On-premises wieder auf dem Vormarsch

Durch KI verliert die Public Cloud an Attraktivität

Spoiler Alert: Die Public Cloud hat nach wie vor ihre Daseinsberechtigung. Trotzdem gibt es immer mehr Unternehmen, die lokalen Rechenzentren oder hybriden Ansätzen den Vorzug in Sachen Datenhaltung und die Ausführung von Workloads geben. Das hat einerseits politische, aber auch wirtschaftliche und technische Gründe.

An der Public Cloud führte in den letzten Jahren quasi kein Weg vorbei. Nahtlose Skalierbarkeit und hohe Flexibilität sprachen für sich selbst, während bei manchen Anwendungen die Wirtschaftlichkeit und vor allem die Performance der Cloud eine On-premises-Infrastruktur in den Schatten stellten. Mit der Verbreitung und dem flächendeckenden Einsatz von Künstlicher Intelligenz wendet sich das Blatt wieder zugunsten lokaler Alternativen: Die Cloud verursacht nämlich gerade im KI-Kontext zuweilen nicht überblickbare Kosten. Doch auch politische Erwägungen und neue Regularien zwingen Unternehmen zunehmend, auf Inhouse-Lösungen oder zumindest regionale Cloud-Anbieter zu setzen.

Datensouveränität wird immer wichtiger

Der politische Faktor zählt derzeit zu den entscheidenden Kräften hinter dem Wandel hin zu stärker konservativ geprägten Ansätzen – möglicherweise ist er sogar der wichtigste. Was in Fachkreisen vor einigen Jahren noch hinter vorgehaltener Hand als übertriebene „Datenschutz-Paranoia“ abgetan wurde, hat sich inzwischen fest etabliert: Sowohl Unternehmen als auch öffentliche Einrichtungen legen zunehmend Wert darauf, die Kontrolle über ihre sensiblen Daten selbst zu behalten. Bei der Entscheidung, wo Daten gespeichert und verarbeitet werden, stehen daher nicht mehr ausschließlich die Vorteile von Cloud-Lösungen im Vordergrund, sondern vor allem Aspekte wie Rechtssicherheit und digitale Souveränität.

In Europa wächst aktuell nämlich die berechtigte Sorge vor dem Zugriff ausländischer Behörden auf Unternehmensdaten. Zwar werben große Cloud-Anbieter und Hyperscaler mit Rechenzentren innerhalb der EU, doch bleibt unklar, ob ein Standort in Deutschland tatsächlich vor dem Zugriff fremder Geheimdienste schützt, wenn der Anbieter seinen Hauptsitz beispielsweise in den USA hat. Diese rechtliche Grauzone ist bis heute nicht abschließend geklärt. Somit steigt die Nachfrage nach Cloud-Lösungen aus Europa, insbesondere aus Deutschland, die lokale Datenspeicherung, eine nationale Rechtsbasis und Support in deutscher Sprache gewährleisten. Vor allem öffentliche Institutionen und Betreiber kritischer Infrastrukturen, beispielsweise aus dem Finanz- und Gesundheitswesen, rücken die Datensouveränität zunehmend ins Zentrum ihrer IT-Strategie. Gleichzeitig hat auch das öffentliche Bewusstsein zugenommen: Kunden achten stärker auf Datenschutz und Compliance, wodurch die lokale Verarbeitung von Daten immer mehr zu einem wichtigen Qualitätskriterium wird. Für Unternehmen geht es daher längst nicht mehr nur um die Einhaltung von Vorschriften, sondern ebenso darum, Vertrauen aktiv zu schaffen und zu sichern.

Versteckte Kosten bei KI-Nutzung

Neben Anforderungen an Datenschutz und Datensouveränität rückt auch die Kostenfrage immer stärker in den Fokus. Viele Unternehmen hinterfragen inzwischen die wirtschaftlichen Vorteile von Public-Cloud-Lösungen großer Hyperscaler. Während diese früher mit transparenten und flexibel kalkulierbaren Kostenmodellen überzeugten, zeigt sich heute häufig ein anderes Bild: Nutzer berichten von mangelnder Übersichtlichkeit und stark schwankenden Preisen. Insbesondere bei Anwendungen mit hohem Bedarf an API-Aufrufen, Speicherzugriffen oder Datenübertragungen treten nicht selten unerwartet hohe Kosten auf.

Ein besonders anschauliches Beispiel liefert der KI-Bereich. Hier können sich Ausgaben schnell vervielfachen: Ein Machine-Learning-Projekt, das im Testbetrieb noch kleines Geld kostet, kann durch Anpassungen an den Modellparametern rasch ein Vielfaches davon erreichen. Hinzu kommt, dass leistungsfähige KI-Anwendungen häufig auf spezialisierte Hardware wie GPUs (Graphics Processing Unit) oder TPUs (Tensor Processing Unit) angewiesen sind, die bei großen Cloud-Anbietern deutlich teurer sind als klassische Rechen- oder Speicherressourcen. Zusätzlich benötigen viele KI-Modelle große Datenmengen, deren Speicherung in der Public Cloud für viele Unternehmen kaum finanzierbar ist. Auch der Datenaustausch zwischen internationalen Cloud-Infrastrukturen und lokalen Systemen verursacht zusätzliche Kosten. All diese Faktoren stärken die Attraktivität lokaler Anbieter oder eigener Rechenzentrumslösungen.

Private versus Public Cloud

Es ist ein verbreiteter Trugschluss, dass Anwendungen bei Hyperscalern in der Cloud grundsätzlich leistungsfähiger laufen. Gerade in produktiven Umgebungen, in denen niedrige Latenzen entscheidend sind, zahlt sich die räumliche Nähe von Daten und Rechenressourcen aus. Echtzeitanalysen verlieren an Effizienz, wenn Daten zunächst von der Edge zur Verarbeitung in entfernte Cloud-Systeme übertragen werden müssen. Deshalb verlagern viele Industrieunternehmen entsprechende Workloads direkt an den Rand des Netzwerks. Auch KI-Anwendungen profitieren davon, wenn Daten und Rechenleistung physisch eng beieinander liegen, weshalb sie zunehmend im eigenen Rechenzentrum betrieben werden.

Ein weiterer Aspekt ist der Umgang mit bestehenden Anwendungen: Viele Legacy-Systeme lassen sich nur mit erheblichem Aufwand für die Cloud anpassen. Unternehmen stehen daher häufig vor der Entscheidung, diese entweder ineffizient weiterzubetreiben oder sie komplett neu als Cloud-native Anwendungen zu entwickeln. Private-Cloud-Lösungen regionaler Anbieter bieten hier mehr Flexibilität, da sich die Infrastruktur gezielt an bestehende Anwendungen anpassen lässt, ohne auf moderne Cloud-Funktionalitäten verzichten zu müssen. Moderne Private-Cloud-Umgebungen stehen Public-Cloud-Angeboten in puncto Komfort kaum noch nach und unterstützen Technologien wie Kubernetes, Infrastructure as Code und S3-kompatible Speicherlösungen. Dadurch relativiert sich ein zentraler Vorteil der großen Hyperscaler: die einfache Bereitstellung moderner Entwicklungsplattformen. Zudem stellen deutsche Anbieter inzwischen leistungsfähige GPU-Ressourcen, kompatible Schnittstellen und hybride Architekturen bereit, die klassische Virtualisierung mit Cloud-nativen Ansätzen verbinden. Private Clouds entwickeln sich so zu einer leistungsstarken und zugleich rechtssicheren Alternative.

Der Weg zurück will gut geplant sein

Paradoxerweise sind es allerdings gerade Cloud-native Technologien, die den Weg zurück in lokale Infrastrukturen vereinfachen. Durch Containerisierung, Infrastructure as Code und Microservices sind Anwendungen heute deutlich flexibler geworden. Während sie früher oft fest in monolithischen Strukturen verankert waren, lassen sich moderne Workloads vergleichsweise leicht verschieben und migrieren. Plattformen wie Kubernetes oder Red Hat OpenShift ermöglichen es, Cloud-native Anwendungen auch im eigenen Rechenzentrum automatisiert, konsistent und unabhängig von einzelnen Cloud-Anbietern zu betreiben. Gleichzeitig haben sich auch die Speichertechnologien weiterentwickelt: Statt rein auf klassische Festplatten zu setzen, kombinieren moderne Private-Cloud-Umgebungen kostengünstige HDDs mit leistungsstarken Flash-Speichern. So stehen sowohl preiswerter Massenspeicher als auch schneller Primary Storage zur Verfügung – eine ideale Grundlage für datenintensive Anwendungen wie KI oder Analytik.

Allerdings ist die Rückführung aus den Infrastrukturen großer Cloud-Anbieter in der Praxis alles andere als trivial. Insbesondere die Migration sehr großer Datenmengen im Petabyte-Bereich stellt Unternehmen vor erhebliche logistische und finanzielle Herausforderungen. Komplex wird es vor allem dann, wenn Daten während des Umzugs weiterhin aktualisiert werden und Systeme parallel produktiv bleiben müssen. Neben den Kosten für den Datenausgang aus der Cloud spielt auch der eigentliche Transfer eine Rolle, der sich oft über Wochen hinzieht. Gleichzeitig muss sichergestellt werden, dass sowohl die Datenintegrität als auch die Verfügbarkeit jederzeit gewährleistet bleiben.

Deshalb beginnt eine erfolgreiche Rückmigration in der Regel mit einer detaillierten Analyse der bestehenden Workloads: Welche Daten sind geschäftskritisch, welche können weiterhin extern verbleiben und welche müssen zwingend zurückgeführt werden? Auf dieser Basis sollte ein strukturierter Migrationsplan entwickelt werden, der Testphasen einschließt und die Umsetzung in mehrere klar definierte, gut steuerbare Etappen gliedert. Gerade kleinere und mittelständische IT-Teams stoßen bei solchen Vorhaben schnell an ihre Grenzen. Für viele Unternehmen ist es daher sinnvoll, spezialisierte Dienstleister einzubinden, um Risiken zu reduzieren und Ausfallzeiten möglichst gering zu halten.

Zurück in die Zukunft (des eigenen Rechenzentrums)

Die Abkehr von Hyperscaler-Clouds ist eher ein Zeichen gewachsener technologischer Kompetenz als ein Rückschritt. Die Erfahrungen der vergangenen Jahre machen deutlich, dass digitale Transformation nicht zwangsläufig mit einer vollständigen Bindung an große Cloud-Anbieter verbunden sein muss. Stattdessen deutet vieles darauf hin, dass hybride IT-Modelle künftig eine zentrale Rolle spielen werden. Das frühere Prinzip „alles in die Cloud“ wird zunehmend durch differenziertere Ansätze ersetzt: Unternehmen halten geschäftskritische Anwendungen verstärkt in eigenen Infrastrukturen, während sie Cloud-Ressourcen weiterhin gezielt für Entwicklung, Tests oder zur Abdeckung kurzfristiger Lastspitzen einsetzen – zunehmend auch bei europäischen Anbietern. Auf diese Weise entsteht ein ausgewogenes Zusammenspiel beider Welten. Unternehmen profitieren weiterhin von der Flexibilität, Skalierbarkeit und Automatisierung moderner Cloud-Technologien, behalten gleichzeitig jedoch die Kontrolle über Kosten, rechtliche Rahmenbedingungen und ihre Daten. Diese Kombination aus Agilität und Souveränität entwickelt sich immer mehr zum bevorzugten Modell moderner IT-Strategien.