KI führt Entwickler hin zum Platform Engineering

Die Technologie ist nicht der Engpass

Ein verbreiteter Mythos besagt, dass Unternehmen ihre Infrastruktur vollständig neu aufbauen müssten, bevor sie KI skalieren können. Tatsächlich haben viele bereits die Basis geschaffen. Laut der erwähnten Broadcom-Studie sind 92 Prozent der Unternehmen in EMEA überzeugt, dass die Private Cloud inzwischen zuverlässig genug ist für geschäftskritische Anwendungen. 90 Prozent sehen bei der Private Cloud zudem die finanzielle Transparenz und Planbarkeit gegeben, um den steigenden Kosten von KI-Infrastruktur zu begegnen. 82 Prozent sind außerdem der Ansicht, dass sie mit einer Private Cloud wachsende Anforderungen an Datensouveränität und -residenz erfüllen können. Die größere Herausforderung besteht darin, diese Fähigkeiten sinnvoll zusammenzuführen. Schon heute arbeiten 74 Prozent der Platform-Engineering-Teams in irgendeiner Form mit den IT-Infrastrukturteams zusammen. Doch nur 14 Prozent haben diese Zusammenarbeit in einem klar definierten Betriebsmodell verankert.

Diese Zahl ist ein deutlicher Hinweis, worauf es in der nächsten Phase der KI-Einführung ankommt. Eine gute Abstimmung zwischen den Teams dürfte ebenso entscheidend sein wie Investitionen in neue Technologien. Sie schafft die Voraussetzung dafür, KI konsistent, sicher und im großen Maßstab bereitzustellen.

Was Platform Engineering 2.0 ausmacht

Der Schwerpunkt von Platform Engineering 1.0 lag darauf, Software schneller bereitzustellen. In der nächsten Entwicklungsstufe geht es darum, KI zuverlässig in den operativen Betrieb zu überführen. Der erste Schritt ist die Einsicht, dass KI nicht einfach ein weiterer Workload ist. GPUs (Graphics Processing Units/Grafikprozessoren), neue CPU-Architekturen, Modell-Registries, Inference Services und KI-Agenten erfordern Plattformen, in denen KI von Anfang an als grundlegende Funktion vorgesehen ist – statt nachträglich an bestehende Infrastruktur angeflanscht zu werden.

Gleichzeitig müssen angesichts von KI Plattformentscheidungen anders getroffen werden. Kosten, Governance und Sicherheit lassen sich nicht länger vom Software-Lebenszyklus trennen – zumal dieser zunehmend selbst von KI geprägt wird. Hinzu kommt: Die Plattform muss sich kontinuierlich weiterentwickeln. Das KI-Ökosystem verändert sich zu schnell, als dass jedes Unternehmen eine eigene Architektur für jedes neue Modell, Framework oder Werkzeug neu aufbauen könnte. Komponierbare Architekturen aus modularen Services und klar definierten Schnittstellen schaffen die nötige Flexibilität, ohne auf die Verlässlichkeit und Konsistenz zu verzichten, auf die Unternehmen angewiesen sind.

Infrastruktur wird zum Strategiefaktor

Die Infrastruktur entscheidet heute maßgeblich darüber, ob Unternehmen GPU-Ressourcen effizient bereitstellen, KI-Workloads einheitlich steuern, steigende Kosten beherrschen und intelligente Systeme sicher skalieren können. Mit der Plattform arbeiten Nutzer unmittelbar. Was ein Unternehmen aber mit der Plattform erreichen kann, entscheidet sich zunehmend in der Infrastruktur. Sobald KI-Anwendungen in den Produktivbetrieb gehen, steigen diese Anforderungen weiter. Unterschiedliche Modelle und Anwendungen belasten Rechenleistung, Speicher und Dateninfrastruktur auf unterschiedliche Weise – häufig gleichzeitig. Plattformteams müssen auf solche wechselnden Anforderungen reagieren können, ohne zusätzliche Komplexität oder neue Technologiesilos zu schaffen. Damit entwickelt sich die Infrastruktur von der technischen „Bodenplatte“ der Plattform zum Herzstück von Platform Engineering 2.0.

Der Spagat zwischen Tempo und Kontrolle gehörte seit jeher zum Platform Engineering – und gewinnt im KI-Zeitalter weiter an Bedeutung. Platform Engineering 2.0 baut auf den Plattformen und Strukturen auf, in die Unternehmen in den vergangenen zehn Jahren investiert haben. Es bereitet sie auf eine Welt vor, in der Software von Menschen und intelligenten Agenten gemeinsam entwickelt, bereitgestellt und zunehmend auch betrieben wird.

Unternehmen, die diesen Wandel frühzeitig berücksichtigen, schaffen bessere Voraussetzungen für den produktiven Einsatz von KI – und können ihre KI-Ambitionen eher in messbaren Geschäftsnutzen übersetzen. jf