NTT DATA eröffnet AI Factory in München für produktive KI

NTT DATA hat in München eine neue AI Factory eröffnet, in der Unternehmen eigene KI-Workloads unter produktionsnahen Bedingungen testen können. Die Umgebung läuft direkt im Munich 2 Data Center von NTT Global Data Centers und kombiniert Infrastruktur von NVIDIA und Dell Technologies mit den Beratungs-, Security- und Betriebsleistungen von NTT DATA.

Der Ansatz zielt auf ein Problem, das viele KI-Projekte derzeit bremst: Ein Proof of Concept funktioniert im Labor, lässt sich aber nicht ohne Weiteres skalieren oder sicher in den Regelbetrieb überführen. Genau an diesem Punkt soll die NTT DATA AI Factory ansetzen.

Was bietet die NTT DATA AI Factory in München?

Die neue Umgebung unterscheidet sich nach Angaben von NTT DATA bewusst von klassischen Demo- oder Innovationslaboren. Sie ist direkt in eine produktive Rechenzentrumsumgebung eingebettet. Unternehmen können dort eigene Anwendungen, Daten und Workloads unter Bedingungen testen, die dem späteren Betrieb näherkommen.

Dabei geht es nicht nur um reine Rechenleistung. Bewertet werden können unter anderem Infrastruktur, Security, Datenhaltung, Governance und operative Anforderungen. NTT DATA nennt außerdem Architekturtests, Performance-Messungen und die Validierung konkreter Anwendungsfälle als zentrale Bestandteile.

Für Unternehmen ist das relevant, weil Entscheidungen über KI-Infrastruktur häufig getroffen werden müssen, bevor belastbare Erfahrungswerte zum eigenen Workload vorliegen.

Welche Infrastruktur steckt hinter der AI Factory?

Technisch setzt NTT DATA auf ein Partnerökosystem rund um NVIDIA und Dell Technologies.

NVIDIA liefert unter anderem Blackwell-GPUs, Spectrum-X Ethernet für die Vernetzung und NVIDIA AI Enterprise als Softwareplattform. Dell Technologies stellt über die Dell AI Factory with NVIDIA Server-, Storage- und weitere Infrastrukturkomponenten bereit.

Damit besteht die Umgebung nicht nur aus GPU-Systemen. Netzwerk, Storage, Software und Betrieb werden gemeinsam betrachtet.

Das ist wichtig, weil KI-Infrastruktur zunehmend als Gesamtsystem geplant werden muss. Auch die jüngsten Nvidia-Zahlen zeigen, dass neben Compute inzwischen auch Hochgeschwindigkeitsnetze zu den zentralen Wachstumstreibern im Datacenter-Geschäft gehören.

Für Unternehmen bedeutet das: Die Frage lautet nicht nur, welche GPU eingesetzt wird. Ebenso relevant sind Datenpfade, Storage-Performance, Skalierung und die Integration in die bestehende Infrastruktur.

Wie können Unternehmen eigene KI-Workloads testen?

NTT DATA will Unternehmen ausdrücklich ermöglichen, nicht nur vorbereitete Demonstrationen anzusehen, sondern eigene Anwendungsfälle zu validieren. Zur Eröffnung wurden bereits Szenarien aus Finanzwesen, Fertigung und Gesundheitswesen gezeigt.

Die begleitende Angebotsseite nennt zusätzlich Einblicke in Systemauslastung, Job Queues und Performance-Metriken. Besucher sollen außerdem einen Benchmark-Report, Architektur-Empfehlungen und konkrete nächste Schritte erhalten.

Das kann insbesondere bei hohen Infrastrukturinvestitionen relevant sein. KI-Systeme benötigen je nach Modell, Datenmenge und Einsatzgebiet sehr unterschiedliche Compute-, Netzwerk- und Speicherressourcen.

Ein Benchmark mit dem eigenen Workload kann deshalb belastbarer sein als allgemeine Herstellerangaben.

Wie gelingt der Schritt vom Pilotprojekt in den Betrieb?

Viele Unternehmen haben inzwischen erste KI-Projekte umgesetzt. Schwieriger wird häufig der nächste Schritt.

Ein Pilotprojekt arbeitet meist mit begrenzten Datenmengen, wenigen Nutzern und einer vergleichsweise einfachen Infrastruktur. Im produktiven Einsatz kommen andere Anforderungen hinzu: Verfügbarkeit, Zugriffskontrolle, Monitoring, Skalierung, Lifecycle-Management und Kostenkontrolle.

NTT DATA positioniert die AI Factory genau für diesen Übergang. Unternehmen sollen dort prüfen können, ob eine Architektur nicht nur technisch funktioniert, sondern auch unter realistischeren Betriebsbedingungen tragfähig bleibt.

Dieser Trend zeigt sich auch an anderer Stelle. Broadcom bündelt beispielsweise mit seiner VMware AI Factory Infrastruktur, Modelle, Governance und klassische Private-Cloud-Workloads stärker auf einer gemeinsamen Plattform.

Der Begriff „AI Factory“ beschreibt damit zunehmend nicht nur ein Rechenzentrum mit GPUs, sondern ein vollständiges Betriebsmodell für KI.

Welche Rolle spielen Private AI und Datenresidenz?

Ein weiterer Schwerpunkt in München ist die Kontrolle über Daten und Infrastruktur.

NTT DATA nennt ausdrücklich Private AI, Sovereign AI, Governance und Datenresidenz als zentrale Themen. Unternehmen und öffentliche Einrichtungen sollen eigene Anwendungen in einer Umgebung testen können, in der diese Anforderungen bereits berücksichtigt werden.

Für deutsche Unternehmen ist das besonders relevant. Eine aktuelle Bitkom-Befragung zeigt, dass der Standort von Rechenzentren für die Auswahl von Cloud-Anbietern eine wichtige Rolle spielt. IT-Dock hat diese Entwicklung beim Thema deutsche Rechenzentren und Cloud-Souveränität bereits eingeordnet.

Ein Betrieb in Deutschland löst allerdings nicht automatisch alle Souveränitätsfragen. Entscheidend bleibt, wer Hardware, Software, Plattform und Betriebsprozesse kontrolliert und welche Abhängigkeiten zu externen Anbietern bestehen.

Für welche Unternehmen ist das Modell interessant?

Die AI Factory dürfte vor allem für Organisationen interessant sein, die größere KI-Workloads planen, aber die Zielarchitektur noch nicht festgelegt haben.

Dazu gehören beispielsweise Unternehmen mit sensiblen Daten, regulatorischen Anforderungen oder hohen Anforderungen an Datenresidenz. Auch Organisationen, die eigene GPU-Infrastruktur aufbauen wollen, können von produktionsnahen Tests profitieren.

Gleichzeitig ist das Modell für Unternehmen relevant, die bewusst keine eigenen KI-Rechenzentren betreiben möchten. Der Trend geht ohnehin stärker zu externen Infrastrukturmodellen. Laut Uptime Institute läuft inzwischen ein größerer Anteil der Enterprise-Workloads bei Drittanbietern als in eigenen Rechenzentren. IT-Dock hat diese Verlagerung von Enterprise-IT näher betrachtet.

Gerade KI beschleunigt diesen Trend, weil GPU-Systeme hohe Investitionen sowie besondere Anforderungen an Stromversorgung, Kühlung und Netzwerk stellen.

Was sollten Unternehmen vor einer KI-Investition prüfen?

Eine Testumgebung reduziert das Investitionsrisiko, ersetzt aber keine eigene Architekturentscheidung.

Vor einem produktiven Rollout sollten Unternehmen deshalb unter anderem prüfen, wie stark ihre Workloads tatsächlich ausgelastet werden, welche Daten lokal verarbeitet werden müssen und welche Komponenten langfristig skalierbar sind.

Ebenso wichtig ist die Frage nach den laufenden Kosten. NTT DATA veröffentlicht derzeit keine allgemein gültigen Preise für die Nutzung der Münchner AI Factory. Auch konkrete wirtschaftliche Vorteile lassen sich deshalb nicht pauschal beziffern.

Hinzu kommt das Thema Anbieterabhängigkeit. Die aktuelle Umgebung basiert stark auf Technologien von NVIDIA und Dell. Das kann Integration vereinfachen, sollte aber bei langfristigen Plattformentscheidungen bewusst bewertet werden.

Die NTT DATA AI Factory zeigt damit vor allem, wie sich der Fokus im Enterprise-KI-Markt verschiebt. Unternehmen beschäftigen sich zunehmend weniger mit der Frage, ob KI technisch funktioniert. Entscheidend wird, wie sie sicher, skalierbar und wirtschaftlich in den Regelbetrieb gelangt.

Quelle: NTT DATA: NTT DATA Opens AI Factory Munich