Mit der zunehmenden Reife von KI-Technologien gehen Unternehmen von der Testphase zur praktischen Umsetzung über. Unternehmen haben mit Technologien wie digitalen Zwillingen, KI-Agenten und Frameworks für die Multi-Agenten-Orchestrierung bereits Projekte vorangetrieben – vom kleinen Pilotprojekt bis hin zur vollständigen Produktionsbereitstellung. Diese Bereitstellungen variieren stark in Umfang und Skalierung, basieren jedoch alle auf einer gemeinsamen Grundlage: Daten.
Wenn KI-Projekte vom Pilotprojekt in die Produktion übergehen, wird die Datenarchitektur zu einer strategischen Entscheidung. Wo sich Daten befinden, wie schnell auf sie zugegriffen werden kann und wie sicher sie verwaltet werden können, entscheidet oft darüber, ob KI in großem Maßstab einen bedeutenden geschäftlichen Mehrwert liefert.
Da bei diesen Projekten so viel auf dem Spiel steht, müssen Unternehmen über die Leistungsversprechen der neuen Tools hinausblicken und der zugrunde liegenden Architektur besondere Aufmerksamkeit schenken. Es kommt nicht nur auf die Hardware an, sondern auch darauf, wie Daten gespeichert und abgerufen werden, wenn KI-Piloten skalieren, an Reife gewinnen sind und beginnen, kritische Geschäftsanforderungen zu unterstützen. Unternehmen müssen entscheiden, ob sie Daten- und KI-Workloads in der öffentlichen Cloud, On-Premises oder am Edge bereitstellen möchten.
Vom Pilotprojekt zur Produktion
Der Reifegrad und der Stand der generativen KI-Technologie haben sich seit den Anfängen von ChatGPT im Jahr 2022 weiterentwickelt. Seitdem haben Unternehmen in allen Sektoren experimentiert und Ergebnisse erzielt. So haben laut dem globalen Technologiebericht von KPMG fast 70 % der Unternehmen bereits irgendeine Form von KI eingesetzt und gelten damit als Early Adopters. Fast drei Viertel (74 %) berichten, dass ihre KI-Anwendungsfälle einen bedeutenden geschäftlichen Mehrwert liefern.
Viele Unternehmen haben erfolgreiche produktionsreife KI-Systeme auf den Markt gebracht. Ein Beispiel ist das Energietechnologieunternehmen SLB, das Ende 2025 ein KI-Tool namens Tela auf den Markt brachte, um Prozesse und Workflows für andere Energieunternehmen zu automatisieren.
Tela nutzt agentische KI zur Automatisierung, um Workflows zu transformieren und Unternehmen, die SLB-Produkte einsetzen, bessere Ergebnisse zu liefern. Das Tool nutzt einen KI-Zyklus, der aus fünf Kernprinzipien besteht: beobachten, planen, generieren, handeln und lernen.
„Technologien wie Tela markieren einen Paradigmenwechsel hinsichtlich der Art und Weise, wie KI die Energiebranche unterstützt – von der Förderung im Untergrund bis hin zum Betrieb“, erklärte Rakesh Jaggi, Leiter des Bereichs Digital und Integration bei SLB, im Rahmen der Pressemitteilung des Unternehmens zur Ankündigung der Einführung von Tela.
„Heute steht die Branche vor einer doppelten Herausforderung: einer kleineren Belegschaft und zunehmender technischer Komplexität – und Tela kann beide Probleme bewältigen. Tela automatisiert nicht nur Aufgaben – es kann Ziele verstehen, Entscheidungen treffen und Maßnahmen ergreifen. Es ist das Zusammenspiel von 100 Jahren Fachwissen und modernster digitaler Technologie, das den menschlichen Erfindungsgeist stärkt und die Art und Weise, wie Arbeit erledigt wird, neu definiert.“
Pegatron, ein in Taiwan ansässiges Unternehmen für Elektronikdesign und -fertigung, ist ein weiteres Beispiel für ein Unternehmen, das digitale Zwillinge und virtuelle Fabrikmodelle nutzt, um seine Produktionsanlagen zu verbessern. Infolgedessen hat das Unternehmen die Bauzeiten um 40 % reduziert und die Fehlerquoten erheblich gesenkt.
Zuletzt wurden in einer im Dezember 2025 veröffentlichten wissenschaftlichen Studie zahlreiche Beispiele für den Einsatz von KI-Agenten in der Produktion bei Hunderten von Unternehmen weltweit aufgezeigt. Die Hauptgründe, aus denen Fachleute KI-Agenten entwickeln und einsetzen, sind die Steigerung der Produktivität (80,3 %) und die Reduzierung des Personalaufwands (72,7 %).
Wie bei jeder neuen Technologie sind die Einführung und der Erfolg von KI jedoch zwei verschiedene Dinge. Bei näherer Betrachtung zeigt die Untersuchung von Databricks, dass die überwiegende Mehrheit der Unternehmen (97 %), die von einem steigenden Return on Investment (ROI) berichten, über einheitliche Datenarchitekturen verfügt. Das bedeutet im Klartext: Fragmentierte Datenumgebungen können die KI-Leistung einschränken, die Bereitstellung verlangsamen und die geschäftlichen Auswirkungen mindern.
KI-Datenresidenz
Bei der Ausführung von KI-Workloads liegt der Schwerpunkt häufig auf der Recheninfrastruktur, doch auch die Organisation, Verwaltung und der Speicherort der Daten sind entscheidend dafür, ob ein Projekt erfolgreich ist oder scheitert. Laut McKinsey gehen bis zu 40 % des potenziellen Impacts verloren, was zum Teil auf fragmentierte Systeme und eine unzureichende Gestaltung des Betriebsmodells zurückzuführen ist.
Je nach Art der Bereitstellung benötigt KI riesige Mengen aktueller Daten für das Training, die Optimierung und die Inferenz. Es muss zudem berücksichtigt werden, wo sich die Daten befinden und wie einfach es für KI-Modelle ist, auf mitunter mehrere Petabyte an Informationen gleichzeitig zuzugreifen. Dies kann erfordern, die Rechenelemente näher an den Speicherort der Daten zu verlagern (z. B. im Rahmen von Edge Computing) und eine Vereinheitlichung über verschiedene Umgebungen hinweg durch gemeinsame Metadaten, einheitliche Verwaltungsrichtlinien und robuste Datenpipelines anzustreben.
Öffentliche Cloud-Umgebungen eignen sich oft gut für KI-Workloads in der Anfangsphase oder für Testzwecke. Mit ihnen können Teams Ressourcen bereitstellen und Modelle schnell testen sowie Managed Services nutzen, ohne sich im Vorfeld auf neue Hardware festlegen zu müssen. Hyperscaler bieten möglicherweise auch bestimmte Vorteile in Bezug auf Software oder Orchestrierung als Teil eines umfassenderen Pakets. Nicht zuletzt spielt auch die Datenresidenz eine wichtige Rolle, da Unternehmen, die auf die öffentliche Cloud setzen, ihre Daten in der Nähe der Cloud-zentrierten KI-Workloads hosten werden.
Dieses Modell verliert jedoch mit zunehmender Größe, Kontinuität und Datenintensität der KI-Workloads an Attraktivität. An diesem Punkt müssen Unternehmen die steigenden Kosten für den Datentransfer, strengere Governance-Anforderungen und die Latenz beim Transfer großer Datensätze zwischen verschiedenen Umgebungen gegeneinander abwägen. Für viele Produktions-Workloads können On-Premises- oder Edge-Bereitstellungen eine bessere Kontrolle, geringere Latenz und besser vorhersehbare Kosten bieten.
Moderne Dateninfrastruktur
Datenplattformen wurden ursprünglich für Big Data, Analysen und Echtzeit-Erkenntnisse konzipiert und entwickelt, doch die Grundlagen dieser Zeit sind nicht unbedingt für die modernen, KI-orientierten Umgebungen geeignet, auf die viele Unternehmen derzeit umstellen. Für den Erfolg anspruchsvoller und interdisziplinärer KI-Projekte muss die Dateninfrastruktur eines Unternehmens so ausgelegt sein, dass sie riesige Datenmengen bewältigen kann, die in Echtzeit durch die Pipelines laufen. Sie muss zudem Agenten unterstützen können, die über verschiedene Tools und Anwendungen hinweg Daten erfassen, analysieren und handeln, sowie Orchestrierungselemente, die den gesamten Betrieb kohärent und effektiv zusammenführen.
Im KI-Zeitalter ist die Reduzierung der Latenz auf ein absolutes Minimum unerlässlich, ebenso wie hochleistungsfähiger Speicher und einheitliche Metadaten, die verschiedene Tools und Anwendungen über unterschiedliche Systeme und Umgebungen hinweg bedienen können. Ganz zu schweigen von dem erforderlichen enormen GPU-Durchsatz. Moderne Herausforderungen erfordern daher moderne Lösungen. Systeme wie die Dell AI Data Platform bieten Unternehmen eine optimierte Infrastruktur, die darauf ausgelegt ist, sie bei der Umstellung von KI-Projekten von der Pilotphase in die Produktion sicher und reibungslos zu begleiten.
Das von NVIDIA betriebene System vereint die Speichersysteme und modularen Daten-Engines von Dell mit seiner KI-beschleunigten Rechenplattform, Netzwerkfunktionen und KI-Unternehmenssoftware, um eine einzige, vollständig integrierte Plattform für umfangreiche KI-Workloads bereitzustellen. Es ist ein leistungsstarkes Hilfsmittel für Unternehmen, die ihre KI-Aktivitäten vorantreiben.
Mit zunehmender Skalierung von KI-Projekten besteht die Herausforderung darin, eine Datengrundlage aufzubauen, die Leistung, Governance und Kostenkontrolle über alle Umgebungen hinweg gewährleistet. Genau hier wird eine moderne KI-Dateninfrastruktur zu einem Wettbewerbsvorteil. Die Dell AI Data Platform bietet im Vergleich zu x86-CPUs eine sechsmal höhere SQL-Abfrageleistung mit NVIDIA Blackwell-GPUs. Darüber hinaus profitieren Kunden von einer bis zu zwölfmal schnelleren Vektor-Indizierung.
Die Plattform bietet Sicherheit und Datenschutz auf Unternehmensebene, modulare Komponenten, mit denen Unternehmen zunächst klein anfangen und bei zunehmenden Anforderungen skalieren können. Zudem verfügt sie über eine offene Architektur, die die Integration neuer Technologien im Laufe der Zeit unterstützt.
Um mehr darüber zu erfahren, wie die Dell AI Data Platform die nächste Phase von KI-Projekten – von Pilotprojekten bis hin zu vollwertigen Bereitstellungen – vorantreiben kann, besuchen Sie die Website.
