Wer KI einführt, merkt schnell, dass die Komplexität vor allem aus der Datenhaltung und -bewegung entsteht. Denn KI-Anwendungen benötigen große Datenmengen, die über verschiedene Systeme hinweg verfügbar, sicher verwaltet und effizient verarbeitet werden müssen. Die deutschen Unternehmen setzen für ihre KI-Workflows auf hybride Storage-Strategien, also eine Kombination aus On-Premises- und Public-Cloud-Storage.
Von Marco Pfuhl, Country Manager DACH, Wasabi.
Die Datenspeicherung - einschließlich Kosten, Zugriff und Management - gilt als größte Herausforderung bei der Umsetzung von KI-Projekten. Gleichzeitig zeigt sich in der Praxis, dass frühere Annahmen über Cloud Storage als klar kalkulierbare und effiziente Grundlage zunehmend an ihre Grenzen stoßen. Denn Kosten entwickeln sich dynamischer als erwartet, und zentrale Fragen zur Verfügbarkeit und Wiederherstellbarkeit von Daten rücken stärker in den Fokus.
Gebühren und Datenbewegung treiben Kosten
Für KI-Anwendungen bleibt die Public Cloud nach wie vor unverzichtbar, etwa bei der Datenabfrage und -aggregation sowie bei der Aufbewahrung und Archivierung von KI-Modellen. In vielen Fällen bildet sie damit den Einstieg und den Abschluss der KI-Datenpipeline. Diese damit verbundenen Abläufe stellen hohe Anforderungen an Zugriffsgeschwindigkeit und Datenbewegung.
Denn Daten liegen kaum noch statisch vor, sondern werden kontinuierlich zwischen Anwendungen, Datenbanken und Netzwerken verschoben. Verzögerungen wirken sich direkt auf die Performance aus und zusätzliche Transfers treiben die Kosten in die Höhe. Auch die langfristige Speicherung zur Einhaltung von Governance-Vorgaben und die Wiederverwendung historischer Modelle wird zunehmend anspruchsvoller, etwa wenn es um Zugriff oder Budgetplanung geht.
Ein wesentlicher Kostentreiber sind die Gebührenmodelle von Cloud-Anbietern. In Deutschland entfallen rund 48 % der Cloud-Storage-Ausgaben auf Zusatzkosten wie Datenzugriffe oder API-Operationen und nicht auf die eigentliche Kapazität. Daher ist die gespeicherte Datenmenge weniger entscheidend als die Häufigkeit und Intensität der Zugriffe sowie die Datenbewegung.
Allerdings hat fast die Hälfte der Unternehmen ihr Budget für Cloud Storage im vergangenen Jahr überschritten. 88 % führen die Mehrkosten zumindest teilweise auf solche Gebühren zurück. In Zeiten, in denen Unternehmen unter hohem wirtschaftlichem Druck stehen und mit zunehmender Nutzung von KI, steigen die Datenzugriffe und Transfers weiter an. Damit verstärkt sich der Effekt und erschwert die Planung zusätzlich.
Typische Szenarien wie Backup-Verifikation, Replikation zwischen Regionen oder die Anbindung von Analyseplattformen erzeugen kontinuierlichen Datenverkehr. In hybriden und Multi-Cloud-Umgebungen potenziert sich dieser Effekt, da Daten zwischen lokalen Systemen, verschiedenen Cloud-Anbietern und SaaS-Diensten mehrfach verschoben werden.
Hinzu kommt eine veränderte Zugriffsdynamik. Moderne Anwendungen arbeiten kleinteiliger und erzeugen eine hohe Anzahl von API-Aufrufen. Gerade in Object-Storage-Umgebungen entstehen dadurch viele einzelne Transaktionen, die sich in Summe deutlich auf die Kosten auswirken.
Datenqualität und ROI bleiben zentrale KI-Herausforderungen
Neben den Kosten entscheidet vor allem der Umgang mit Daten über den Erfolg von KI-Projekten. Denn große und häufig unstrukturierte Datenmengen müssen bereinigt und für Modelle nutzbar gemacht werden. Unternehmen nennen die Datenqualität deshalb häufiger als Herausforderung als klassische Rechenprobleme.
Die wirtschaftlichen Ergebnisse bleiben bisher oft hinter den Erwartungen zurück. Aktuell erzielen nur 29 % der deutschen Unternehmen einen positiven Return on Investment. Viele Projekte befinden sich noch in einer frühen Phase, in der zunächst in Infrastruktur und Datenaufbereitung investiert wird. Entsprechend rechnen viele Unternehmen in den kommenden zwölf Monaten mit besseren Ergebnissen.
Auffällig ist dabei, dass ein Großteil der Investitionen in Infrastruktur fließt. Rund zwei Drittel der KI-Budgets werden aktuell für Daten, Storage und Rechenleistung eingesetzt, während Software eine deutlich geringere Rolle spielt. Das unterstreicht die zentrale Bedeutung der Datenbasis für den Erfolg von KI-Initiativen.
Sicherheitsanforderungen steigen mit der Cloud-Nutzung
Die stärkere Nutzung von Cloud-Infrastrukturen erhöht auch die Anforderungen an Sicherheit und Verfügbarkeit. Fast die Hälfte der Unternehmen hat bereits Cyberangriffe erlebt, bei denen der Zugriff auf Daten in der Public Cloud verloren ging. Mehr als ein Drittel sieht die eigenen Anbieter nicht ausreichend aufgestellt, um solche Angriffe wirksam zu verhindern.
Gleichzeitig verlagert sich der Fokus von reiner Prävention hin zur tatsächlichen Wiederherstellbarkeit. Entscheidend ist zunehmend, ob Daten nach einem Angriff innerhalb akzeptabler Zeiträume wieder verfügbar sind und der Betrieb stabil fortgeführt werden kann. Mehr als die Hälfte der Unternehmen ist sich allerdings nicht sicher, ob ihre Daten im Ernstfall vollständig und unverändert wiederhergestellt werden können.
Ursachen liegen häufig in strukturellen Schwächen, etwa in der engen Kopplung von Produktions- und Backup-Systemen oder in unzureichend getesteten Recovery-Prozessen. Vor diesem Hintergrund setzen Unternehmen verstärkt auf hybride Ansätze. Sensible oder häufig genutzte Daten verbleiben dabei im eigenen Rechenzentrum, während große Datenmengen und Modelle in der Cloud gespeichert werden.
Diese Aufteilung ermöglicht es, Daten gezielt zu platzieren und zwischen verschiedenen Umgebungen zu bewegen. Anforderungen an Performance, Kosten und Compliance lassen sich so besser ausbalancieren, auch die Abhängigkeit von einzelnen Anbietern nimmt ab.
Ebenso Datenlokalität und Workload-Platzierung werden hier aktiv gestaltet, um unnötige Transfers zu vermeiden und Kosten stabil zu halten. Durch die Trennung verschiedener Datenebenen lassen sich Risiken zusätzlich reduzieren und gleichzeitig können unterschiedliche Anforderungen an Performance und Kosten besser gesteuert werden. Dafür werden Produktivdaten, Backups und Archive isoliert voneinander gehalten, häufig über separate Zugriffssysteme.
Ohne Kontrolle über Daten wird KI schnell teuer
Laut unserer Studie planen viele Unternehmen, ihre Ausgaben für KI im Laufe des Jahres weiter zu erhöhen. Damit wird Storage von einer unterstützenden Infrastrukturkomponente zu einem strategischen Steuerungsinstrument. Architekturentscheidungen beeinflussen direkt Kostenkontrolle, Performance und Sicherheitsniveau.
Gleichzeitig entstehen neue Anforderungen an die Resilienz, etwa durch zusätzliche unsichtbare Datenkopien oder unveränderliche Speichermechanismen, die Daten gezielt vor Manipulation schützen und auch im Ernstfall eine verlässliche Wiederherstellung ermöglichen.
Hybrid-Storage-Modelle entwickelt sich in diesem Umfeld zum Standard, weil sie die notwendige Flexibilität bietet, um die wachsenden Datenmengen und komplexe Anforderungen im KI-Datenmanagement zu bewältigen. Ob sich dieser Ansatz langfristig durchsetzt, hängt jedoch davon ab, wie gut es Unternehmen gelingt, Datenbewegung, Kostenkontrolle und Wiederherstellbarkeit gemeinsam zu steuern und in eine konsistente Architektur zu überführen.