Einblick in die Infrastrukturstrategien von AI-Vorreitern

Die Einführung von AI zahlt sich allmählich in der Praxis aus. Doch während sich die Bemühungen beschleunigen, stoßen viele Unternehmen auf dasselbe Problem: Systeme, die zu teuer, zu langsam und nicht skalierbar sind.

Laut einer aktuellen Umfrage von Economist Enterprise unter mehr als 1.200 Technologie-Führungskräften gaben 67 % der Unternehmen mit isolierten Datenumgebungen an, dass Datenspeicherung, -übertragung und -duplizierung die größten wiederkehrenden AI-Kosten verursachen. Bei Unternehmen mit einer einheitlichen Datenarchitektur sinkt dieser Anteil auf knapp über die Hälfte.

Jetzt ist es an der Zeit, das zukunftssichere Fundament für AI zu schaffen. Doch Datenbankmigrationen sind teuer und oft frustrierend. Je tiefer sich Unternehmen in veralteten Architekturen verstricken, desto schwieriger wird der Ausstieg. Offene und AI-fähige Datenbanken bieten Unternehmen mehr Flexibilität und Kontrolle über die Nutzung ihrer Daten und ermöglichen es Entwicklern, das Unternehmen schnell, sicher und effizient auf AI auszurichten.

„Die Kunst besteht darin, Geschwindigkeit zu ermöglichen, ohne Chaos zu stiften“, so Jose Manuel Silva, Vice President for Technology und Chief Digital Officer bei Natura, im Bericht.

In diesem Blogbeitrag befassen wir uns mit drei Aspekten für die Unternehmensinfrastruktur, die dazu beitragen können, AI-Innovationen zu beschleunigen, Kosten zu minimieren und AI-Agents bereitzustellen, die wirklich funktionieren.

Aspekt 1: Infrastruktur in Agenten-Geschwindigkeit bereitstellen

Laut der Umfrage von Economist Enterprise dauert es bei 60 % der Unternehmen bis zu 12 Monate, um AI-Workloads in die Produktion zu bringen. Entwickler wollen sich im AI-Tempo bewegen, doch die zugrunde liegende Infrastruktur verharrt im analogen Zeitalter.

Wenn Code in Sekundenschnelle erstellt wird, darf die Bereitstellung von Datenbanken nicht Minuten dauern. Und da AI-Agents autonom Workflows ausführen, müssen sie in der Lage sein, sofort temporäre, experimentelle Umgebungen unabhängig von der übrigen IT-Landschaft bereitzustellen.

Die Kombination aus schneller Innovation, sicherem Rollback und sofortiger Wiederherstellung wird Unternehmen dabei helfen, die gewünschten Ergebnisse zu erzielen – in Zyklen, die deutlich kürzer als 12 Monate sind.

Aspekt 2: Daten optimieren

AI-Engines verarbeiten Daten in einer Geschwindigkeit und einem Volumen, für die viele Unternehmen nicht gerüstet sind.

All die wertvollen Informationen in Transaktionsdatenbanken und anderen Datenquellen im gesamten Unternehmen enthalten den entscheidenden Kontext, den AI-Systeme benötigen, um direkt nutzbare Erkenntnisse zu liefern und Prozesse unterbrechungsfrei zu automatisieren. Oft sind diese Informationen jedoch in proprietären Umgebungen isoliert. Ihre Verschiebung erfordert den Aufbau neuer Pipelines und ETL-Workloads, was zusätzliche Komplexität und Kosten verursacht.

Eine AI-fähige Datenbank kann operative und analytische Daten zusammenführen. Alle Daten, die Entwickler benötigen, sind jederzeit verfügbar und werden getrennt von der Compute-Ebene in kostengünstigem Cloud-Speicher abgelegt.

„Wenn Sie AI auf Ihre Daten anwenden können und es funktioniert, bedeutet das, dass Ihre Daten wirklich bereit sind und dem FAIR-Framework folgen – findable, accessible, interoperable und reusable“, so Maria Macuare, Sr. Vice President und Global Chief Data Officer bei Mondelēz International.

Aspekt 3: Auf eine für AI-Skalierung ausgelegte Infrastruktur setzen

Veraltete Datenarchitekturen behindern das Unternehmenswachstum erheblich. Da sich Altsysteme nur starr skalieren lassen, ist die Führungsebene zu einem Kompromiss gezwungen, bei dem sie nur verlieren kann: Entweder zahlt sie zu viel für ungenutzte Kapazitäten, um Lastspitzen abzufangen, oder sie plant zu knapp und riskiert Ausfälle bei hoher Nachfrage. Diese operativen Hürden binden erstklassige Engineering-Talente an Routine-Wartungsarbeiten und entziehen Projekten die Ressourcen, die eigentlich für Wettbewerbsvorteile und strategische Innovationen gedacht waren.

Mit speziell für AI entwickelten Datenbanken liegen die Daten in zuverlässigen, elastischen und kostengünstigen Data Lakes. Compute läuft unabhängig davon, was die Kosten vom Wachstum entkoppelt und Unternehmen eine größere operative Flexibilität verschafft. Entwickler können freier experimentieren, ohne das Budget zu sprengen. Zudem lassen sich Systeme in Sekundenschnelle von hoher Parallelität auf null herunterskalieren, um die Ausgaben zu optimieren. Die Kosten passen sich der tatsächlichen Nutzung an, um unvorhersehbare Workloads und schnelle AI-Agent-Aktivitäten zu unterstützen. Dank Funktionen wie der sofortigen Wiederherstellung können Entwickler schnell agieren, ohne Schaden anzurichten.

Lesen Sie den vollständigen Bericht von Economist Enterprise und erfahren Sie mehr über die Strategien, die führende Unternehmen an die Spitze des AI-Rennens bringen.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag