Cloud, Daten und KI für Produktivsysteme

Nein, und auf die perfekte Plattform zu warten ist meist ein Fehler. Die Reihenfolge zählt, weil produktive KI kontrollierte, erreichbare Daten braucht, aber beide Stränge können parallel laufen: ein begrenzter KI-Pilot auf einem gut verstandenen Datensatz, während die breitere Migration voranschreitet. DNA Solutions führt oft beides gleichzeitig, wobei der Pilot so zugeschnitten ist, dass seine Datenquellen zu den ersten migrierten Workloads gehören. Wovon wir abraten: KI organisationsweit auf einem fragmentierten Legacy-Bestand auszurollen, weil jedes Modell dann die Datenqualitätsprobleme darunter erbt. Starten Sie den Piloten früh, aber lassen Sie die Plattform aufholen, bevor Sie in die Breite gehen.

Die Wahl folgt drei Fragen: Wo dürfen Ihre Daten rechtlich liegen, was verlangt das Workload-Profil tatsächlich, und welches Tooling betreiben Ihre Teams bereits. Europäische AWS- und Azure-Regionen decken die meisten Enterprise-Fälle ab; zwischen beiden entscheiden wir nach Workload-Eignung, nicht nach Vorliebe. Souveränes europäisches Hosting wird zur richtigen Antwort, wenn Anforderungen der öffentlichen Hand, Branchenregulierung oder strategische Unabhängigkeit eine Hyperscaler-Abhängigkeit ausschließen, besonders bei KI-Workloads mit sensiblen Dokumenten. Weil wir auf Portabilität hin bauen, mit Infrastructure as Code und offenen Standards, bleibt die Entscheidung später revidierbar statt eine Einbahnstraße.

Ein erster produktiver Use Case steht typischerweise nach drei bis sechs Monaten: ein begrenztes Set an Quellen konsolidiert, Qualitätsregeln etabliert, und ein Team, das echte Fragen aus der Plattform beantwortet. Die vollständige Konsolidierung dauert länger und hängt vor allem von Zahl und Zustand Ihrer Quellen ab; ein Bestand von über 90 Datenbanken braucht mehr als ein Jahr, bis er vollständig integriert ist. Wir phasen die Arbeit bewusst so, dass der Nutzen früh ankommt, denn ein Data Lake, der 18 Monate unsichtbar bleibt, verliert seine Sponsoren, bevor er sein Budget verliert. Jede Phase fügt Quellen zu einer Plattform hinzu, die bereits täglich genutzt wird, statt auf einen einzigen fernen Launch hinzuarbeiten.

Als Designvorgaben, geklärt vor dem ersten Deployment statt im Nachhinein geprüft. Für die DSGVO heißt das: Datenresidenz in europäischen Regionen oder auf souveränem Hosting, Datenminimierung direkt in den Pipelines, Zugriffskontrollen und Audit-Trails auf Plattformebene sowie Unterstützung Ihrer Datenschutz-Folgenabschätzung. Für den AI Act heißt es: jeden Use Case nach Risikokategorie einordnen, Modelle und Trainingsdaten so dokumentieren, dass sie einer Prüfung standhalten, und den Menschen dort in der Schleife halten, wo die Verordnung es verlangt. Wo die Anforderungen Hyperscaler-KI-Dienste ganz ausschließen, trainieren und betreiben wir eigene Modelle auf europäischer Infrastruktur, ohne externe API-Abhängigkeit.

Das ist der Normalfall, und die Übergabe wird von Anfang an geplant statt am Ende improvisiert. Ihre Ingenieure arbeiten im Projekt mit, die Infrastruktur wird als Code verwaltet, sodass jede Umgebung reproduzierbar ist, und die Architektur ist durchgängig dokumentiert. Wenn die Plattform stabil läuft, betreibt Ihr Team sie im Alltag, und wir bleiben dort eingebunden, wo es Sinn ergibt: neue Stufen des Stacks, Modell-Retraining oder Kapazität, die Ihr Team nicht intern aufbauen muss. Die Abhängigkeit, die Sie behalten, soll eine Entscheidung sein, nie eine Folge davon, wie das System gebaut wurde.