Was zwischen den aktiven Nutzungen im Speicher verbleibt, ist nicht ungenutzt. Es gehört zu dem, was das System weiß – frühere Ausgaben, Interaktionen und Signale, die das weitere Geschehen beeinflussen. Dieser angesammelte Kontext wird allmählich ebenso wichtig wie das Modell selbst. KI-Workloads erzeugen im großen Maßstab weiterhin enorme Datenmengen. Ein Großteil davon gilt jedoch noch immer als vorübergehend – einmal verwendet und dann verworfen –, statt als Grundlage für die weitere Systementwicklung erhalten zu bleiben.
Hier tritt eine neue Einschränkung auf. Da Daten zunehmend zu einem langfristigen Gut werden, besteht die Herausforderung nicht mehr nur darin, wie viel gespeichert werden kann. Entscheidend ist vielmehr, wie viel davon bei weiterer Skalierung der Systeme zugänglich, dauerhaft verfügbar und wiederverwendbar bleibt.
Der Markt passt sich dieser Realität bereits an. IDC prognostiziert für die Kapazität von Objektspeicher eine durchschnittliche jährliche Wachstumsrate von 25,6 %, was die steigende Nachfrage nach dauerhaft verfügbaren und zugänglichen Daten im großen Maßstab widerspiegelt.²
Wenn Speicher und Rechenleistung nicht mehr synchron sind
Theoretisch sind KI-Systeme auf Effizienz ausgelegt. In der Praxis wird es mit zunehmender Skalierung der Systeme schwieriger, diese Effizienz aufrechtzuerhalten. Die Rechenleistung entwickelt sich mit immer leistungsfähigeren und ausgefeilteren Modellen stetig weiter. Mit zunehmender Reife der Systeme wächst auch die Menge der Daten, die diese Systeme speichern und auf die sie angewiesen sind, noch schneller.
Organisationen werden immer besser darin, Informationen abzurufen und zu nutzen und die richtigen Daten zum richtigen Zeitpunkt in die Arbeitsabläufe einzubinden. Gleichzeitig wächst jedoch auch die Datenmenge, die sie dauerhaft speichern möchten. Historische Geschäftsdaten, frühere Ergebnisse, Kundeninteraktionen und das angesammelte Organisationswissen gewinnen mit zunehmender Reife der Systeme an Wert. Die Qualität der Ergebnisse eines KI-Systems spiegelt zunehmend die Tiefe und Breite der Informationen wider, auf die es zugreifen kann.
Wenn die Leistung nicht ausreicht, besteht der erste Impuls immer noch darin, mehr Rechenleistung einzusetzen. Das löst aber nicht immer das eigentliche Problem. Neben der Datenverarbeitung besteht die größere Herausforderung darin, den Zugriff auf die gesammelten Daten, die den Systemen Kontext verleihen, aufrechtzuerhalten und sicherzustellen, dass diese Daten im Zuge der Systementwicklung erhalten, abgerufen und wiederverwendet werden können.
Dieses Ungleichgewicht macht sich nun auch in der Infrastrukturplanung bemerkbar. Da KI-Systeme immer mehr Daten speichern und wiederverwenden, gewinnt die Datenschicht bei Architekturentscheidungen an Bedeutung und beeinflusst, wie effizient diese Systeme skalieren können.
Letztlich werden Systeme nicht durch ihre Verarbeitungsgeschwindigkeit begrenzt, sondern dadurch, wie viel ihrer bisherigen Abläufe sie als nutzbaren Zustand weiterführen können.
Die Hardware unter der Software
Die heutigen Infrastrukturentscheidungen der Unternehmen bestimmen, welches Potenzial ihre KI-Systeme tatsächlich ausschöpfen können.
Ein Großteil davon wird als softwaredefiniert beschrieben, und ein beträchtlicher Teil des Systemverhaltens wird dadurch geprägt, wie Daten verteilt und abgerufen werden. Mit der zunehmenden Skalierung des Einsatzes lässt sich jedoch eine weitere Tatsache immer weniger ignorieren: In welchem Umfang diese Systeme skalieren können, hängt letztlich von der zugrunde liegenden Hardware ab.
KI-Infrastruktur erstreckt sich über mehrere Ebenen. Der Arbeitsspeicher unterstützt die aktuell ausgeführten Vorgänge. Flash ermöglicht Hochgeschwindigkeitszugriffe dort, wo Latenz eine wichtige Rolle spielt. Darunter bildet der auf Laufwerken in großem Maßstab aufgebaute Objektspeicher die dauerhafte Grundlage, auf der Daten langfristig verfügbar bleiben.
Je kontinuierlicher die Systeme werden, desto deutlicher wird diese Unterscheidung. Leistungsorientierte Speicherebenen unterstützen die unmittelbare Verarbeitung, während Objektspeicher bereits erzeugte Daten dauerhaft verfügbar hält. Da diese Systeme kontinuierlich große Mengen unstrukturierter Daten erzeugen und wiederverwenden, können sie nicht allein auf leistungsorientierten Speicherebenen betrieben werden. Da Dichte, Dauerhaftigkeit und Skalierbarkeit von nachrangigen Aspekten zu zentralen Anforderungen werden, bleiben Laufwerke unverzichtbar.
Die Software bestimmt das Verhalten des Systems. Die Hardware bestimmt, was das System wissen kann.
Warum die Dichte zum entscheidenden Faktor wird
Irgendwann steht jede KI-Investition vor der gleichen Frage: Wie kann das System weiter wachsen, ohne die zugrunde liegende Infrastruktur zu überfordern? Die Antwort auf diese Frage liegt in der Speicherdichte. Der eigentliche begrenzende Faktor bei KI in Unternehmen ist die Kontinuität, nicht die Rechenleistung. Die Möglichkeit, mehr Daten zu speichern, ohne den Flächen- und Ressourcenbedarf der Infrastruktur zu erhöhen, bestimmt unmittelbar, wie weit ein System skalieren kann.
Mit zunehmender Skalierung verstärkt sich dieser Effekt. Bei einer Bereitstellung von einem Exabyte verbessert die Mozaic™ 4+ Plattform von Seagate die Infrastruktureffizienz im Vergleich zu Standardbereitstellungen mit 30 TB um etwa 47 % und reduziert gleichzeitig den Platzbedarf im Rechenzentrum sowie den Energieverbrauch.3
Infrastrukturentscheidung und Geschäftsentscheidung erweisen sich letztlich als dieselbe Entscheidung. Systeme, die das Gelernte speichern, effizient abrufen und über Millionen von Interaktionen hinweg wiederverwenden, steigern ihren Wert fortlaufend. Systeme auf einer Infrastruktur, die Daten als vorübergehend behandelt, werden letztlich stagnieren. Nicht etwa, weil die Modelle falsch wären, sondern weil das Fundament darunter die Last nicht tragen kann.
Durch Speicherung sammelt KI Wissen an. Im großen Maßstab bestimmt dieser erhaltene Kontext, wie viel das System aus seiner eigenen Vergangenheit lernen, wie gut es sich anpassen und welchen Nutzen es für das Unternehmen schaffen kann.
Erfahren Sie, wie mehrstufige, HDD-basierte Speicherarchitekturen Objektspeicher im großen Maßstab unterstützen.
Referenzen
- Seagate Technology, „Die Rechenzentrums-Workloads von Seagate werden vollständig von hybriden und laufwerkbasierten Speichersystemen unterstützt“, Seagate USA,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/ - IDC, Prognose für Objektspeicher, 2024–2028: Worldwide File- and Object-Based Storage Market Update and Forecast, 2024.
- Seagate Technology, „Seagate liefert mit Mozaic 4+ der nächsten Generation die branchenweit höchsten Laufwerkskapazitäten“, 3. März 2026,
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
