Grund für das Scheitern von KI-ProjektenLücke in der Dateninfrastruktur

Herkömmliche Speicherinfrastrukturen werden den Anforderungen moderner KI-Workloads weitgehend nicht gerecht. Engpässe auf Speicher- und Netzwerkebene beeinträchtigen die GPU-Auslastung, verlängern Projektlaufzeiten und verschwenden die Zeit jener Data Scientists, deren Gewinnung und Bindung für die Unternehmen mit großem Aufwand verbunden war. Zu diesen Ergebnissen kommt eine weltweite IDC-Umfrage im Auftrag von Everpure.

Künstliche Intelligenz hat sich weltweit zur wichtigsten Investitionspriorität für Unternehmen entwickelt. Diese treiben KI-Initiativen aufgrund der erheblichen potenziellen Vorteile – wie verbesserte Kundenerlebnisse, effizientere Mitarbeiter, beschleunigte Geschäftsprozesse und letztlich eine stärkere finanzielle Performance – mit Nachdruck voran.

Doch trotz der großen Erwartungen und der Dynamik rund um KI liefern diese Projekte allzu oft keinen greifbaren geschäftlichen Mehrwert. Die aktuelle Untersuchung von IDC im Auftrag von Everpure zeigt, dass mehr als die Hälfte (54 Prozent) der KI-Proof-of-Concept-Projekte nicht den Sprung in die Produktionsphase schaffen. Das bedeutet, dass der Großteil der Budgets für KI-Projekte keinerlei Kapitalrendite (ROI) erzielt.

KI ist zur entscheidenden Technologieinvestition unserer Zeit geworden, doch Investitionen allein garantieren noch keine Ergebnisse. Die Forschungsergebnisse von IDC und Everpure sind eindeutig: Der Unterschied zwischen erfolgreichen und gescheiterten KI-Projekten hängt in bemerkenswertem Maße von den Daten ab. Datenqualität, Datenzugriff, Data Governance und die Infrastruktur, die all dies ermöglicht, bestimmen den Ausgang von KI-Projekten.

Um mehr KI-Projekte zum Erfolg zu führen müssen Unternehmen:

• ihren aktuellen AI Readiness-Stand ermitteln und eine strukturierte Roadmap zur Reifegradsteigerung erstellen;
• in eine durchdachte, leistungsstarke Speicherinfrastruktur investieren, die den Anforderungen von KI-Workloads hinsichtlich Durchsatz, Latenz und Verfügbarkeit gerecht wird;
• systematische Data-Governance-Programme implementieren, die Datenqualität, Datenherkunft (Provenance) und Vertrauenswürdigkeit als zentrale operative Prioritäten behandeln;
• Datensilos durch strategische Konsolidierung und – wo sinnvoll – den Einsatz intelligenter Datenplattformen abbauen sowie
• auf Flexibilität setzen und Systeme so konzipieren, dass sie sich an die Weiterentwicklung der KI-Technologie und veränderte Geschäftsanforderungen anpassen können. (rhh)

Everpure