Von „Hybrid by Accident“ zu „Hybrid by Design“: Datensouveränität und Kostenkontrolle bei KI meistern
Kein Unternehmen schafft bewusst eine chaotische Technologielandschaft. Sie entsteht in der Regel schleichend durch Übernahmen, Teams, die ihre eigenen Tools kaufen, und unzusammenhängende, oft nur teilweise durchgeführte Cloud-Migrationen. Das Ergebnis ist eine „zufällige Hybridarchitektur“ – eine IT-Umgebung, die eher auf jahrelangen reaktiven Entscheidungen als auf bewussten Maßnahmen basiert, und schlimmer noch: Niemand hat einen konkreten Plan zur Behebung dieses Problems.
Da Unternehmens-KI von der Experimentierphase in die Produktion übergeht, ist eine zufällige Hybridarchitektur mehr als nur eine technische Unannehmlichkeit – sie ist ein strategisches Risiko. Um die Datensouveränität zu wahren und explodierende KI-Kosten zu vermeiden, müssen Unternehmen auf eine von Grund auf hybride Architektur setzen. Unternehmen, die diesen Wandel bewusst vollziehen, werden den vollen Wert ihrer Datenbestände ausschöpfen. Diejenigen, die dies nicht tun, werden feststellen, dass ihre Architekturschulden mit jedem Jahr und jeder neuen KI-Initiative weiter anwachsen.
Das war das Thema meines jüngsten Gesprächs mit dem Gastredner Noel Yuhanna, VP Principal Analyst bei Forrester, im Rahmen des Cloudera-Webinars „Willkommen im Zeitalter von ‚Hybrid by Design‘“.
In diesem Blog vertiefe ich dieses Gespräch und skizziere, wie Unternehmen eine Hybrid-by-Design-Architektur schaffen können, indem sie einheitliche Governance und offene Standards nutzen und über eine klare Übersicht der Anforderungen an den KI-Lebenszyklus verfügen.
Wie Unternehmen hierher gelangen
Neben M&A-Aktivitäten, der Einführung isolierter Tools und Geschäftsbereichen, die sich auf bevorzugte Anbieter festlegen, ist der rasante Vorstoß in die Cloud in den letzten Jahrzehnten ein wesentlicher Grund dafür. Viele Unternehmen haben die Umstellung schnell und umfassend vollzogen, doch nun schlägt das Pendel wieder in die andere Richtung aus. Die Rückführung (Repatriation) ist ein aktuelles und zunehmend diskutiertes Thema.
Die Zahlen sprechen für sich: Die von CIOs gemeldeten Pläne, Workloads wieder in die eigene Infrastruktur zurückzuverlagern, stiegen von 43 % im Jahr 2020 auf 83 % im Jahr 2024. Das ist keine Ablehnung der Cloud, sondern die reifere Erkenntnis, dass nicht jede Workload dort hingehört. Tatsächlich findet laut Yuhanna etwa 80 % der Transaktionsabwicklungen im Bankwesen und im Gesundheitswesen heute noch lokal statt. Das anfängliche Missverständnis, „die Cloud sei billig“, ist kritischen Fragen zur Architekturoptimierung, zur Überdimensionierung und zu den ausgehenden Datenübertragungskosten gewichen, die das Wertversprechen untergraben.
Der zugrunde liegende regulatorische Druck
Compliance erzwingt sofortiges Handeln bei dem, was früher ein langsam voranschreitendes IT-Problem war. Vorschriften wie die DSGVO, der EU Data Act und HIPAA erfordern eine strikte Datensouveränität. Unterdessen steht der US CLOUD-Act, der US-Behörden den weltweiten Zugriff auf Daten ermöglicht, im Widerspruch zu den Datenschutzvorschriften der EU und der APAC-Region, was Unternehmen aktiv dazu veranlasst, auf souveräne, nicht in den USA ansässige Cloud-Anbieter auszuweichen. Im Finanzsektor schreibt DORA Ausstiegsstrategien für Anbieter vor, da eine zu starke Abhängigkeit von einer einzigen Cloud mittlerweile ein systemisches Risiko darstellt.
Angesichts neuer KI-Vorschriften, die eine strenge Rückverfolgbarkeit vorschreiben, wird dieser Druck im Jahr 2026 und danach noch weiter zunehmen. Daten- und KI-Governance verschmelzen zu einer riesigen Compliance-Hürde. Unternehmen ohne die richtige Architektur stehen vor einer schmerzhaften, teuren Nachrüstung.
Warum KI das jetzt so dringend macht
Unternehmens-KI verwandelt ein chronisches Infrastrukturproblem in ein akutes. Der Lebenszyklus einer KI weist in jeder Phase ganz unterschiedliche Anforderungen auf: Das Training und die Kontextualisierung erfordern sporadisch auftretende, umfangreiche Rechenleistung, weshalb die Cloud hierfür besser geeignet sein könnte, während die Inferenz im Dauerbetrieb lokal oft kostengünstiger ist. Unter „bewusster Hybridansatz“ versteht man, dass jede Phase der Infrastruktur zugeordnet wird, die tatsächlich zu ihr passt, anstatt standardmäßig auf eine einzige Umgebung zurückzugreifen und die damit verbundenen Nachteile in Kauf zu nehmen.
Die Datengravitation verkompliziert die Sache noch weiter. KI erfordert riesige Mengen verteilter Daten, und deren Übertragung zwischen verschiedenen Umgebungen ist mit tatsächlichen Latenzzeiten und Ausgangskosten verbunden. Sie werden in die Enge getrieben: Entweder beschränken Sie die Modelle auf einen begrenzten Datensatz (und opfern dabei die Qualität) oder Sie nehmen enorme Kosten in Kauf, um die Daten zu zentralisieren (und machen damit das Geschäftsmodell zunichte).
Agentische KI verschärft diese Herausforderung erheblich. Da diese Systeme für ihre Aktionen vertrauenswürdige Daten in Echtzeit benötigen, werden Pipelines mit Batch-Verzögerungen schlichtweg nicht bestehen können. Wie Yuhanna anmerkt, liegt die Einführung von agentischer KI derzeit bei etwa 24 % und wird sich bis Ende 2026 voraussichtlich verdoppeln. Die Unternehmen, die heute eine proaktive Architektur für diese Realität aufbauen, werden morgen den Nutzen daraus ziehen.
Das Argument für offene Standards
Die Anbieterabhängigkeit ist nicht nur ein theoretisches Risiko, sondern verursacht sowohl auf der Infrastruktur- als auch auf der Softwareebene konkrete Kosten. Wenn Ihre proprietären Datentools nur in einer bestimmten Cloud ausgeführt werden, sehen Sie sich einer sich verstärkenden „doppelten Abhängigkeit“ gegenüber. Dadurch liegt die gesamte Entscheidungsgewalt beim Anbieter, was zu einem erheblichen Engpass führt, sobald eine Workload verlagert werden muss – ganz gleich, ob Sie ein abgeschlossenes Cloud-Pilotprojekt auf freie Kapazitäten im Rechenzentrum verlagern oder zur Einhaltung von Compliance-Vorgaben in eine neue souveräne Cloud migrieren. Unternehmen gewinnen diesen Einfluss durch die Portabilität von Workloads und offene Standards zurück.
Zwei maßgebliche Standards machen dies möglich:
Kubernetes fungiert als universelle Abstraktionsschicht für Ihre zugrunde liegende Infrastruktur. Durch die Bereitstellung eines einheitlichen, cloud-nativen Betriebsmodells – unabhängig davon, welche Hardware oder welcher Cloud-Anbieter dahintersteht – entfällt die „Plattformwechsel-Gebühr“ – also der Aufwand für die Neuanpassung, der jedes Mal entsteht, wenn eine Workload eine Infrastrukturgrenze überschreitet.
Apache Iceberg übernimmt die entsprechende Aufgabe auf der Datenebene. Es geht nicht nur darum, den Speicherort Ihrer Daten zu abstrahieren, sondern auch darum, den Kreis derjenigen zu erweitern, die darauf zugreifen können. Das offene Tabellenformat und der Iceberg REST-Katalog ermöglichen es Unternehmen, Daten unverändert mit jedem Drittanbietersystem zu teilen. Das bedeutet, dass Sie Ihre regulierten Daten genau dort belassen können, wo sie sind, während externe Analyseplattformen sie direkt abfragen können. Durch die vollständige Entkopplung der Daten von herstellerspezifischen Computing-Engines gewinnen Unternehmen echte, zukunftssichere Flexibilität bei der Entscheidung, wie und wo sie KI einsetzen.
Berücksichtigen Sie, wie die Skalierung in der Praxis tatsächlich aussieht. Yuhanna hatte kürzlich mit einem Kunden zu tun, der 50.000 Datenbanken aus 1.000 unterschiedlichen Quellsystemen miteinander verknüpfte. In dieser Größenordnung wächst die Komplexität nicht linear, sondern potenziert sich. Offene Standards sind kein „Nice-to-have“; sie sind die Voraussetzung dafür, dass Unternehmen die Kontrolle über ihre eigenen Umgebungen behalten.
Die Governance-Lücke und ihre Kosten
Fragmentierte Infrastruktur führt zuverlässig zu fragmentierter Governance. Wie Yuhanna hervorhebt, fehlen bei rund 70 % der Unternehmensdaten geeignete Metadaten und eine angemessene Katalogisierung. Das bedeutet, dass tatsächlich nur 25 % für Analysen genutzt werden und der Großteil der Unternehmensdaten völlig unberührt bleibt! Im Jahr 2006 prägte der britische Mathematiker und Pionier der Datenwissenschaft, Clive Humby, den berühmten Satz „Daten sind das neue Öl“ und wies darauf hin, dass Rohdaten durch KI und Analysen aufbereitet werden müssen, um einen echten Mehrwert zu schaffen. Wenn jede einzelne Datenangabe potenzielle Erkenntnisse birgt, warum sollten Sie dann eine Architektur in Kauf nehmen, die Sie aktiv daran hindert, all diese Erkenntnisse zu nutzen?
Die Auswirkungen auf die Sicherheit sind ebenso konkret. Laut dem Data Breach Report 2025 von IBM belaufen sich die Kosten für Datenschutzverletzungen in mehreren Umgebungen im Durchschnitt auf über 5 Millionen US-Dollar (deutlich über dem weltweiten Durchschnitt von 4,44 Millionen US-Dollar) und machen mittlerweile rund 30 % aller Vorfälle aus. Der Grund dafür ist einfach: Sicherheitsverletzungen treten an Integrationspunkten auf, und jede Umgebungsgrenze ist ein Integrationspunkt.
Die Antwort ist eine einheitliche Richtlinienebene: eine einzige, föderierte Steuerungsebene, die Klassifizierung, Zugriffskontrolle, Herkunftsnachweis, Auditierung und Compliance umfasst. In diesem Modell folgen die Richtlinien den Daten und werden konsistent und in Echtzeit über das gesamte Ökosystem hinweg angewendet.
Der Startpunkt
Angesichts der praktischen Anforderungen an den produktiven Einsatz von KI, der verschärften Vorgaben zur Datensouveränität und einer stärkeren Fokussierung auf die tatsächlichen Kosten der Infrastruktur müssen Unternehmen den Übergang von „Hybrid-by-Accident“- zu „Hybrid-by-Design“-Architekturen vollziehen. So gelingen die ersten Schritte:
Schaffen Sie Klarheit über den Zweck. Bevor Sie sich mit Technologie befassen, erstellen Sie eine 18-monatige Roadmap, die auf konkreten Geschäftsergebnissen basiert – sei es Umsatzwachstum, Kostenoptimierung oder Resilienzziele.
Führen Sie ein Data-Gravity-Audit durch. Erfassen Sie, wo sich die Daten tatsächlich befinden, wer darauf zugreift und Ihre Latenz- und Ausgangsexposition. So werden vergessene Workloads, doppelte Daten und blinde Flecken bei der Compliance zuverlässig aufgedeckt.
Führen Sie eine bewusste Rationalisierung durch. Optimieren Sie sich überschneidende Tools, bündeln Sie Lieferantenbeziehungen, standardisieren Sie die Governance und schaffen Sie die Voraussetzungen für die Workload-Portabilität.
Um mehr zu erfahren, hören Sie sich mein Gespräch mit Noel Yuhanna an und vertiefen Sie Ihr Wissen mit dem Branchentrendbericht „Vom Chaos zur Kontrolle: Warum ‚Hybrid by Design‘ die Zukunft der Unternehmensdatenstrategie ist“.