Raport o gotowości infrastruktury danych 2026

Zapotrzebowanie na sztuczną inteligencję przewyższa gotowość infrastruktury. Nowe globalne badanie zlecone przez Seagate wśród ponad 2700 decydentów ds. technologii w przedsiębiorstwach wykazało, że 99% z nich spodziewa się, że sztuczna inteligencja zwiększy zapotrzebowanie na pamięć masową w ciągu najbliższych trzech lat, ale tylko 38% twierdzi, że jest w pełni przygotowany.

Ta luka w gotowości staje się coraz poważniejsza, ponieważ sztuczna inteligencja wkracza w nową fazę. Pierwszą erę sztucznej inteligencji zdefiniowały przełomy w modelowaniu i obliczeniach. Następna era będzie kształtowana przez decyzje dotyczące infrastruktury danych, które są niezbędne do wydajnego i zrównoważonego skalowania sztucznej inteligencji oraz do uwalniania długoterminowej wartości. Organizacje stają w obliczu nowej rzeczywistości: Sukces sztucznej inteligencji zależy od innowacji w infrastrukturze, a dane stały się strategicznym aktywem przedsiębiorstwa, a nie tylko źródłem kosztów.

Na tym tle w badaniu przeanalizowano kilka aspektów dynamiki, z jakimi mierzą się organizacje, przygotowując się na przyszłość infrastruktury AI:

• Wzrost danych napędzany sztuczną inteligencją
• Gotowość infrastruktury AI
• Priorytety inwestycji infrastrukturalnych
• Zrównoważony rozwój i wydajność operacyjna
• Strategia magazynowania i długoterminowa skalowalność

Podkreślając krytyczną potrzebę ciągłych inwestycji w strategię danych, zarządzanie i systemy niezbędne do sukcesu sztucznej inteligencji, te czynniki definiują nowy imperatyw: zrównoważone skalowanie.

Zrównoważone skalowanie to zdolność do zwiększania możliwości sztucznej inteligencji i wartości biznesowej przy jednoczesnym ciągłym podnoszeniu efektywności infrastruktury, która ją obsługuje. W miarę jak decydenci, organy regulacyjne i społeczeństwo coraz uważniej przyglądają się rozwojowi infrastruktury AI, zrównoważona skalowalność będzie odgrywać kluczową rolę w długoterminowej rentowności solidnej i zdrowej gospodarki AI.

Pięć przedstawionych poniżej strategicznych zmian ilustruje, w jaki sposób organizacje wdrażają koncepcję zrównoważonego skalowania w praktyce oraz gdzie tkwią największe szanse i wyzwania.

Sztuczna inteligencja już teraz przynosi wymierne korzyści biznesowe. Osiemdziesiąt sześć procent respondentów uważa, że ​​zwrot z inwestycji w sztuczną inteligencję w ich organizacjach jest umiarkowany lub znaczny, przy czym 33% deklaruje znaczne, mierzalne zwroty. Wyniki te podnoszą stawkę dla danych, które umożliwiają rozwój sztucznej inteligencji. Gdy modele, aplikacje i decyzje zależą od danych, ich przechowywanie przestaje być funkcją tła. Staje się częścią zdolności organizacji do ulepszania wyników sztucznej inteligencji w dłuższej perspektywie. Tendencja ta jest powszechna na wszystkich rynkach, przy czym umiarkowane lub znaczne zwroty odnotowano w USA (87%), Chinach (91%), Indiach (91%), Japonii (75%), Francji (82%), Wielkiej Brytanii (86%) i Niemczech (82%).

Oczekuje się znacznego wzrostu. Prawie wszyscy respondenci spodziewają się, że w ciągu trzech lat sztuczna inteligencja zwiększy zapotrzebowanie na pojemność pamięci masowej. Siedmiu na dziesięciu respondentów przewiduje wzrost o co najmniej 26%, w tym 32% spodziewa się, że wymagania wzrosną o ponad połowę. Oczekiwania te są niemal jednakowe na wszystkich rynkach i wahają się od 98% w Japonii do 100% w Indiach, Francji, Wielkiej Brytanii i Niemczech, przy czym w USA i Chinach wskaźnik ten wynosi 99%.

Wniosek jest oczywisty: organizacje muszą planować zarówno przetwarzanie większej ilości danych, jak i gromadzenie większej wartości wynikającej z tych danych. Krótkoterminowe podejście skoncentrowane wyłącznie na natychmiastowej przepustowości może doprowadzić do fragmentacji informacji, ich niedostępności lub wysokich kosztów ponownego wykorzystania. Długoterminowa perspektywa pozwala powiązać decyzje dotyczące retencji, dostępu i zarządzania z przyszłą wartością, jaką organizacja spodziewa się wytworzyć dzięki sztucznej inteligencji.

Tę zmianę widać już w sposobie, w jaki liderzy opisują kwestię magazynowania. Dziewięćdziesiąt osiem procent respondentów zgadza się, że sztuczna inteligencja przekształca przechowywanie danych z zaplecza biurowego w strategiczną infrastrukturę biznesową. Odkrycie to wskazuje na zmianę priorytetów: decyzje dotyczące przechowywania danych mają obecnie bezpośredni wpływ na to, jak szybko organizacje mogą wykorzystać dane i jak dobrze mogą zachować ich wartość. Pogląd ten utrzymuje się na wszystkich rynkach i waha się od 96% w Japonii i Niemczech do 100% w Indiach, przy czym w USA i Wielkiej Brytanii wskaźnik ten wynosi 99%, w Chinach 98%, a we Francji 97%.

Powiększ

Większość organizacji wyraża pewność co do obranego kierunku, jednak bliższe przyjrzenie się ujawnia bardziej złożoną rzeczywistość. Choć 83% ankietowanych twierdzi, że są w pełni lub w dużej mierze przygotowani na długoterminowe zapotrzebowanie sztucznej inteligencji na dane, to jedynie 38% uważa się za w pełni przygotowanych. Postrzegany stopień przygotowania znacznie różni się w zależności od rynku i wynosi od 96% w Chinach do 55% w Japonii, 89% w Indiach, 88% w Wielkiej Brytanii, 86% w USA i Niemczech oraz 74% we Francji.

Wyniki wskazują, że gotowość na wdrożenie sztucznej inteligencji zależy od czegoś więcej niż tylko mocy obliczeniowej czy inwestycji. Respondenci jako najczęstsze braki wskazali dojrzałość strategii AI, budżet i zasoby, zarządzanie danymi i nadzór nad nimi. Wyzwania związane z wdrażaniem są podobne. Wśród kluczowych ograniczeń operacyjnych 53% ankietowanych wskazało jakość i gotowość danych, a 43% infrastrukturę pamięci masowej, podczas gdy dostępność mocy obliczeniowych wskazało 27%, a ograniczenia energetyczne 24%.

Respondenci jako główne wyzwania związane z wdrażaniem sztucznej inteligencji podają jakość i gotowość danych (53%) oraz infrastrukturę pamięci masowej (43%), wyprzedzając dostępność mocy obliczeniowej i ograniczenia energetyczne.

Powiększ

Respondenci jako główne wyzwania związane z wdrażaniem sztucznej inteligencji podają jakość i gotowość danych (53%) oraz infrastrukturę pamięci masowej (43%), wyprzedzając dostępność mocy obliczeniowej i ograniczenia energetyczne.

Ostatecznie luka w gotowości jest wyzwaniem związanym z bazą danych. W rezultacie organizacje potrzebują skoordynowanej bazy danych, która będzie koordynować retencję danych, zarządzanie nimi, przechowywanie danych i obliczenia, aby skutecznie skalować sztuczną inteligencję.

Organizacje coraz częściej traktują inwestycje w centra danych jako strategiczny priorytet biznesowy, a nie jako konieczny wydatek operacyjny. Ponad trzy czwarte respondentów uznało ją za jeden z trzech najważniejszych priorytetów infrastrukturalnych, a jedna na pięć wskazała ją jako swój najważniejszy priorytet.

Powiększ

Perspektywy wydatków pokazują również, że infrastruktura AI wykracza poza procesory graficzne. Infrastruktura zapewniająca bezpieczeństwo i zgodność z przepisami znajduje się na szczycie listy priorytetów inwestycyjnych organizacji (44%), a zarządzanie danymi i nadzór nad nimi plasują się na drugim miejscu (43%). Odświeżenie infrastruktury AI i GPU oraz sprzętu pamięci masowej zajęło trzecie miejsce pod względem wielkości priorytetu inwestycyjnego (39%).

Pytanie strategiczne nie polega zatem na tym, która pojedyncza warstwa stosu otrzyma największy budżet. Chodzi o to, czy cała infrastruktura może obsługiwać przepływ danych do systemów AI, zachowywać dane, które mogą zyskać na wartości w przyszłości, i skalować się bez tworzenia nowych ograniczeń operacyjnych. Inwestycje tworzą większą wartość, gdy organizacje wspólnie oceniają te zależności.

Kwestie związane z energią i zrównoważonym rozwojem już teraz wpływają na planowanie infrastruktury AI. Siedemdziesiąt siedem procent respondentów stwierdziło, że ich organizacja opóźniła lub zmieniła strukturę ekspansji z powodu tych obaw. W 36% przypadków znacząco zrestrukturyzowano planowane inwestycje, a w 41% wystąpiły niewielkie opóźnienia.

Odkrycie to sprawia, że ​​efektywność przestaje być celem samym w sobie, a staje się bieżącym ograniczeniem w planowaniu. Organizacje muszą zwiększyć wydajność, ale muszą też zrozumieć konsekwencje tego wzrostu w zakresie zużycia energii, przestrzeni, chłodzenia i cyklu życia sprzętu. Najbardziej użyteczne decyzje to takie, które liderzy potrafią powiązać z mierzalnymi wymaganiami operacyjnymi.

Respondenci oczekują postępu. Trzydzieści dziewięć procent respondentów uważa obecnie, że ich działalność magazynowa jest „bardzo zrównoważona”. Odsetek ten wzrasta do 61%, gdy weźmie się pod uwagę, jak będzie wyglądała działalność firmy za pięć lat. Oczekiwania różnią się także w zależności od dostępnych inwestycji: 70% organizacji dysponujących rocznym budżetem na zrównoważony rozwój wynoszącym 100 milionów dolarów lub więcej spodziewa się, że ich działalność będzie „bardzo zrównoważona” w ciągu pięciu lat, podczas gdy odsetek ten wśród organizacji dysponujących budżetem poniżej 1 miliona dolarów jest niższy.

Organizacje coraz częściej definiują i oceniają zrównoważoną infrastrukturę na podstawie efektywności operacyjnej, a nie wyłącznie sprawozdawczości dotyczącej oddziaływania na środowisko. Zużycie energii to najczęściej brany pod uwagę czynnik przy ocenie wpływu sprzętu pamięci masowej na środowisko, na który powołuje się 62% ankietowanych. Żywotność i trwałość urządzenia wynosi 55%. Prawie wszyscy respondenci zgadzają się również, że wydłużenie cyklu życia sprzętu do przechowywania danych ma znaczący wpływ na stabilność działania centrów danych.

Wyniki te potwierdzają operacyjny pogląd na zrównoważoną skalowalność. Zamiast opierać się na szerszych kryteriach środowiskowych, organizacje mogą oceniać konkretne wybory infrastrukturalne pod kątem zużycia energii, wykorzystania pojemności, żywotności sprzętu i kosztu energii na terabajt. Dzięki tym rozwiązaniom łatwiej jest powiązać cele zrównoważonego rozwoju z codziennymi korzyściami ekonomicznymi związanymi z infrastrukturą.

W miarę jak sztuczna inteligencja zwiększa ilość, różnorodność i wartość danych, których organizacje potrzebują do osiągnięcia sukcesu i rozwoju, modele biznesowe, na których opiera się ta sztuczna inteligencja, są w coraz większym stopniu kształtowane przez infrastrukturę danych, na której się opiera. Równie ważna jak zwiększanie mocy produkcyjnych jest optymalizacja ekonomiki i efektywności operacyjnej wzrostu. Oznacza to stosowanie zasad zorientowanych na wydajność przy projektowaniu infrastruktury, co pozwala organizacjom zwiększać przepustowość, a jednocześnie stale poprawiać wykorzystanie zasobów, marże zysku i długoterminowy zwrot z inwestycji.

Przejście na infrastrukturę zorientowaną na wydajność znajduje odzwierciedlenie w praktykach operacyjnych przyjmowanych przez organizacje:

• 52% używa sztucznej inteligencji do określania potrzeb w zakresie magazynowania i operacji (USA: 48%, Chiny: 55%, Indie: 62%, Japonia: 54%, Francja: 47%, Wielka Brytania: 53%, Niemcy: 42%).
• 46% inwestuje w odnawialne źródła energii (USA: 44%, Chiny: 41%, Indie: 58%, Japonia: 37%, Francja: 45%, Wielka Brytania: 49%, Niemcy: 47%).
• 40% wykorzystuje energię na podstawie rzeczywistych potrzeb danych, zamiast nieprzerwanie utrzymywać infrastrukturę (USA: 34%, Chiny: 44%, Indie: 48%, Japonia: 41%, Francja: 29%, Wielka Brytania: 41%, Niemcy: 40%).
• 31% ponownie wykorzystuje ciepło generowane przez infrastrukturę danych (USA: 26%, Chiny: 37%, Indie: 32%, Japonia: 24%, Francja: 38%, Wielka Brytania: 31%, Niemcy: 33%).

Ta sama koncepcja skoncentrowana na wydajności coraz częściej kształtuje również architekturę pamięci masowej. Przykładem takiej zmiany jest podejście uwzględniające obciążenie pracą. Zamiast stosować jedną architekturę w całym cyklu życia danych, organizacje mogą zaprojektować systemy, które zapewniają równowagę między wydajnością, pojemnością, efektywnością i długoterminową wartością, zgodnie z wymaganiami dotyczącymi obciążenia. Tworzy to bardziej praktyczne ramy skalowania sztucznej inteligencji przy jednoczesnej kontroli kosztów infrastruktury i zapotrzebowania na zasoby.

Środowiska sztucznej inteligencji obejmują różne typy danych o różnych wymaganiach dotyczących wydajności, pojemności i dostępu. Dane szkoleniowe, aktywne zestawy danych, kontekst wnioskowania, punkty kontrolne modelu, zawartość źródłowa i zachowane dane wyjściowe nie stawiają takich samych wymagań infrastrukturze. W miarę jak sztuczna inteligencja się rozwija, coraz ważniejsze staje się projektowanie zorientowane na wydajność. Organizacje, które dostosowują technologie pamięci masowej do wymagań obciążenia w ramach inteligentnych, wielowarstwowych architektur, mogą poprawić efektywność ekonomiczną, obniżyć koszty operacyjne i zbudować bardziej odporną podstawę dla długoterminowego rozwoju.

Kolejny etap rozwoju sztucznej inteligencji wygeneruje więcej danych, ale sama pojemność nie zadecyduje o tym, które organizacje w pełni wykorzystają ich potencjał. Cechą wyróżniającą będzie możliwość utrzymywania danych dostępnych i gotowych do użycia przy jednoczesnym efektywnym zarządzaniu wymaganiami infrastrukturalnymi wynikającymi ze wzrostu.

Z badania wynika, że ​​prace te już trwają. Organizacje nadają priorytet inwestycjom w centra danych, ponownie oceniają rolę pamięci masowej i uwzględniają kwestie efektywności oraz cyklu życia w planach ekspansji. Jednak różnica między stopniem pełnego przygotowania a stopniem częściowego przygotowania pozostaje duża.

Aby zniwelować tę lukę, konieczna jest strategia infrastrukturalna uwzględniająca cały cykl życia danych. Organizacje muszą zrozumieć, jakie dane będą tworzyć, jak szybko różne obciążenia robocze muszą uzyskiwać do nich dostęp, jak długo mogą one zachować wartość i jakie środki operacyjne będą decydować o rozwoju. Decyzje te tworzą podwaliny pod zrównoważoną skalowalność i trwałą wartość sztucznej inteligencji.