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 die Anhäufung von Wissen über Jahre hinweg durch Kundeninteraktionen, Tests, Fehler, Feedback und Verbesserungen. 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. Es wird von ihnen erwartet, dass sie kontinuierlich dazulernen, ihre Empfehlungen verfeinern und ihre Erfahrungen an neue Daten anpassen. Das Modell ist weiterhin wichtig, aber ebenso entscheidend ist die Fähigkeit des Systems, bereits erfasste Daten zu speichern und bei Bedarf abzurufen.
Das Kundenverhalten, bisherige Ergebnisse und sich entwickelnde Muster müssen erhalten bleiben und zugänglich sein, und das verändert die Gesprächsführung. 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. Die Unternehmen investierten in GPUs, stellten Datenwissenschaftler ein und konzentrierten sich auf Schulungen. 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 – massiven, global verteilten Cloud-Infrastrukturen, in denen diese Systeme betrieben werden – wird der Objektspeicher zum Datenspeicher für die angesammelten Daten. Auf Festplatten basierend, bietet es die robuste und wirtschaftliche Grundlage, die es KI-Systemen ermöglicht, den Kontext zu bewahren, ihn im Laufe der Zeit zu erweitern und sich kontinuierlich zu verbessern.
Vom Archiv zum Datensystem
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 wurden lange Zeit als ein Ziel betrachtet, wo Daten landen, nachdem sie nicht mehr aktiv genutzt werden. Dieses Modell funktionierte, solange die Arbeitsbelastung nur episodisch auftrat. Aber KI-Systeme, die kontinuierlich lernen und sich weiterentwickeln, haben keinen klar definierten Endpunkt.
Jede Interaktion hinterlässt Spuren. Die Ausgaben akkumulieren sich und werden, sobald sie gespeichert sind, Teil des Arbeitskontexts des Systems. Statt zu verschwinden, bleiben diese Ergebnisse neben allem, was vorher war, erhalten und prägen das, was als Nächstes geschieht. Mit dem Aufbau dieser Systeme gewinnt die Objektspeicherung eine zentralere Rolle – nicht nur als Speicherort, sondern als die Ebene, auf der die gesammelten Daten erhalten bleiben, zugänglich bleiben und in aktive Arbeitsabläufe zurückgeführt werden können, um zukünftige Ergebnisse zu beeinflussen.
Die Datenübertragung zwischen den verschiedenen Ebenen läuft weiter. Es wird in den Speicher geladen, in Verarbeitungsschichten eingelesen und in Echtzeit verwendet – oft mehr als einmal innerhalb eines einzigen Arbeitsablaufs. Aber letztendlich muss es irgendwo weiterbestehen. Es muss zugänglich, langlebig und jederzeit wieder einsatzbereit bleiben.
Diese Rolle übernimmt zunehmend der Objektspeicherung, die in Hyperscale-Clouds auf Festplatten basiert. Tatsächlich befinden sich über 90 % der Kapazität von Cloud-Rechenzentren auf Festplatten, was nicht nur widerspiegelt, wo Daten gespeichert werden, sondern auch, wo sie in großem Umfang gespeichert werden müssen.¹ Speicherung ist der Weg, wie KI den Kontext beibehält. Im großen Maßstab hört es auf, eine Nebensache zu sein, und wird Teil dessen, was definiert, was das System leisten kann.
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?
Hier hört es auf, theoretisch zu sein. Man sieht, wie Systeme immer wieder auf gespeicherte Daten zugreifen und die Ergebnisse verfeinern, indem sie mehr Kontext hinzufügen. Was wie eine einzelne Abfrage aussieht, ist oft eine Reihe von Suchvorgängen im Hintergrund, von denen jeder davon abhängt, welche Daten bereits gespeichert wurden. Mit zunehmender Reife dieser Systeme erhalten 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 gewinnt zunehmend an Bedeutung, genauso wie das Modell selbst. Bei der Anwendung von KI-Workloads im großen Maßstab werden weiterhin enorme Datenmengen erzeugt, doch ein Großteil davon wird immer noch als vergänglich behandelt – einmal verwendet und verworfen – anstatt als Grundlage für die Weiterentwicklung des Systems gespeichert zu werden.
Hier tritt eine neue Einschränkung auf. Da Daten zunehmend zu einem langfristigen Vermögenswert werden, besteht die Herausforderung nicht mehr nur darin, wie viel gespeichert werden kann, sondern vielmehr darin, wie viel davon zugänglich, dauerhaft und wiederverwendbar bleibt, während die Systeme immer größer werden.
Der Markt passt sich dieser Realität bereits an. IDC prognostiziert ein jährliches Wachstum der Objektspeicherkapazität von 25,6 %, was die steigende Nachfrage nach persistenten, leicht zugänglichen Daten in großem Umfang widerspiegelt.²
Wenn Speicher und Rechenleistung nicht mehr synchron sind
Theoretisch sind KI-Systeme auf Effizienz ausgelegt. In der Praxis wird es mit zunehmender Unternehmensgröße immer schwieriger, diese Effizienz aufrechtzuerhalten. Compute 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 aber auch der Umfang dessen, was sie behalten wollen. 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, spielt die Datenschicht eine immer größere Rolle bei den Architekturentscheidungen, die darüber entscheiden, wie effektiv diese Systeme skalieren können.
Letztendlich werden Systeme nicht durch ihre Geschwindigkeit begrenzt, sondern dadurch, wie viel ihrer Geschichte sie als nutzbaren Zustand weiterführen können.
Die Hardware unter der Software
Die Infrastrukturentscheidungen, die Organisationen jetzt treffen, werden darüber entscheiden, wie weit ihre KI-Systeme tatsächlich gehen können.
Ein Großteil davon wird als softwaredefiniert beschrieben, und ein beträchtlicher Teil des Systemverhaltens wird dadurch geprägt, wie Daten verteilt und abgerufen werden. Doch mit zunehmender Skalierung des Einsatzes lässt sich eine andere Realität nicht mehr ignorieren: Wie weit diese Systeme wachsen können, hängt letztendlich von der zugrunde liegenden Hardware ab.
Die KI-Infrastruktur arbeitet auf mehreren Ebenen. Der Speicher unterstützt das, was gerade passiert. Flash ermöglicht Hochgeschwindigkeitszugriffe dort, wo Latenz eine wichtige Rolle spielt. Darunter bildet die skalierbare Objektspeicherung auf Festplatten die dauerhafte Grundlage, auf der Daten langfristig verfügbar bleiben.
Je kontinuierlicher die Systeme werden, desto deutlicher wird diese Unterscheidung. Die Leistungsebenen übernehmen die sofortige Verarbeitung, während der Objektspeicher sicherstellt, dass bereits erfolgte Vorgänge verfügbar bleiben. Da diese Systeme kontinuierlich große Mengen unstrukturierter Daten erzeugen und wiederverwenden, können sie nicht allein auf Basis von Leistungsstufen aufrechterhalten werden. Da Dichte, Haltbarkeit und Skalierbarkeit von nebensächlichen Überlegungen zu zentralen Einschränkungen werden, bleiben Festplatten unverzichtbar.
Die Software bestimmt das Verhalten des Systems. Die Hardware bestimmt, was sie 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 Speicherdichte ist der Punkt, an dem diese Frage beantwortet wird. Die eigentliche Einschränkung bei KI in Unternehmen ist die Kontinuität, nicht die Rechenleistung. Die Möglichkeit, mehr Daten zu speichern, ohne die Infrastruktur auszubauen, beeinflusst direkt, wie weit ein System skalierbar ist.
Im großen Maßstab verstärkt sich der 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
Die Infrastrukturentscheidung und die Geschäftsentscheidung erweisen sich als ein und dieselbe. Systeme, die das Gelernte speichern, es effizient abrufen und über Millionen von Interaktionen hinweg wiederverwenden, steigern ihren Wert. Systeme, die auf einer Infrastruktur aufbauen, die Daten als flüchtig behandelt, werden irgendwann ein Plateau erreichen. Nicht etwa, weil die Modelle falsch wären, sondern weil das Fundament darunter die Last nicht tragen kann.
Die Speicherung ist die Art und Weise, wie KI Wissen anhäuft – und in großem Umfang prägt dieser gespeicherte Kontext, wie viel das System aus seiner eigenen Vergangenheit lernen, sich anpassen und einen Mehrwert für das Unternehmen schaffen kann.
Erfahren Sie, wie mehrstufige Speicherarchitekturen – basierend auf HDDs – Objektspeicherung in großem Umfang unterstützen.
Referenzen
- Seagate Technology, „Die Workloads im Rechenzentrum von Seagate werden vollständig von Hybrid- und Festplattenspeichersystemen bewältigt“, Seagate USA,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC, Prognose für Objektspeicher, 2024–2028: Weltweiter Markt für datei- und objektbasierte Speicherlösungen: Aktualisierung und Prognose bis 2024.
- Seagate Technology, „Seagate liefert mit der Mozaic 4+ der nächsten Generation die branchenweit größten Festplattenkapazitäten“, 3. März 2026
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
