Organisationsschritte dennoch entscheidend KI-Roadmap von Gartner blendet Infrastruktur aus

Anbieter zum Thema

Gartner Deutschland GmbH

DAXTEN GmbH

VON ZUR MÜHLEN'SCHE GmbH

EPS Rechenzentrum Infrastruktur GmbH

KI-Roadmaps werden von der Infrastruktur stärker als von Modellen beeinflusst. KI im Produktivbetrieb verlangt Strategie, Daten, Governance und Kompetenzen, zugleich auch Rechenkapazität, Kühlung, Energieversorgung, Netzanschluss und Compliance.

Die meisten Unternehmen scheitern nicht daran, kein leistungsfähiges KI-Modell gefunden zu haben. Sie scheitern daran, ein Experiment nicht in einen industriellen, betriebsfähigen, sicheren und wirtschaftlich tragfähigen Dienst überführen zu können. Genau hier setzt eine aktuelle Veröffentlichung von Gartner an: Eine KI-Roadmap müsse Prioritäten ordnen, Initiativen in eine sinnvolle Reihenfolge bringen und technologische Investitionen mit den Geschäftszielen verknüpfen.

Diese Lesart ist zutreffend, verdient aber eine Ergänzung. Eine KI-Roadmap ist nicht nur ein Governance-Dokument oder ein Projektkalender. Sie ist zugleich ein Infrastrukturplan. Sobald Anwendungen den Sprung vom Prototyp in die Produktion schaffen, verlagern sich die entscheidenden Weichenstellungen auf GPUs, Netzwerke, Speicherkapazitäten, Stromverfügbarkeit, Wärmeabfuhr und die Kosten der Inferenz.

Sieben Handlungsfelder, eine gemeinsame Abhängigkeit

Gartner strukturiert seinen Ansatz entlang von sieben Achsen: KI-Strategie, Wertschöpfung, Organisation, Menschen und Kultur, Governance, Engineering sowie Daten. Der Wert dieses Rahmens liegt darin, Technologie in eine breitere Entscheidungskette einzuordnen. Es genügt nicht, ein Modell oder einen Cloud-Anbieter auszuwählen: Unternehmen müssen festlegen, welche Anwendungsfälle automatisiert werden sollen, wer dafür verantwortlich zeichnet, welche Daten genutzt werden dürfen und nach welchen Regeln.

Die vorgeschlagene Reihenfolge macht deutlich, dass Unternehmen zunächst ihren Anspruch und dessen Abstimmung mit den Geschäftszielen klären müssen, bevor sie vorrangige Anwendungsfälle auswählen, deren Wertbeitrag messen und die notwendigen Fähigkeiten aufbauen. Governance, Kompetenzen, Engineering und Daten sind dabei keine parallelen Baustellen, die man auf später verschieben könnte – sie entscheiden vielmehr darüber, ob der Sprung vom Pilotprojekt in den Produktivbetrieb überhaupt gelingt.

Gitlab DevSecOps Report 2026

KI macht Entwickler schneller… und Entwicklung langsamer

Diese Logik richtet sich gegen eine verbreitete Schwäche vieler KI-Programme: die Anhäufung von Proof-of-Concepts ohne industriellen Verantwortlichen, ohne Kennzahl für den Return on Investment und ohne Betriebsperspektive. Ein interner Chatbot lässt sich mit ein paar APIs und begrenztem Budget aufsetzen. Ein von Tausenden Mitarbeitenden genutztes Retrieval-System, eine geschäftskritische Empfehlungsmaschine oder eine Echtzeit-Inferenzanwendung verlangen dagegen eine Produktionsarchitektur: Überwachung, Redundanz, Versionsverwaltung, Sicherheit, Kostenkontrolle und einen Notfallplan.

Die Aufgabe der IT-Leitung besteht also weniger darin, „KI einzuführen“, als vielmehr zu entscheiden, wo sie betrieben werden soll, mit welcher Latenz, auf welchen Daten und mit welcher Rechenintensität. Die Public Cloud bietet Elastizität und schnellen Zugang zu Beschleunigern, birgt jedoch Preisvolatilität, Anbieterabhängigkeit und Vorgaben zur Datenlokalisierung. Private Infrastruktur verschafft mehr Kontrolle über Daten und planbare Leistung – zum Preis hoher Investitionen, langer Beschaffungszyklen und eines komplexeren Betriebs.

Der vergessene Faktor: Strom

Die am meisten unterschätzte Einschränkung vieler KI-Roadmaps bleibt die Energie. Die Internationale Energieagentur schätzt, dass der weltweite Stromverbrauch von Rechenzentren bis 2030 auf rund 945 Terawattstunden steigen könnte – mehr als das Doppelte des heutigen Niveaus. Der Bedarf speziell KI-optimierter Rechenzentren dürfte sich bis 2030 sogar mehr als vervierfachen.

Diese Zahlen stellen KI-Projekte nicht grundsätzlich infrage, verändern aber deren Zeitplan und geografische Verortung. Ein Betreiber kann über Grundstück, Server und Finanzierung verfügen und dennoch seinen Campus nicht in Betrieb nehmen können, weil die Netzanschlusskapazität fehlt. Verzögerungen bei Umspannwerken, Transformatoren, Hochspannungsleitungen oder Netzstudien werden damit ebenso entscheidend wie die Verfügbarkeit von GPUs.

IFS- und Progress Software-Prognosen für 2026

KI-Trends 2026: Orchestrieren oder Klempnern?

Die geografische Konzentration verschärft das Problem zusätzlich. Große KI-Cluster benötigen gleichzeitig hohe Stromkapazität, dichte Netzanbindung, Zugang zu Glasfaser, Kühllösungen und ein stabiles regulatorisches Umfeld. Diese Kriterien treffen jedoch häufig in denselben Regionen aufeinander, die bereits durch Industrie, Wohnungsbau und Verkehr stark beansprucht werden. Die Standortwahl wird damit zu einer territorialen Abwägung – und nicht mehr zu einer bloßen Immobilienentscheidung.

Die Kühlung fügt eine zweite Einschränkung hinzu. Hochdichte Racks für Training und fortgeschrittene Inferenz machen Architekturen, die allein auf Luftkühlung setzen, zunehmend obsolet. Flüssigkühlung – ob Direct-to-Chip, Immersion oder hybride Lösungen – wird zu einer immer strategischeren Option. Sie erfordert jedoch, hydraulische Kreisläufe, Wartung, Leckageerkennung, Herstellergarantien und Eingriffsverfahren neu zu denken. Eine Roadmap, die keine Angaben zu Leistungsdichte pro Rack, Wassertemperaturen, Kapazitätsreserven und Skalierungsszenarien macht, bleibt eine Absichtserklärung – kein Umsetzungsplan.

Vom theoretischen Wert zu den Betriebskosten

Der zweite blinde Fleck ist wirtschaftlicher Natur. Der Wert eines KI-Anwendungsfalls lässt sich nicht allein anhand der anfänglichen Entwicklungskosten bewerten. Erforderlich ist eine Betrachtung der Gesamtbetriebskosten: Training, Datenspeicherung, Datenübertragung, Observability, Sicherheit, Lizenzen, Stromverbrauch, Erneuerung der Beschleuniger und Betrieb rund um die Uhr.

Die Inferenz kann zum größten Kostenblock werden, sobald sich Anwendungen breit durchsetzen. Ein günstigeres, quantisiertes oder spezialisiertes Modell kann dann wirtschaftlicher sein als ein leistungsstärkeres, aber ressourcenhungrigeres Spitzenmodell. Auch die Entscheidung zwischen zentralisierter Rechenleistung und Edge-Verarbeitung muss an Latenz, Vertraulichkeit und die Kosten von Datenübertragungen gekoppelt werden.

Selbst ist das Rechenzentrum

Eine KI als Betriebssystem für Datacenter

Dieser Ansatz macht es notwendig, Anwendungsfälle nach ihrem Infrastrukturprofil zu unterscheiden:

• Batch-Verarbeitungen lassen sich in Zeiten geringerer Netzauslastung einplanen;

• interaktive Anwendungen erfordern verfügbare Kapazität und niedrige Latenz;

• kritische Funktionen verlangen Redundanz, Notfallwiederherstellung und vertraglich festgelegte Service-Level;

• sensible Daten können eine souveräne oder hybride Architektur rechtfertigen.

Governance muss daher auch eine Kapazitäts-Governance umfassen. Wer reserviert die GPUs? Wer entscheidet zwischen konkurrierenden Projekten? Welcher Mindestauslastungsgrad rechtfertigt die Anschaffung einer dedizierten Infrastruktur? Ohne klare Antworten laufen Unternehmen Gefahr, überdimensionierte Plattformen zu finanzieren – oder umgekehrt, zahlreiche teure und schwer kontrollierbare Cloud-Umgebungen zu betreiben.

Compliance zieht in den Serverraum ein

Governance ist keine rein juristische Angelegenheit. Sie verändert auch die technische Konzeption. In der Europäischen Union traten die Pflichten für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck am 2. August 2025 in Kraft, während die Durchsetzungsbefugnisse der EU-Kommission sowie mehrere Transparenzpflichten ab dem 2. August 2026 gelten. Die Kommission stellt insbesondere klar, dass interaktive Systeme Nutzerinnen und Nutzer darüber informieren müssen, wenn sie mit einer KI kommunizieren, und dass bestimmte generierte oder manipulierte Inhalte kenntlich gemacht werden müssen.

Es fehlt an Wissen und Roadmaps

KI für die KI - sie hilft, Wissen zu ordnen und zu füllen, um dieses produktiv per KI zu nutzen

Für Betreiber bedeutet dies mehr Nachvollziehbarkeit: Modelldokumentation, Herkunftsnachweis der Daten, Protokollierung der Nutzung, Vorfallmanagement, Versionskontrolle und die Fähigkeit, entsprechende Nachweise vorzulegen. Diese Anforderungen kosten Speicherplatz, Rechenleistung und Betriebszeit. Sie müssen bereits in der Architektur mitgedacht werden – sonst wird die Umsetzung der Compliance-Vorgaben zu einer nachträglichen Reparaturbaustelle.

Eine glaubwürdige Roadmap ist ein industrieller Vertrag

Die Stärke des Gartner-Vorschlags liegt darin, daran zu erinnern, dass KI als Unternehmensfähigkeit gesteuert werden muss – und nicht als Aneinanderreihung von Experimenten. Seine Grenze liegt darin, weitgehend organisatorisch zu bleiben. Für IT-Leitungen, Cloud-Anbieter und Investoren besteht der nächste Schritt darin, die sieben Handlungsfelder in messbare Kennzahlen zu übersetzen: verfügbare Megawatt, Leistungsdichte pro Rack, GPU-Kapazität, Auslastungsgrad, PUE-Wert, Kosten pro Anfrage, Latenz, Verfügbarkeit, Datenstandort und Anschlussdauer.

Die Frage lautet längst nicht mehr, ob eine Organisation über eine KI-Strategie verfügt. Sie lautet, ob diese Strategie mit ihren Stromressourcen, ihrer Datenarchitektur, ihren Betriebsteams und ihrem regulatorischen Rahmen vereinbar ist. In einem Markt, in dem Rechenleistung zu einer knappen industriellen Ressource wird, wird jene KI-Roadmap Ergebnisse liefern, die es versteht, das algorithmische Versprechen mit der Realität der Infrastruktur zu verknüpfen.

↗ *DataCenter-Insider und DCmag sind Medienpartner!

Eine Meldung von Yves Grandmontagne im Rahmen der Medienpartnerschaft von DataCenter-Insider mit DCmag. Hier geht es zur französischen Fassung.

(ID:50932028)