Das Pilotprojekt funktioniert. Ein Team hat einen ersten KI-Anwendungsfall umgesetzt, die Ergebnisse überzeugen. Der nächste Schritt scheint klar: Skalieren. Doch genau hier geraten viele Unternehmen ins Stocken.
Was im kleinen Rahmen funktioniert, ist oft auf einzelne Datenquellen oder Systeme zugeschnitten. Sobald Anwendungen in den operativen Betrieb überführt werden, steigt die Komplexität: Daten müssen integriert, Systeme miteinander verzahnt und Rechenlasten flexibel verteilt werden. Gleichzeitig wachsen die Anforderungen an Datenschutz, Sicherheit und Kontrolle, insbesondere im deutschen Mittelstand.
So zeigt sich ein wiederkehrendes Muster: Der Sprung vom Pilotprojekt zur skalierbaren Anwendung scheitert selten an der Idee, sondern an der Umsetzung. Infrastruktur wird dann zu einer zentralen Stellschraube.
Genau aus diesem Spannungsfeld heraus gewinnt ein Ansatz an Bedeutung: Hybrid AI.
Statt sich auf eine Umgebung festzulegen, verteilt Hybrid AI KI-Workloads gezielt über Endgeräte, Edge-Systeme, Rechenzentren und die Cloud. Daten werden dabei dort verarbeitet, wo es am besten passt: Sensible Informationen bleiben in lokalen oder unternehmenseigenen Systemen, während rechenintensive Aufgaben in die Cloud oder ins Rechenzentrum verlagert werden. Dass sich dieser Ansatz in der Praxis durchsetzt, zeigt auch eine aktuelle Studie von Lenovo: Bereits 50 Prozent der Unternehmen in Deutschland nutzen hybride Architekturen als primäres Betriebsmodell für KI. Dahinter folgen mit deutlichem Abstand Public Cloud mit 25 Prozent, On-Premises mit 18 Prozent und Edge-Umgebungen mit 7 Prozent.
Ein Zusammenspiel der Systeme
Hybrid AI entfaltet ihren Nutzen vor allem im praktischen Einsatz. Entscheidend ist, wie gut sich Technologien, Daten und KI aus verschiedenen Quellen so zusammenführen lassen, dass daraus nutzbare Ergebnisse entstehen.
Normalerweise sind relevante Informationen selten an einem Ort gebündelt. Sie verteilen sich über Unternehmenssysteme, Cloud-Anwendungen und Endgeräte. Hybrid AI verbindet diese Ebenen und ermöglicht es, Daten kontextbezogen auszuwerten und direkt in Anwendungen zu nutzen.
Damit verändert sich auch die Funktionsweise von KI. Anwendungen greifen nicht mehr isoliert auf einzelne Datenbestände zu, sondern nutzen mehrere Quellen gleichzeitig. So können sie fundiertere Ergebnisse liefern und Prozesse gezielter unterstützen.
Für Unternehmen bedeutet das: Der Wert von KI entsteht nicht durch einzelne Anwendungen, sondern durch ihre Einbindung in bestehende Prozesse und Datenflüsse.
Komplettlösungen als Schlüssel für die Umsetzung von Hybrid AI
Das hat auch Konsequenzen für die Umsetzung. Mit Hybrid AI steigt die Komplexität, weil unterschiedliche Datenquellen, KI-Modelle und Infrastrukturen nicht nur integriert, sondern auch im laufenden Betrieb aufeinander abgestimmt werden müssen. Für viele Hersteller ist das allein kaum zu leisten.
Genau deshalb werden Kooperationen zum entscheidenden Faktor. Infrastruktur- und Technologieanbieter bündeln ihre Kompetenzen und entwickeln Angebote, bei denen zentrale Bausteine wie Infrastruktur, Software, Plattformen und KI-Modelle bereits aufeinander abgestimmt sind. Nach einer vorgelagerten Validierung werden diese als integrierte Lösungen bereitgestellt.
Ein Beispiel dafür ist die Zusammenarbeit von Lenovo und NVIDIA. Hier entstehen vorab ab-gestimmte Systeme, die sich leichter in bestehende IT-Landschaften integrieren lassen und für mehr Planungssicherheit sorgen. Statt bei jeder Anwendung von vorne anzufangen, können Unternehmen auf erprobten Grundlagen aufbauen und diese an ihre eigenen Anforderungen anpassen.
So wird Hybrid AI nicht nur technisch möglich, sondern auch wirtschaftlich umsetzbar. Gerade für mittelständische Unternehmen mit begrenzten IT-Ressourcen ist das ein entscheidender Vorteil.