Ein KI-Pilot ist noch kein belastbarer Produktionsbetrieb. Sobald Anwendungen dauerhaft genutzt werden, gehören Stromversorgung, Kühlung, Netzwerkanbindung und Betriebsverantwortung auf die Entscheidungsagenda. Ein neuer Infrastrukturleitfaden setzt deshalb beim einzelnen Workload an – statt bei einer pauschalen Entscheidung für Cloud oder eigenes Rechenzentrum. Für die Unternehmensführung lautet die Aufgabe: Geschäftsziel, Standortfähigkeit und laufende Kosten gemeinsam bewerten. [1][2][3]

Management Summary

Geschäftsziel vor Hardwareentscheidung: Der Leitfaden beginnt beim gewünschten Ergebnis und den Anforderungen des KI-Workloads. Erst danach folgen Standort und physisches Infrastrukturmodell. [1][2]
Standortfähigkeit ist ein Entscheidungskriterium: Verfügbare Stromversorgung, Kühlung, Konnektivität und Betriebskapazität bestimmen mit, welche Anwendungen eine bestehende Einrichtung unterstützen kann. [1][2]
Keine Einheitsarchitektur für alle Anwendungen: Cloud, Colocation, eigene Kapazitäten und Edge sind anhand des jeweiligen Workloads zu vergleichen. Der Leitfaden unterscheidet sechs Archetypen und vier physische Infrastrukturmodelle. [1]
Wirtschaftlichkeit laufend messen: Die FinOps Foundation empfiehlt, KI-Kosten und Nutzung regelmäßig zu prüfen, Ressourcen zuzuordnen und Kennzahlen wie Kosten pro Token mit dem Geschäftsergebnis zu verbinden. [3]
Betriebsreife braucht Governance: Das NIST AI Risk Management Framework behandelt Risikomanagement als kontinuierliche Aufgabe über den Lebenszyklus hinweg. Infrastrukturplanung und Risikosteuerung gehören deshalb gemeinsam auf die Managementagenda. [4]

Illustration Absmeier foto ki designer

Bild: Konzeptionelle KI-generierte Illustration unterschiedlicher Betriebsumgebungen. Stromversorgung, Kühlung und Vernetzung verbinden die Infrastruktur mit dem jeweiligen KI-Workload; dargestellt ist kein technisches Referenzdesign.

Vertiv unterstützt Unternehmen bei der Überführung von KI-Pilotprojekten in den produktiven Einsatz

Ein neuer Leitfaden für die Implementierung, basierend auf Untersuchungen von Vertiv und STL Partners, hilft Unternehmen dabei, ihre KI-Archetypen zu bestimmen und einen geeigneten Standort für die erforderliche Infrastruktur zu ermitteln. Der Workloadbasierte Ansatz verknüpft Geschäftsanforderungen mit bedarfsgerechten Infrastrukturmodellen und Referenzdesigns, um Risiken bei der Bereitstellung zu minimieren.

Vertiv Holdings Co., ein weltweit agierender Anbieter für kritische digitale Infrastrukturen, und das Deloitte Center for Integrated Research haben eine Zusammenarbeit vorgestellt, die Unternehmen dabei unterstützt, eine zentrale Herausforderung bei der Überführung künstlicher Intelligenz von der Testphase in den Produktivbetrieb zu bewältigen: die Entscheidung darüber, wo KI-Workloads ausgeführt werden sollen und ob die vorhandene physische Infrastruktur dafür geeignet ist.

KI-Infrastruktur vom Workload aus planen

Der neue »Vertiv Designing Infrastructure for Enterprise AI Guide«, entwickelt von Vertiv und STL Partners, einem Forschungsunternehmen für digitale Infrastrukturen, bietet Führungskräften aus den Bereichen Business, IT und Gebäudemanagement einen workloadbasierten Leitfaden für die Infrastrukturplanung. Ausgehend von den angestrebten Geschäftsergebnissen und dem jeweiligen KI-Workload können Unternehmen den Einsatzort, die Infrastrukturanforderungen sowie die Bereitschaft ihrer vorhandenen Infrastruktur bewerten. Anschließend können sie jedem Workload ein geeignetes physisches Infrastrukturmodell sowie ein Referenzdesign für die weitere Planung und technische Validierung zuordnen.

Die zugrunde liegende Untersuchung verdeutlicht einen entscheidenden Aspekt bei der Überführung von KI-Workloads in den dauerhaften Produktivbetrieb: Die Infrastruktur-Bereitschaft kann darüber entscheiden, wo Workloads bereitgestellt werden können und wie schnell sie produktiv genutzt werden können. Verfügbare Ressourcen in den Bereichen Stromversorgung, Kühlung, Konnektivität und Betriebskapazitäten bestimmen, ob ein Workload in einer bestehenden Einrichtung unterstützt werden kann oder ein anderes Bereitstellungsmodell erforderlich ist.

In vier Schritten zum passenden Infrastrukturmodell

Der Leitfaden fasst diese Überlegungen in einem vierstufigen Prozess zusammen:

Definition des angestrebten Geschäftsergebnisses und des KI-Workloads,
Bewertung von Umfang, Leistungsanforderungen und Betriebsparametern des Workloads,
Auswahl des am besten geeigneten Einsatzorts sowie
Zuordnung von Workload und Bereitstellungsort zu einem physischen Infrastrukturmodell und einem Referenzdesign.

Geschäftswert und Betriebsanforderungen gemeinsam betrachten

»Die nächste Entwicklungsphase der Unternehmens-KI wird nicht nur von Modellen und Rechenleistung geprägt sein, sondern auch davon, ob Unternehmen die erforderliche Stromversorgung, Kühlung, Konnektivität und Betriebsumgebung für die jeweiligen Workloads bereitstellen können«, sagte Giordano Albertazzi, CEO von Vertiv. »Wenn Unternehmen beim jeweiligen Workload ansetzen, können sie Infrastrukturentscheidungen früher treffen, mögliche Engpässe rechtzeitig erkennen und einen belastbareren Weg von der KI-Vision zum produktiven Einsatz entwickeln.«

»Die wirtschaftlichen Rahmenbedingungen und betrieblichen Anforderungen von KI verändern sich, sobald Workloads in den produktiven Betrieb überführt werden«, sagte Nicholas Merizzi, Principal und U.S. Lead von Silicon2Service bei Deloitte Consulting LLP. »Unternehmen müssen Geschäftswert, Governance, operative Verantwortlichkeiten und Infrastruktur gemeinsam betrachten. Werden diese Aspekte frühzeitig in den Planungsprozess einbezogen, erhalten Entscheidungsträger eine fundiertere Grundlage für die Entscheidung, wo KI-Workloads ausgeführt werden sollten und wie ihr Betrieb langfristig sichergestellt werden kann.«

Cloud, hybride Infrastruktur oder Edge: Der Workload entscheidet

Der Ansatz trägt der Tatsache Rechnung, dass Unternehmens-KI aus einer Vielzahl unterschiedlicher Workloads besteht und nicht mit einer einzigen Infrastrukturentscheidung abgedeckt werden kann. Während explorative Workloads häufig in der Cloud verbleiben können, eignen sich für dauerhaft genutzte oder geschäftskritische Anwendungen eher hybride Infrastrukturen oder vom Unternehmen verwaltete Kapazitäten.

Workloads, die kurze Reaktionszeiten, mehr Kontrolle, Datennähe oder eine bestimmte Modellleistung erfordern, müssen gegebenenfalls in Edge-Umgebungen oder in einer anderen kontrollierten Umgebung betrieben werden.

Der workloadspezifische Ansatz ermöglicht es, öffentliche Cloud-Angebote, Colocation-Rechenzentren, unternehmenseigene Kapazitäten, hybride Umgebungen und Edge-Infrastrukturen jeweils dort einzusetzen, wo sie den größten Mehrwert bieten. Anstatt sich pauschal für oder gegen die Cloud auszusprechen, bietet der Leitfaden eine konsistente Methode zur Bestimmung der geeigneten Betriebsumgebung für jeden einzelnen KI-Workload.

Sechs Workload-Archetypen, vier Infrastrukturmodelle

Die Studie ordnet KI-Workloads sechs Archetypen zu: Modellentwicklung, Retraining sowie vier Kategorien für den produktiven Einsatz. Diese Archetypen unterstützen Unternehmen dabei, Workloads mit ähnlichen Anforderungen an Leistung, Betrieb und Infrastruktur zu identifizieren und schaffen so eine einheitliche Grundlage für die Planung. Jeder Workload kann anschließend einem von vier physischen Infrastrukturmodellen zugeordnet werden: Edge AI Cluster, Small AI Cluster, Large AI Cluster oder High-Density AI Cluster.

Die vier Modelle bieten einen Ausgangspunkt für Entscheidungen in den Bereichen Stromversorgung, Kühlung, Steuerung, Konnektivität, Ausfallsicherheit, Betriebsmanagement und zukünftiges Wachstum. Die zugehörigen Referenzdesigns lassen sich auf Basis der Standortbewertung, der Workload-Anforderungen und der detaillierten technischen Planung anpassen.

Standortkapazitäten und Wachstumsspielraum frühzeitig prüfen

Die Eignung der Infrastruktur ist bei allen vier Modellen von entscheidender Bedeutung. Der Leitfaden unterstützt Unternehmen dabei zu bewerten, ob ein vorgesehener Standort über ausreichende Kapazitäten in den Bereichen Stromversorgung, Kühlung, Konnektivität und Betrieb sowie genügend Spielraum für zukünftiges Wachstum verfügt. Eine frühzeitige Bewertung kann dazu beitragen, Infrastrukturengpässe zu identifizieren, bevor sie zu Hindernissen bei der Implementierung werden.

Der vollständige Leitfaden »Designing Infrastructure for Enterprise AI« beschreibt die sechs Workload-Archetypen, die vier physischen Infrastrukturmodelle sowie eine vierstufige Roadmap für die Planung, Implementierung und Weiterentwicklung von KI-Infrastrukturen in Unternehmen. Er ist unter Vertiv.com verfügbar. https://www.vertiv.com/en-us/insights/industry/designing-infrastructure-for-enterprise-ai/

Praxis-Tipps: KI-Infrastruktur entscheidungsreif planen

Die folgenden Punkte sind redaktionelle Handlungsempfehlungen auf Grundlage der genannten Quellen – keine pauschale Investitionsempfehlung oder standortspezifische technische Planung.

Einen Workload-Steckbrief erstellen. Dokumentieren Sie Geschäftsziel, erwartete Nutzung, Leistungsanforderungen, Datennähe und Betriebsbedingungen. Trennen Sie Experimentierbetrieb, Training beziehungsweise Retraining und produktive Nutzung. [1]
Den Standort prüfen, bevor Sie Kapazitäten bestellen. Lassen Sie Stromversorgung, Kühlung, Netzwerk und Erweiterungsmöglichkeiten gemeinsam durch IT und Gebäudemanagement bewerten. Referenzdesigns sind ein Ausgangspunkt, kein Ersatz für die technische Standortprüfung. [1][2]
Betriebsmodelle mit denselben Annahmen vergleichen. Stellen Sie Cloud, Colocation und Eigenbetrieb anhand identischer Lastprofile und Leistungsziele gegenüber. Erfassen Sie neben Rechenleistung auch Energie, Kühlung, Netzwerk, Personal und laufende Servicekosten; dokumentieren Sie die jeweiligen Annahmen. [1][3][5]
Eine geschäftsbezogene Kostenkennzahl festlegen. Ergänzen Sie technische Werte wie Kosten pro Token um eine passende Ergebnisgröße, beispielsweise Kosten je bearbeitetem Vorgang. Prüfen Sie Kosten, Nutzung und Ergebnisqualität zusammen, statt allein den Gesamtverbrauch zu betrachten. [3]
Verantwortlichkeiten vor dem Produktivstart klären. Benennen Sie Zuständige für Anwendung, Infrastruktur, Daten, Risiken und Budget. Vereinbaren Sie Freigabekriterien und regelmäßige Überprüfungen über den Lebenszyklus hinweg. [2][4]
Kühlung nach konkretem Bedarf auswählen. Lassen Sie Leistungsdichte, Hardwarevorgaben und Standortbedingungen bewerten. Prüfen Sie Luft-, Flüssigkeits- oder Mischkonzepte, ohne aus dem Etikett »KI« allein eine Kühlstrategie abzuleiten. [5]
Schrittweise skalieren. Nutzen Sie Messwerte aus einem begrenzten Produktivbetrieb, um Lastannahmen und Kapazitätsplanung zu überprüfen. Planen Sie Erweiterungspfade, statt alle Anwendungen vorsorglich auf dieselbe Maximalarchitektur festzulegen. [1][3]

FAQ: Zehn Fragen zur produktiven KI-Infrastruktur

1. Was verändert sich beim Übergang vom KI-Pilotprojekt in den Produktivbetrieb?

Der neue Leitfaden betrachtet dabei nicht nur die Rechenleistung, sondern auch die Betriebsumgebung: Stromversorgung, Kühlung, Konnektivität und verfügbare Betriebskapazitäten. Die begleitende Veröffentlichung hebt außerdem Geschäftswert, Governance und operative Verantwortung hervor. Für die Planung heißt das: Die Bedingungen eines Tests sind gesondert auf ihre Eignung für eine dauerhafte Nutzung zu prüfen. [1][2]

2. Welche sechs KI-Workload-Archetypen unterscheidet der Leitfaden?

Er unterscheidet Modellentwicklung und Experimentieren, operatives Retraining und Rekalibrierung, generative und interaktive Anwendungen, Mustererkennung und Anomalieerkennung, prädiktive Anwendungen sowie Echtzeitsteuerung und autonome Systeme. Diese Kategorien bilden eine Planungssystematik des Leitfadens; sie sind keine universell verbindliche Norm. [1]

3. Wie unterscheiden sich Betriebsort und physisches Infrastrukturmodell?

Der Betriebsort beschreibt die Bereitstellungsumgebung, etwa Cloud, Colocation, eigenes Rechenzentrum oder Edge. Das physische Infrastrukturmodell beschreibt im Leitfaden dagegen die Ausprägung der unterstützenden Infrastruktur: Edge AI Cluster, Small AI Cluster, Large AI Cluster oder High-Density AI Cluster. Standortwahl und Dimensionierung sind aufeinander abzustimmen, aber nicht gleichzusetzen. [1]

4. Ist die Cloud für produktive KI grundsätzlich ungeeignet?

Nein. Der Leitfaden stellt ausdrücklich eine workloadspezifische Auswahl anstelle einer binären Entscheidung zwischen Cloud und Eigenbetrieb in den Mittelpunkt. Maßstab sind unter anderem Umfang und Einschränkungen des Workloads. Eine Cloud-Strategie sollte deshalb pro Anwendung begründet werden – ebenso wie eine Entscheidung für eigene Kapazitäten. [1]

5. Wann sollte ein Unternehmen Edge-KI prüfen?

Edge ist insbesondere dann als Option zu prüfen, wenn kurze Reaktionszeiten, Datennähe oder Einschränkungen der Konnektivität die Standortwahl prägen. Der Leitfaden berücksichtigt solche Workload-Anforderungen bei der Zuordnung des Betriebsorts. Empfehlung: Bewerten Sie dabei nicht nur die Anwendung, sondern auch Stromversorgung, Kühlung und Betrieb des dezentralen Standorts. [1]

6. Welche Standortprüfung gehört vor die Beschaffung?

Der Leitfaden nennt verfügbare Leistung, Kühlkapazität, Konnektivität und operative Kapazitäten als maßgebliche Faktoren. Die Referenzdesigns dienen anschließend der weiteren Planung und technischen Validierung. Empfehlung: Dokumentieren Sie Ist-Zustand, benötigte Kapazität und Erweiterungspfad gemeinsam mit den zuständigen technischen Fachleuten, bevor Sie die Ausstattung festlegen. [1][2]

7. Benötigt jede KI-Anwendung Flüssigkeitskühlung?

Nein. ASHRAE beschreibt für KI-optimierte Rechenzentren einen heterogenen Mix aus Leistungsdichten und Kühlprofilen; auch geringer verdichtete CPU-basierte Workloads bleiben relevant. Aus der Bezeichnung »KI« folgt daher kein einheitliches Kühlkonzept. Die Auswahl sollte auf der konkreten Hardware, den thermischen Anforderungen und den Standortbedingungen beruhen. [5]

8. Wie lässt sich die Wirtschaftlichkeit von KI im Betrieb verfolgen?

Die FinOps Foundation empfiehlt regelmäßige Kosten- und Nutzungsprüfungen, Kontingente, Ressourcenzuordnung und eine optimierte GPU-Zuteilung. KI-spezifische Kennzahlen wie Kosten pro Token ergänzen die Betrachtung. Empfehlung: Verbinden Sie technische Kostenkennzahlen mit einer relevanten Geschäftsgröße und dem erreichten Qualitätsniveau, damit niedrige Ausgaben nicht mit hohem Nutzen verwechselt werden. [3]

9. Welche Rolle spielt Governance bei der Infrastrukturentscheidung?

Das NIST AI Risk Management Framework gliedert seine Kernaktivitäten in Govern, Map, Measure und Manage. Governance ist dabei funktionsübergreifend; Risikomanagement soll kontinuierlich über den Lebenszyklus erfolgen. Empfehlung: Klären Sie Verantwortlichkeiten, Risikobewertung, Messverfahren und Überprüfungsprozesse parallel zur Infrastrukturplanung. Das Framework ist freiwillig und keine pauschale Bescheinigung regulatorischer Konformität. [4]

10. Wie belastbar ist der Infrastrukturleitfaden als Entscheidungsgrundlage?

Der von Vertiv und STL Partners entwickelte Leitfaden liefert Archetypen, Infrastrukturmodelle und einen strukturierten Entscheidungsprozess. Er ist ein anbieterbeteiligter Planungsrahmen, kein unabhängiger Nachweis für den wirtschaftlichen Erfolg eines konkreten Projekts. Die begleitende Veröffentlichung sieht weitere Planung und technische Validierung ausdrücklich vor. Empfehlung: Ergänzen Sie ihn um eigene Lastmessungen, Alternativangebote und eine dokumentierte Kosten- und Risikobewertung. [1][2][3][4]

Quellen

Recherche: 22. Oktober 2026. Die Bezugszeichen [1] bis [5] beziehen sich auf die folgenden Quellen. Die Praxis-Tipps und ausdrücklich als Empfehlungen bezeichneten Passagen sind redaktionelle Ableitungen.

[1] Vertiv / STL Partners: Designing Infrastructure for Enterprise AI. Bericht mit sechs Archetypen, vier Infrastrukturmodellen und Entscheidungsrahmen. https://www.vertiv.com/4a6042/globalassets/documents/reports/vertiv-ai-archetypes_report_global-english_sl-80527_web.pdf

[2] Vertiv: Vertiv Helps Enterprises Move from AI Pilots to Production. Veröffentlichung vom 14. Oktober 2026. https://investors.vertiv.com/news/news-details/2026/Vertiv-Helps-Enterprises-Move-from-AI-Pilots-to-Production/

[3] FinOps Foundation: FinOps for AI Overview. Empfehlungen zur Kosten- und Nutzungssteuerung von KI. https://www.finops.org/wg/finops-for-ai-overview/

[4] NIST: AI RMF Core. Kernfunktionen des AI Risk Management Framework 1.0; die Webseite weist auf eine laufende Überarbeitung hin. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/

[5] ASHRAE: Energy and Thermal Efficiency – AI Data Center Energy Performance Framework. Technische Einordnung von Leistungsdichten, Kühlung und Energieeffizienz. https://www.ashrae.org/technical-resources/topics-and-initiatives/ai-data-center/energy-and-thermal-efficiency

Management Summary, Tipps, FAQ und Bilder wurden mit Hilfe von KI erstellt

4634 Artikel zu „KI Rechenzentrum“

Digitale Transformation | Infrastruktur | Künstliche Intelligenz | News | Rechenzentrum

KI-Goldrausch: Zwischen Rechenzentrumsboom und Renditefrage

22. Oktober 2026

Der KI-Boom ist auch ein Infrastrukturboom: Rechenzentren, spezialisierte Prozessoren und Stromversorgung stehen im Zentrum des Ausbaus. Die Internationale Energieagentur dokumentiert steigende Investitionen; Europa plant zusätzliche KI-Gigafactories. [1][3] Für Unternehmen ergibt sich daraus eine nüchterne Leitfrage: Welcher konkrete Nutzen rechtfertigt welche laufenden Kosten? Diese redaktionelle Einordnung leitet sich aus den recherchierten Infrastruktur- und Risikomanagementquellen ab; sie…