HCLTech und NetApp: Gemeinsames Storage-as-a-Service für KI-Workloads

Die typische Support-Eskalation der letzten Monate hat ein neues Muster: Ein KI-Pilot geht produktiv, der Speicher wächst schneller als geplant, die Performance reicht plötzlich nicht mehr, und der Einkauf fragt nach einer Capex-Position, die so nie im Budget stand. Wie die Wirtschaftszeitung The Economic Times berichtet, reagieren HCLTech und NetApp genau auf dieses Szenario und bündeln ihre bestehende Zusammenarbeit zu einem gemeinsamen Storage-as-a-Service-Modell, das hybride Cloud-Umgebungen, KI-Workloads und klassische Unternehmensanwendungen gemeinsam bedienen soll.

Was hinter dem STaaS-Paket steckt

Im Zentrum des erweiterten Angebots stehen zwei Komponenten, die in vielen deutschen Rechenzentren bereits einzeln laufen. HCLTech liefert das eigene Framework "Utility for Everything" (U4X) — eine verbrauchsbasierte Infrastrukturplattform, die Kapazitäten dynamisch an den tatsächlichen Bedarf anpasst. NetApp steuert Keystone bei, einen Pay-as-you-go-Speicherdienst, der laut Anbieter sowohl klassische Workloads als auch KI- und GenAI-Anwendungen abdeckt. Eingebettet ist das Ganze laut varindia.com in die AI-Factory-Portfolio von HCLTech, die Unternehmen über verschiedene Phasen der KI-Einführung hinweg begleiten soll. Das Ziel: Speicher nicht mehr als dauerhafte Investition planen, sondern als laufenden Verbrauch.

Was das für Administratoren konkret ändert

Alvaro Celis, Chief Partner and Ecosystem Officer bei NetApp, beschreibt das Modell als Möglichkeit, die Dateninfrastruktur von NetApp mit dem operativen Know-how von HCLTech in einem flexiblen Abrechnungsrahmen zu verknüpfen. Für den IT-Betrieb bedeutet das eine Verschiebung: weg von der Frage "Wie viel TB kaufen wir voraus?", hin zu "Wie viel TB verbrauchen wir tatsächlich — und in welcher Performance-Klasse?". Laut den Quellen unterstützt das Modell dabei, Workloads näher am Speicher auszuführen, unnötige Datenbewegungen zu reduzieren und Governance-Anforderungen über verschiedene Umgebungen hinweg konsistent zu halten. Erste Referenzen gibt es bereits: Ein globales Lebensmittelunternehmen nutzt den Ansatz für mehr Flexibilität bei geringerer Vorabinvestition, ein europäischer Telekommunikationsanbieter für Skalierbarkeit und regulatorische Konformität in verteilten Umgebungen.

Was vor der eigenen Bewertung auf den Tisch muss

Damit ein solches Modell nicht zur bösen Überraschung wird, helfen vier konkrete Prüfpunkte aus dem Support-Alltag. Erstens: Wie sind die Verbrauchseinheiten definiert — pro Terabyte, pro IOPS oder pro Workload-Klasse, und wie werden Lastspitzen abgerechnet? Zweitens: Welche Governance- und Compliance-Funktionen sind eingebaut, gerade wenn Daten zwischen On-Premises und Public Cloud wandern? Drittens: Wie verhält sich das Modell, wenn Trainingsphasen großer Modelle kurzfristig enorme Kapazitäten benötigen, die danach wieder sinken? Viertens: Welche Exit- und Migrationspfade greifen, wenn das Unternehmen die Daten zurück in die eigene Infrastruktur überführen will? Wer diese Punkte vor Vertragsschluss mit dem Anbieter durchspricht, erspart sich die typische Folgeeskalation, die meist dann startet, wenn die erste monatliche Abrechnung nicht zur internen Prognose passt.