Unternehmen müssen ihre IT-Infrastruktur grundlegend neu denken, um sie für künstliche Intelligenz fit zu machen

two hands touching each other in front of a pink background — Igor Omilaev / Unsplash

Unternehmen stehen vor der Notwendigkeit, ihre bestehende Informationstechnologie tiefgreifend zu verändern, um eine echte Einsatzfähigkeit für künstliche Intelligenz zu erreichen. Diese Entwicklung geht weit über die bloße Aktualisierung physischer Hardware oder traditioneller Systeme hinaus. Es ist erforderlich, das gesamte Management von Daten sowie den vollständigen Lebenszyklus der künstlichen Intelligenz neu zu konzipieren. Der Fokus liegt dabei auf Leistungssteigerung, Skalierbarkeit und einer einheitlichen Steuerung. Experten betonen, dass dieser Wandel keine Frage der Unternehmensgröße ist, sondern von der strategischen Vision abhängt.

Viele Organisationen beschränken sich derzeit darauf, ihren Mitarbeitern einen sicheren Zugang zu großen Sprachmodellen zu gewähren, um Risiken durch unkontrollierte Nutzung zu minimieren. Andere Unternehmen verfolgen jedoch einen weiterreichenden Ansatz. Sie zielen darauf ab, eine Infrastruktur zu schaffen, die Daten, Arbeitslasten, Anwendungen und intelligente Agenten langfristig tragen kann. Das Ziel ist es, die Informationstechnologie so zu entwickeln, dass sie moderne und agentenbasierte Modelle unterstützt. Der Unterschied liegt darin, ob künstliche Intelligenz nur als einfaches Werkzeug betrachtet wird oder ob sie als wesentlicher Werttreiber verstanden wird, der fundamentale Änderungen erfordert.

Eine infrastruktur, die bereit für künstliche Intelligenz ist, bedeutet nicht lediglich das Vorhandensein von Rechenleistung zur Ausführung von Modellen. Es handelt sich vielmehr um ein Ökosystem, das experimentelle Projekte schnell in produktive Geschäftsprozesse überführt. Dieser Prozess muss sicher, steuerbar und skalierbar erfolgen. Der entscheidende Vorteil besteht darin, Bedingungen zu schaffen, unter denen Lösungen entwickelt und industrialisiert werden können, ohne bei jedem neuen Modell bei null anfangen zu müssen. Bestehende Dienste, Daten und Governance-Strukturen sollen wiederverwendet werden.

Dieser Ansatz bringt auch wirtschaftliche Skaleneffekte mit sich. Während das erste Projekt erhebliche Investitionen für den Aufbau der technologischen Grundlagen erfordern kann, müssen folgende Initiativen auf dem bereits Geschaffenen aufbauen. Dies reduziert die Grenzkosten und die Zeit bis zur Markteinführung progressiv. Wenn jeder neue Anwendungsfall ein eigenständiges Projekt mit separater Infrastruktur erfordert, handelt es sich weiterhin um isolierte Einzelmaßnahmen statt um eine integrierte Strategie.

Die Priorität liegt nicht im Bau neuer Rechenzentren, da vorhandene Kapazitäten oft ausreichen. Die eigentliche Herausforderung besteht darin, Daten zugänglich zu machen, ohne sie zentralisieren zu müssen. Unternehmensdaten sind häufig über verschiedene Systeme, Cloud-Umgebungen und Formate verteilt. Eine geeignete Plattform muss den gesamten Lebenszyklus der Daten neu denken, einschließlich Erfassung, Speicherung und Schutz. Sensible Daten können vor Ort verbleiben, während andere in verschiedenen Clouds oder auf Legacy-Systemen wie Großrechnern residieren.

Um diese Fragmentierung zu überwinden, wird ein mehrstufiger Ansatz empfohlen. Eine gemeinsame Steuerungsebene sorgt für Sichtbarkeit und einheitliche Sicherheitsrichtlinien, ohne Datenbewegungen zu erzwingen. Gleichzeitig ermöglicht eine standardisierte Anwendungsplattform den Betrieb in einer hybriden Cloud-Logik. Modelle und Agenten werden direkt dorthin gebracht, wo die Daten liegen, was Latenzprobleme eliminiert. Auch die Rolle des Speichers wandelt sich von einem passiven Archiv zu einem aktiven Element, das Inhalte für generative Systeme kontextualisiert und nutzbar macht.

Der zweite wesentliche Schritt betrifft die Definition einer Werkzeugkette und operativer Prozesse für den Lebenszyklus von Modellen und Agenten. Unternehmen müssen standardisieren, welche Technologien eingesetzt werden, wo bestimmte Aktivitäten ausgeführt werden und wie Training sowie Inferenz gemanagt werden. Nur durch eine klare Festlegung dieser Abläufe lässt sich der Weg in die Produktion erfolgreich gestalten. Die Sicherheit wird zudem vereinfacht, indem die Anzahl der Schichten reduziert wird, durch die Daten fließen müssen.