Künstliche Intelligenz wird oft als „existenzielles“ Thema für Unternehmen angepriesen.
Aber trotz all ihrer unbestrittenen Begeisterung und Investition in KI-Toolses scheint, dass viele Technologieführer es nicht als Unternehmensanwendung betrachten.
Direktor für Systemtechnik bei Nutanix.
Gartner prognostiziert, dass über 40 Prozent der Agenten-KI-Projekte bis Ende 2027 abgebrochen werden, häufig aufgrund unzureichender Risikokontrollen und ungewisser Kapitalrendite.
Dieses Scheitern bei der Einführung vergeudet Investitionen und untergräbt auf längere Sicht das Vertrauen in die Technologie.
Dadurch entsteht eine Kluft zwischen den Organisationen, die den Übergang zur Unternehmens-KI kontinuierlich vollziehen, und denen, die Schwierigkeiten haben, sie zum Laufen zu bringen. Die Lücke wird sich nur noch weiter öffnen, wenn Gen AI durch Agentic AI ersetzt wird.
Eine Vision zu haben ist der Schlüssel zum KI-Erfolg
Natürlich ist eine Vision der Schlüssel zum KI-Erfolg, ebenso wie die Daten, die für die individuelle KI-Strategie Ihres Unternehmens erforderlich sind. Zusammen mit einigen Startkapitalinvestitionen könnte dies ausreichen, um einen großartigen Piloten zu liefern.
Aber reicht das aus, um den Erfolg auf Unternehmensebene sicherzustellen? Die Zahlen von Gartner zeigen eindeutig: Nein.
Was fehlt also? Was müssen Technologieführer tun, um sicherzustellen, dass KI nicht nur Freude bereitet, sondern tatsächlich liefert?
Die Antwort besteht darin, die Einsatzbereitschaft für KI sicherzustellen. Vereinfacht ausgedrückt handelt es sich hierbei um die Fähigkeit, KI außerhalb der Labore und im gesamten Unternehmen bereitzustellen, zu verwalten und zu skalieren.
Das erfordert harte Arbeit, um sicherzustellen, dass das, was als überzeugendes, aber unzusammenhängendes Pilotprojekt beginnt, in das Unternehmen als Ganzes integriert wird.
Es bedeutet sicherzustellen, dass KI auf einer einheitlichen Plattform läuft, die Rechenleistung, Daten und Governance. Eine Plattform, die im gesamten Unternehmen repliziert werden kann, sei es vor Ort, in der Cloud oder am Edge.
Am Grundkonzept gibt es nichts Neues. Einführung aller geschäftskritischen Workloads wie z ERP oder CRM erfordert erfolgreich den gleichen Fokus auf die zugrunde liegende Betriebsinfrastruktur.
Allerdings sind bei der Umsetzung dieser Ziele mit KI besondere Herausforderungen hervorzuheben.
Aufbau einer KI-Infrastruktur
Es ist leicht zu glauben, dass die KI Infrastrukturmanagement beginnt und endet mit GPUs. Aber auch Speicher mit hoher Bandbreite, schneller Speicher und eine entsprechende Netzwerkanbindung tragen ihren Teil dazu bei. Das gilt auch für andere Prozessoren und Beschleuniger, je nachdem, welchen Teil des Workflows wir betrachten.
Am wichtigsten ist, dass die Infrastruktur – ob vor Ort oder im Wolkeoder Hybrid – muss in der Lage sein, sich anzupassen und zu skalieren, wenn Projekte vom lokalen Pilotprojekt zur Unternehmensproduktion übergehen. KI kann von Natur aus viel schwieriger zu bewältigen sein als herkömmliche Unternehmens-Workloads.
Dabei handelt es sich jedoch um mehr als eine Frage der Prozessorleistung oder der Gigabyte Speicher. Sicherheit und Governance ist nicht verhandelbar, wenn es um KI-Projekte für Unternehmen geht. Die zugrunde liegenden Daten und die eigenen Modelle einer Organisation sind der Schlüssel für ihre Zukunft und müssen im Auge behalten werden.
Datensouveränität und KI-Vorschriften im weiteren Sinne erschweren die Sache zusätzlich. Tech-Führungskräfte müssen wissen, dass ihre Daten dort sind, wo sie angeblich sind, und genau klarstellen, wer darauf zugreifen kann – und wer nicht.
Die Möglichkeiten der KI sind grenzenlos. Aber auch der Preis ist höher, wenn diese zugrunde liegende Infrastruktur nicht angemessen verwaltet wird. Allein die Bezahlung von GPUs und der Leistung, sie zu betreiben, und sie dann nicht ausreichend auszulasten, reißt ein Loch in den ROI und untergräbt die ESG-Verpflichtungen.
Skalierung des Betriebs
Technologieführer müssen von Anfang an planen, wie sie die Kapazität vergrößern oder verkleinern. Sie müssen aber auch in der Lage sein, die Kosten zu verwalten und vorherzusagen. Daher müssen sie darauf vertrauen können, dass ihre Plattform und ihr Toolkit ihnen dies problemlos ermöglichen.
Dies wird umso wichtiger, je mehr KI-Agenten ins Spiel kommen. Sicherheit, Governance und Compliance müssen gewährleistet sein, selbst wenn Agenten auf Daten zugreifen, diese generieren und Entscheidungen treffen.
Die Infrastruktur muss in der Lage sein, sie zu unterstützen und Nachfragespitzen im Zuge ihrer Aktionen zu bewältigen. Der Standort der Assets muss berücksichtigt werden, um die Latenz für in Echtzeit ausgeführte Inferenz-Workloads zu reduzieren. Und der Energieverbrauch muss in akzeptablen Grenzen gehalten werden.
Wenn all dies berücksichtigt wird, wird der Umriss der Einsatzbereitschaft im KI-Zeitalter klarer.
Echte Betriebsbereitschaft erfordert einen schlüsselfertigen KI-Ansatz in Form einer Full-Stack-Plattform mit der Fähigkeit, GPUs und die anderen benötigten Beschleuniger zu umfassen.
Es muss integrierte Datendienste umfassen, die das gesamte Spektrum an Formaten unterstützen, die KI benötigt, sowie entsprechende Sicherheits- und Governance-Kontrollen.
Und es sollte beides unterstützen VMs und Container mit der Möglichkeit, diese zu orchestrieren. Das Streben nach der Operationalisierung von KI ist schon eine Herausforderung genug. Niemand möchte gleichzeitig eine Cloud-native Migration durchführen.
Die Rolle von LLMs
LLMs liefert möglicherweise nicht immer wiederholbare Antworten. Aber die Infrastruktur, auf die Gen AI und Agentic AI angewiesen sind, muss wiederholbar sein, wenn Unternehmen sie entsprechend der Nachfrage skalieren wollen.
Dazu gehören sowohl die Cloud als auch On-Prem und Edge.
Wenn sie über die richtige Plattform und die richtigen Tools verfügen, können Technologieführer sicherstellen, dass sich ihre Mitarbeiter darauf konzentrieren, den Wert, den sie aus ihren KI-Investitionen ziehen können, kontinuierlich zu maximieren.
Sie verschwenden keine Zeit und Ressourcen darauf, ein erfolgreiches Pilotprojekt in eine unternehmensweite Strategie umzuwandeln.
Unabhängig davon, ob sie den Betrieb auf KI setzen oder erkennen, dass KI Teil ihres breiteren Werkzeugkastens sein wird, müssen Technologieführer erkennen, dass KI eine Unternehmensanwendung ist.
Und Unternehmensanwendungen benötigen eine Infrastruktur der Enterprise-Klasse, die sie von der Pilotphase über die Produktion bis in die Zukunft unterstützen kann.
Denn nur so ist die Existenz ihrer Organisation langfristig gesichert.
Wir listen die besten Datenvisualisierungstools auf.
Dieser Artikel wurde im Rahmen des Expert Insights-Kanals von TechRadarPro erstellt, in dem wir die besten und klügsten Köpfe der heutigen Technologiebranche vorstellen. Die hier geäußerten Ansichten sind die des Autors und nicht unbedingt die von TechRadarPro oder Future plc. Wenn Sie daran interessiert sind, einen Beitrag zu leisten, erfahren Sie hier mehr: https://www.techradar.com/news/submit-your-story-to-techradar-pro
