Für viele klingt das nach einem IT-Thema. Aber das ist es nicht!
Es geht um die Qualität der Entscheidungen, persönliche Verantwortung – und im Zweifel auch um persönliche Haftung.

Die Probleme kennt jeder – die Konsequenzen werden oft verdrängt

Die Auswirkungen sind bekannt – aus eigener Erfahrung, Vorträgen, Medien oder aus anderen Unternehmen. Man weiß, dass widersprüchliche Zahlen, fehlende Transparenz oder unkontrollierte Daten Risiken mit sich bringen. Aber trotzdem werden sie im Alltag verdrängt – bis es zu spät ist. Haben Sie die Konsequenzen schon mal auf sich selbst bezogen? Was würde es bedeuten?

Problem: Wenn sich Zahlen widersprechen, entscheiden Sie im Blindflug oder brauchen Ressourcen um dem Fehler auf den Grund zu gehen.
Konsequenz: Sie riskieren falsche Investitionen, falsche Prioritäten – und tragen dafür die Verantwortung.

Problem: Wenn niemand Ihre Zahlen erklären kann.
Konsequenz: Sie können Entscheidungen nicht begründen – weder intern noch vor externen Prüfern. Im Ernstfall stehen Sie persönlich dafür gerade.

Problem: Wenn niemand für Daten verantwortlich ist.
Konsequenz: Niemand fühlt sich für die Behebung von Fehlern innerhalb der Daten oder deren Verwendungszweck zuständig, bis es auf höherer Ebene eskaliert oder dringend wird. Dann  wird die Dringlichkeit für Verantwortlichkeiten plötzlich sehr konkret.

Problem: Wenn Zugriff auf Daten nicht nachvollziehbar kontrolliert wird.
Konsequenz: Sensible Daten landen dort, wo sie nicht hingehören, werden von unbefugten Personen eingesehen oder verarbeitet. Im schlimmsten Fall: Anzeige durch Mitarbeiter, Datenschutzprüfung, Geldstrafe.

Problem: Wenn Daten „schnell“ und unüberlegt in Tools landen oder durch KI verarbeitet werden.
Konsequenz: Sie verlieren die Kontrolle darüber, was mit Ihren Daten passiert. Und tragen als Management die Verantwortung für die Folgen..

Problem: Wenn Sie nicht nachweisen können, woher Ihre Daten kommen, wer sie verarbeitet und was mit den Daten an Zweck erfüllt wird.
Konsequenz: Sie erfüllen regulatorische Anforderungen nicht (NIS2, DSGVO, Data Act, DORA). Das kann Auflagen, Strafen oder den Verlust von Geschäftsmöglichkeiten bedeuten

Die Probleme kennen Sie – und die Konsequenzen tragen auch Sie.

Wie moderne Plattformen hier helfen – und warum wir auf IBM watsonx.data setzen

Wenn man diese Risiken ernst nimmt, wird klar: Data Governance muss sowohl technisch als auch organisatorisch gelöst werden. Sie braucht eine technische Grundlage, die Transparenz, Kontrolle und Nachvollziehbarkeit überhaupt ermöglicht. Genau hier setzen moderne Plattformen wie IBM watsonx.data an.

Transparenz und Nachvollziehbarkeit statt Blackbox

Ein zentrales Problem in der Praxis ist nicht der Zugriff auf Daten – sondern das Verständnis. Zahlen sind vorhanden, aber ihre Herkunft, Bedeutung und Verwendung bleiben oft unklar.
IBM watsonx.data bringt genau hier die notwendige Transparenz:
 Mit der hybriden, offenen Data Lakehouse Architektur sind Unternehmen für umfassende Geschäftsanalysen und fortgeschrittene KI-Anwendungen auf Unternehmensebene bestens gerüstet. Denn alles beginnt mit vertrauenswürdigen Daten.
Das schafft Vertrauen – intern wie extern – und ist gleichzeitig die Grundlage für Auditfähigkeit und regulatorische Anforderungen.

Kontrolle und Sicherheit als integraler Bestandteil

Data Governance bedeutet nicht nur Struktur, sondern auch Kontrolle.
Wer darf welche Daten sehen?
Welche Informationen sind sensibel?
Und wie wird sichergestellt, dass Daten korrekt verwendet werden?

Mit IBM watsonx.data wird die End-to-End-Nachverfolgbarkeit von Dokumenten über alle Transformationen und nachgelagerten Abteilungen hinweg bei. Darüber hinaus wird sichergestellt, dass der Datenschutz und die Zugriffsbeschränkungen für Benutzer über den gesamten Datenlebenszyklus hinweg konsistent sind.
Dadurch wird aus einem potenziellen Risiko ein kontrollierbarer Prozess – und aus Daten ein verlässlicher Bestandteil der Unternehmenssteuerung.

So löst IBM watsonx.data Ihr Dilemma

• Problem: Wenn sich Zahlen widersprechen, entscheiden Sie im Blindflug oder brauchen Ressourcen um dem Fehler auf den Grund zu gehen.
  IBM watsonx.data: Führt Daten aus unterschiedlichen Quellen in einer konsistenten, einheitlichen logischen Datenbasis zusammen und schafft eine technisch klare, gemeinsame Sicht auf Zahlen.
  Ihr persönlicher Vorteil: Sie können sich auf Ihre Zahlen verlassen – und treffen Entscheidungen mit Sicherheit statt Unsicherheit
  
• Problem: Wenn Zugriff auf Daten nicht nachvollziehbar kontrolliert wird.
  IBM watsonx.data: Regelt Zugriffe über Rollen und Policies und schützt sensible Daten systemübergreifend
  Ihr persönlicher Vorteil: Sie minimieren rechtliche Risiken und behalten die Kontrolle über kritische Informationen.
  
• Problem: Wenn Daten „schnell“ und unüberlegt in Tools landen oder durch KI verarbeitet werden
  IBM watsonx.data: Stellt geprüfte, kuratierte Daten für Analysen und KI-Anwendungen bereit und sorgt für nachvollziehbare Nutzung.
  Ihr persönlicher Vorteil: Sie können moderne Technologien nutzen, ohne die Kontrolle über Ihre Daten zu verlieren.
  
• Problem: Wenn Sie nicht nachweisen können, woher Ihre Daten kommen, wer sie verarbeitet und was mit den Daten an Zweck erfüllt wird.
  IBM watsonx.data: Ermöglicht vollständige Nachvollziehbarkeit über Herkunft und Nutzung von Daten.
  Ihr persönlicher Vorteil: Sie sind auskunftsfähig gegenüber Prüfern, Partnern und Aufsichtsbehörden – ohne Stress und Unsicherheit.

Das Thema ist nicht neu. Das hat auch unser Workshop auf der ADV Data Excellence Konferenz („Wer hat an den Daten gedreht?“) klar gezeigt.

Was fehlt, ist nicht das Bewusstsein – sondern die Umsetzung.
Und genau hier entscheidet sich, ob Risiken bestehen bleiben oder aktiv gesteuert werden.

Fazit: Nicht die Daten sind das Problem – sondern der Umgang damit

Die Probleme sind bekannt.
Die Konsequenzen auch.
Der Unterschied liegt darin, ob Sie das Thema weiter aufschieben – oder konkret angehen bevor es zu spät ist.
Die gute Nachricht: Sie können das ändern. Und Sie müssen das nicht alleine machen.

Sie wollen Unterstützung?

Wenn Sie wissen möchten, wo Sie konkret stehen und wo der sinnvollste Einstieg für schnelle Fortschritte ist: Sprechen Sie mit uns – wir analysieren Ihre Situation gemeinsam und schlagen Ihnen konkrete nächste Schritte vor.

martin.schneider@it-ps.at

The post Datenchaos ist kein Schönheitsfehler – sondern ein Risiko für Manager first appeared on IT-PS.

Endlich!
Die technische Basis steht.

Jetzt können wir endlich datengesteuert arbeiten und bekommen bessere Entscheidungsgrundlagen!

Und dann?
Verändert sich nichts.

Die Fachbereiche nutzen es nicht.
Probleme sind nach wie vor die alten.
Und bei den gestarteten Datenprojekten ist kein sichtbarer Erfolg in Sicht.

WARUM?

Ein Beispiel

Stellen Sie sich folgende Situation vor:

Sie bekommen von Ihren Kindern eine Universalfernbedienung zum Geburtstag geschenkt. Eine einzige Fernbedienung für das ganze Haus: Licht, Heizung, Fernseher (alle!), Küchengeräte, Garagentor –

Und irgendwie funktioniert sie auch für Ihre Laptops!

Technisch beeindruckend, oder?
Aber im Alltag?

• Wie hoch ist die Chance, dass die Fernbedienung genau dort liegt, wo Sie sie gerade brauchen?
• Wie oft stehen Sie stattdessen einfach auf und machen es wie immer?
• Und wie lange würden Sie brauchen, um alle Funktionen wirklich zu verstehen?
• Und ganz ehrlich: Was genau machen Sie mit einer Fernbedienung für Ihren Laptop?

Die Fernbedienung ignorieren ist übrigens keine Option – Ihre Kinder haben lange für das Geschenk gespart!

Genau so geht es vielen Mitarbeitern in Unternehmen, die mit neuen Datenlösungen arbeiten sollen.

Darum scheitern Dateninitiativen in Unternehmen

1. Lösungen sind nicht in den Alltagsprozess integriert

Die Lösung ist da – aber nicht dort, wo gearbeitet wird. User haben etablierte Arbeitsprozesse. Tools, Einstiege und Abläufe sind bekannt und eingespielt. Wenn neue Lösungen außerhalb dieser Prozesse liegen, entsteht zusätzlicher Aufwand: separate Tools, neue Einstiege, parallele Wege. Und genau das wird im Alltag vermieden. Die Folge: User greifen wieder auf bekannte Workarounds zurück – oft Excel oder andere Schattenlösungen.

Was nicht im Workflow ist, wird im Alltag nicht genutzt

Daten müssen dort verfügbar sein, wo gearbeitet wird: im CRM, im ERP, im Ticketsystem – nicht daneben. Je weniger Umwege notwendig sind, desto höher die Nutzung. Gute Lösungen reduzieren Komplexität. Sie erzeugen keine zusätzliche.

2. Überforderung statt Orientierung

Zu viele Dashboards. Zu viele KPIs. Unterschiedliche Zahlen für scheinbar dieselbe Fragestellung.

Zu Beginn brauchen User vor allem eines: Orientierung und Unterstützung. Neue Tools, neue Daten, neue Möglichkeiten – das bedeutet auch neue Anforderungen im Umgang damit.
Ohne Unterstützung wird das schnell zur Hürde.
Dazu kommt: Daten werden häufig in einer Sprache präsentiert, die nicht zum Alltag der Fachbereiche passt. RMSE und AUC statt Umsatz, Risiko und Kosten. Ohne Orientierung sind die User verloren und aus der geplanten Transparenz wird ungeplante Unsicherheit.

Neue Nutzer brauchen Unterstützung und Zeit sich zu orientieren

Schaffen Sie Klarheit als Teil der Transparenz. User müssen verstehen, was die Zahlen bedeuten – und was sie damit tun sollen/können.

• klare Zuständigkeiten und Verantwortlichkeiten
• definierte Ansprechpartner
• verständliche Darstellung und Beschreibung der Daten
• Schulungen

3. Vorteil für User nicht ersichtlich

Viele Dateninitiativen starten mit einer starken technischen Basis – aber ohne klaren Bezug zum konkreten Arbeitsalltag. Modelle werden gebaut. Dashboards erstellt. Daten bereitgestellt.
Aber die zentrale Frage bleibt offen:
Welches konkrete Problem löst das für den Nutzer?

Solange dieser Zusammenhang fehlt, bleibt jede Lösung ein „Nice-to-have“. User greifen dann auf das zurück, was sie kennen – auch wenn es objektiv schlechter ist.

Starten Sie beim Business, nicht bei der Technologie:

• Wo entstehen Unsicherheiten in Entscheidungen?
• Wo gibt es Reibungsverluste?
• Wo fehlt Transparenz?

Erst wenn klar ist, welchen Unterschied Daten im Alltag machen, entsteht echte Nutzung – und damit echter Mehrwert.

Fazit

Eine moderne Datenplattform ist keine Garantie für eine funktionierende Datenstrategie.

Sie ist die Voraussetzung – Nicht das Ergebnis.

Der eigentliche Erfolg entscheidet sich danach: im Alltag Ihrer User!

• Wird die Lösung verstanden?
• Ist sie einfach erreichbar?
• Hilft sie konkret weiter?

Oder bleibt sie „die Fernbedienung, die irgendwo herumliegt“?

Von der Theorie in die Praxis: Unser Workshop

Genau an dieser Stelle wird es in der Praxis spannend: Welche Fragen stellen sich Unternehmen konkret, wenn es um die Nutzung von Daten im Alltag geht? Wo entstehen Unsicherheiten – und woran scheitert es tatsächlich?

Diese Themen stehen auch im Mittelpunkt unseres Workshops auf der ADV Konferenz:
„Wer hat an den Daten gedreht?“

Dort diskutieren wir genau diese Fragestellungen anhand konkreter Praxisbeispiele und Erfahrungen aus Projekten.

Jetzt mehr erfahren

Zur Eventseite

The post Die neue Plattform steht – Warum Dateninitiativen am Alltag scheitern first appeared on IT-PS.

Sie haben OpenShift eingeführt.

Und zum ersten Mal fühlt sich IT so an, wie sie eigentlich immer hätte sein sollen.

Neue Umgebungen entstehen genau dann, wenn sie gebraucht werden – nicht Tage oder Wochen später. Teams können sich Test- und Entwicklungsumgebungen selbst bereitstellen, ohne lange Abstimmungen. Anwendungen werden automatisiert ausgerollt, Updates laufen kontrolliert und wiederholbar. Wenn die Last steigt, skaliert die Plattform automatisch – und wenn sie sinkt, ebenso.

Was früher aufwendig geplant und koordiniert werden musste, lässt sich heute deutlich flexibler im laufenden Betrieb umsetzen. Anwendungen laufen konsistent – egal ob im Rechenzentrum, in der Cloud oder hybrid. Neue Services entstehen parallel, ohne bestehende Systeme zu blockieren.

Diese Flexibilität entsteht aber nicht von selbst – sie setzt eine durchdachte Architektur, ein klares Betriebsmodell und die notwendigen Skills voraus, egal ob intern aufgebaut oder durch erfahrene Partner ergänzt. Kurz gesagt: Die Plattform funktioniert. Und sie funktioniert zuverlässig.

Und genau deshalb passiert der nächste Schritt fast automatisch

Wenn die Plattform stabil läuft, wird sie auch genutzt. Datenprojekte, Analytics, erste AI-Anwendungen – Dinge, die bisher organisatorisch oder technisch zu komplex waren, werden plötzlich umsetzbar. Die Plattform kann diese Workloads jetzt tragen.

Und genau dadurch verändert sich die Nutzung: Mehr Anwendungen greifen auf mehr Daten zu, mehr Bereiche im Unternehmen arbeiten gleichzeitig mit denselben Daten. Was vorher punktuell war, wird Schritt für Schritt breiter ausgerollt – und gleichzeitig intensiver genutzt. Und genau hier verschiebt sich der Fokus.

Und dann kommen Fragen, die niemand beantworten kann

Nicht sofort. Aber irgendwann.

Die ersten Ergebnisse kommen. Reports werden gebaut, Modelle liefern Resultate, erste Entscheidungen werden darauf gestützt.

Und dann passiert es.

Im Management wird eine Zahl hinterfragt, weil ein Ergebnis nicht zu den Erwartungen passt. Zwei Reports zeigen unterschiedliche Werte – obwohl sie auf denselben Daten basieren sollten.

Und plötzlich geht die Frage zurück ins Team:

„Welche Zahlen stimmen denn jetzt?“

Stille.

Nicht, weil niemand gearbeitet hat.
Nicht, weil die Systeme nicht funktionieren. Sondern weil niemand mit Sicherheit sagen kann, welche Daten hier eigentlich gerade die richtigen sind.

Was sich mit OpenShift wirklich verändert hat

Die Daten sind nicht neu. Die Probleme auch nicht. Was sich verändert hat, ist die Nutzung.

Früher waren Anwendungen stärker gekoppelt, Prozesse liefen nacheinander und Daten wurden in klar abgegrenzten Kontexten verwendet. Heute laufen Anwendungen verteilt und vielfach parallel. Mehrere Services greifen gleichzeitig auf dieselben Daten zu. Analyse, Entwicklung und Betrieb arbeiten parallel mit denselben Datenbeständen. Daten werden kopiert, transformiert und in unterschiedlichen Kontexten weiterverwendet.
Das ist kein Nebeneffekt. Das ist genau das Ziel moderner Plattformen wie OpenShift.

Wenn Nutzung skaliert, skaliert auch das Problem

OpenShift ermöglicht genau diese Dynamik.

Durch containerisierte Anwendungen, automatisierte Deployments und unabhängige Services steigt die Anzahl der Interaktionen mit Daten deutlich. Nicht, weil mehr Daten entstehen – sondern weil mehr gleichzeitig mit ihnen passiert.

Und damit verschiebt sich das Problem.

Was früher lokal war, wird systemübergreifend. Was früher implizit funktioniert hat, muss jetzt explizit geregelt werden. Unterschiedliche Anwendungen arbeiten mit denselben Daten – aber nicht zwingend mit derselben Logik.

Das führt nicht sofort zu Fehlern. Aber zu Inkonsistenzen, Unsicherheit und fehlender Nachvollziehbarkeit.

Genau das ist die Stärke – und gleichzeitig die Herausforderung moderner, OpenShift-basierter Datenplattformen. Und genau hier beginnen viele Datenprojekte zu scheitern.

Die Technik ist da – aber die Verbindung fehlt

Die technische Grundlage ist damit geschaffen. Was jedoch oft fehlt, ist die durchgängige Sicht auf die Daten:

Welche Daten sind gültig? Wo entstehen sie? Wer darf sie verändern? Welche Version wird verwendet?

Gerade in modernen Plattformen zeigt sich das sehr schnell:
Wenn SAP-Daten über APIs in neue Anwendungen fließen und gleichzeitig KI-Modelle oder Analytics-Services auf dieselben Daten zugreifen, entstehen unterschiedliche Ergebnisse – obwohl alle scheinbar mit derselben Grundlage arbeiten.

OpenShift liefert die Plattform, um genau solche Szenarien überhaupt erst möglich zu machen.
Aber es löst nicht automatisch, wie Daten über diese Anwendungen hinweg konsistent und steuerbar bleiben. Genau diese Lücke wird jetzt sichtbar.

Warum genau das eine gute Nachricht ist

So paradox es klingt: Genau dieser Moment ist Fortschritt.

Denn OpenShift erzeugt kein neues Problem. Es sorgt dafür, dass bestehende Probleme nicht mehr verborgen bleiben. Durch Parallelität, Automatisierung und Skalierung wird sichtbar, ob Daten wirklich konsistent, nachvollziehbar und kontrollierbar sind – oder ob sie nur „gut genug“ waren, solange alles langsamer und isolierter lief.

Wie es weitergeht

Viele Unternehmen stehen heute genau an diesem Punkt. Die Plattform funktioniert.
Die technische Basis ist geschaffen. Und genau deshalb wird sichtbar, wo es wirklich fehlt. Nicht bei Performance. Nicht bei Tools.

Sondern bei den Daten selbst – genauer gesagt bei Ihrer Konsistenz, Nachvollziehbarkeit und Verlässlichkeit. Warum genau dort die meisten Dateninitiativen scheitern – und was das konkret für Architektur und Organisation bedeutet – schauen wir uns im nächsten Beitrag an.

The post Warum OpenShift Ihre Datenprobleme sichtbar macht – und genau das Ihr Vorteil ist first appeared on IT-PS.

Neue Trainingsbedingungen in Wien als Gamechanger

Seit September 2025 gibt es mit der neuen „Sportarena“ wieder eine Leichtathletikhalle in Wien. Damit sind optimale Trainingsbedingungen gewährleistet – lange Fahrten nach Linz für intensive Einheiten gehören der Vergangenheit an. Gleichzeitig ermöglicht die Halle nun auch wieder die Austragung von Wettkämpfen direkt vor Ort.

Für Anja Dlauhy bedeutete das eine deutlich verbesserte Vorbereitung auf die Hallensaison.

Fokus auf 200 m und 400 m statt Paradedisziplin

Die Spezialdisziplin von Anja Dlauhy, die 400 m Hürden, kann in der Halle aufgrund der 200 m Rundbahn und der engen Kurven nicht gelaufen werden. Deshalb lag der Fokus in der Hallensaison auf den flachen 200 m und 400 m Strecken.

Nach einem verletzungsfreien Herbsttraining und einem intensiven zweiwöchigen Trainingslager in Teneriffa im Dezember war die Motivation groß, die Fortschritte in schnelle Zeiten umzusetzen.

Starker Saisonauftakt bei den Landesmeisterschaften

Der Startschuss fiel am 24. und 25. Januar bei den niederösterreichischen Landesmeisterschaften.

• 200 m: 24,91 s und Vizelandesmeistertitel
• 400 m: Sieg in 54,78 s und erstmals unter 55 Sekunden

Gerade die 400 m-Marke war ein wichtiger Meilenstein in der Karriere von Anja Dlauhy und bestätigte die starke Entwicklung.

Rückschlag und trotzdem Bestleistung

Nach der starken 400 m-Leistung wurde Anja Dlauhy für die Balkanmeisterschaften in Belgrad nominiert. Doch das internationale Debüt fiel buchstäblich ins Wasser:

Schneechaos, Flugausfälle und über acht Stunden Wartezeit am Flughafen verhinderten die Teilnahme.

Trotzdem ergab sich am nächsten Tag eine spontane Startmöglichkeit in Wien. Nach einem sehr schnellen Beginn musste sie zwar auf der zweiten Runde Tempo herausnehmen, konnte aber dennoch eine neue Bestleistung von 54,74 s erzielen – unter alles andere als idealen Bedingungen.

Höhepunkt: Staatsmeisterschaften in Wien

Am 28. Februar und 1. März fanden die österreichischen Hallenstaatsmeisterschaften in der Wiener Sportarena statt – der Höhepunkt der Saison.
Gleich am ersten Wettkampftag konnte Anja Dlauhy mit 24,78 s eine neue persönliche Bestleistung aufstellen und die Bronzemedaille über 200 m gewinnen.
Am zweiten Tag stand das 400 m-Finale im Fokus…

Dramatisches Duell über 400 m und erster Staatsmeistertitel

Am zweiten Tag stand das 400 m-Finale im Fokus. Nach dem Ausfall der Favoritin entwickelte sich ein spannendes Duell zwischen zwei Langhürdenspezialistinnen.

Vom Start weg setzte sich die Konkurrentin an die Spitze. Nach der zweiten Kurve entschied sich Anja Dlauhy intuitiv für eine Attacke und übernahm die Führung.

Es folgte ein intensiver Zweikampf bis zur Ziellinie:

• Konstantes hohes Tempo
• Verteidigung der Innenbahn
• Entscheidung erst auf den letzten Metern

Am Ende konnte sie sich knapp durchsetzen und gewann:

• Gold über 400 m in 54,29 s
• Neue persönliche Bestleistung
• Verbesserung um eine halbe Sekunde innerhalb einer Woche

Damit sicherte sich Anja Dlauhy ihren ersten Staatsmeistertitel in der Halle.

Direkt danach: Staffelgold mit dem Team

Nur knapp zwei Stunden später stand sie erneut am Start – diesmal mit der 4×200 m Staffel.

Gemeinsam mit ihren Vereinskolleginnen vom ULC Riverside Mödling konnte das Team souverän den nächsten Titel holen und die Meisterschaften perfekt abrunden.

Fazit: Drei Starts, drei Medaillen

Mit drei Medaillen bei drei Starts blickt Anja Dlauhy auf eine äußerst erfolgreiche Hallensaison zurück:

• Gold (400 m)
• Gold (4×200 m Staffel)
• Bronze (200 m)

Eine starke Leistung – und ein Erfolg, den auch IT-Power Services als stolzer Sponsor mitverfolgt.

Blick nach vorne: Vorbereitung auf die Freiluftsaison

Die Vorbereitung auf die Freiluftsaison ist kurz, aber intensiv. In wenigen Wochen geht es für ein zweiwöchiges Trainingscamp nach Belek – gemeinsam mit einer starken Schweizer Trainingsgruppe.

Das große Ziel ist klar definiert:
Die Qualifikation für die Europameisterschaften im August.

The post Erfolgreiche Hallensaison 2026: Anja Dlauhy holt Staatsmeistertitel und Bestleistung first appeared on IT-PS.

Eine zentrale Erkenntnis der Veranstaltung: Storage entwickelt sich zunehmend zur Plattform für Anwendungen, Virtualisierung und Datenservices – und IBM Fusion wird dabei zu einem zentralen Baustein moderner Infrastrukturarchitekturen.

Fusion wird zur Plattform für geschäftskritische Workloads

Ein großer Industriekunde zeigte deutlich, wie sich die Rolle moderner Storage-Plattformen verändert. In dieser Kundenumgebung wird IBM Fusion bereits heute als hochverfügbare Plattform für besonders kritische Workloads eingesetzt – mit einem klaren Fokus auf Stabilität und minimale Downtime.

Eine wichtige technische Entwicklung: Fusion ist inzwischen nicht mehr auf einzelne Rack-Installationen beschränkt. Während frühe Deployments typischerweise aus einem einzelnen Rack bestanden, können heutige Fusion-Cluster über mehrere Racks aufgebaut werden. Referenzarchitekturen sehen dabei Konfigurationen mit bis zu drei Racks vor.

Damit verändert sich die Skalierbarkeit der Plattform deutlich: Rechenressourcen und Storage lassen sich über mehrere Racks hinweg erweitern, während gleichzeitig die Ausfallsicherheit steigt. Workloads können auf unterschiedliche Racks verteilt werden, sodass selbst bei Wartungsarbeiten oder Hardwareproblemen der Betrieb stabil weiterlaufen kann.

Gerade in produktionsnahen Umgebungen ist das entscheidend. Multi-Rack-Architekturen ermöglichen nicht nur größere Umgebungen, sondern auch eine deutlich robustere Infrastruktur für geschäftskritische Anwendungen.

Die Botschaft dahinter: IBM Fusion entwickelt sich vom einzelnen Infrastrukturbaustein hin zu einer skalierbaren Plattform für produktive Unternehmensumgebungen.

Fusion bringt Windows-Server-Workloads auf die Kubernetes-Plattform

Ein weiteres Praxisbeispiel zeigte, wie stark sich Infrastrukturarchitekturen derzeit verändern. Ein Kunde präsentierte, wie er seine bestehende Virtualisierungsumgebung neu aufgebaut hat: Statt weiterhin auf eine klassische Hypervisor-Plattform wie Microsoft Hyper-V zu setzen, betreibt er seine Umgebung heute auf Basis von IBM Fusion.

Der entscheidende Unterschied liegt im Plattformansatz. Auf Fusion läuft mit Red Hat OpenShift eine Umgebung, die sowohl Container-Workloads als auch klassische virtuelle Maschinen unterstützen kann. Windows-Server-Workloads laufen weiterhin als VMs – werden jedoch über die Virtualisierungsfunktionen innerhalb der Kubernetes-Plattform betrieben.

Die eigentliche Veränderung liegt im Plattformmodell: Fusion kann damit klassische Virtualisierungsplattformen perspektivisch ersetzen. Anwendungen laufen weiterhin als virtuelle Maschinen oder Container – werden jedoch auf einer gemeinsamen Plattform betrieben.

Für Unternehmen bedeutet das weniger Plattform-Silos, vereinfachten Betrieb und eine klarere Perspektive für die Modernisierung bestehender Anwendungen. Klassische VM-Workloads können zunächst unverändert weiterlaufen, während gleichzeitig der Weg offen bleibt, einzelne Anwendungen schrittweise zu modernisieren oder containerisiert neu zu entwickeln.

Weitere technische Entwicklungen rund um Fusion

Neben den gezeigten Praxisbeispielen gab es auf den IBM Storage Strategy Days auch eine Reihe technischer Weiterentwicklungen rund um IBM Fusion. Sie zeigen, wie sich die Plattform in mehreren Bereichen gleichzeitig weiterentwickelt – von Infrastruktur über Betrieb bis hin zu KI-Integration und es. ist kein Ende in Sicht.

Hinweis: Einige der auf den IBM Storage Strategy Days vorgestellten Funktionen befinden sich derzeit noch auf der Produkt-Roadmap von IBM und sind daher “subject to change”. Funktionsumfang, Zeitpläne und Verfügbarkeit können sich im Zuge der weiteren Entwicklung noch ändern.

Factory Reset für schnellere Wiederherstellung

Für zukünftige Versionen wurde außerdem eine vereinfachte Möglichkeit angekündigt, Fusion-Systeme auf Werkseinstellungen zurückzusetzen. Eine solche Factory-Reset-Funktion kann beispielsweise nach Testumgebungen, Fehlkonfigurationen oder größeren Umbauten hilfreich sein, um Systeme schnell wieder in einen definierten Ausgangszustand zu bringen.

Stabilerer Plattformbetrieb durch den EUS-Update-Kanal

Ein wichtiger Punkt betrifft den Umgang mit Updates. Künftig soll Fusion stärker den sogenannten Extended Update Support (EUS)-Kanal von Red Hat OpenShift unterstützen.
Damit könnten Unternehmen länger auf stabilen Versionen bleiben und Updates planbarer durchführen, anstatt jede Zwischenversion mitgehen zu müssen. Gerade in produktiven Umgebungen reduziert das Wartungsfenster und Betriebsaufwand deutlich. Besonders erfreulich: Die Idee dazu entstand in realer Projektarbeit und wurde von unserem Kollegen Clemens Zauchner eingebracht.

Mehr Leistung für KI- und Analyse-Workloads

Auch auf der Hardwareseite entwickelt sich Fusion weiter. Neue „storage-ready“ Serverplattformen sowie zusätzliche GPU-Optionen sollen künftig deutlich mehr Rechenleistung pro Knoten ermöglichen. Damit wird es einfacher, GPU-intensive Workloads wie KI-Training, Analysen oder datenintensive Anwendungen direkt auf der Fusion-Plattform zu betreiben – ohne zusätzliche Spezialhardware.
Damit entwickelt sich Fusion zunehmend auch zur Infrastrukturplattform für KI- und datenintensive Workloads.

Einfacherer Einstieg in IBM watsonX

Ein weiterer Schritt ist die engere Integration der IBM-KI-Plattform. Künftig sollen Komponenten wie IBM watsonx.ai oder IBM watsonx.orchestrate deutlich einfacher direkt auf IBM Fusion bereitgestellt werden können.

Ziel ist es, Unternehmen schneller eine funktionsfähige Umgebung für KI-Modelle und automatisierte Prozesse zur Verfügung zu stellen. Fusion entwickelt sich damit zunehmend zur Plattform, auf der sich Infrastruktur, Daten und KI-Workloads zusammenführen lassen.

Mehr Bandbreite und klarere Datenpfade im Cluster

Besonders sichtbar wird die Weiterentwicklung der Plattform im Netzwerkdesign von IBM Fusion HCI. Bisher basieren viele Installationen auf 100-GbE-Switches und einem klassischen Layer-2-Design innerhalb des Clusters. Zukünftig sind jedoch neue Switch-Generationen vorgesehen, die Geschwindigkeiten bis zu 400 Gbit/s ermöglichen.
Parallel dazu wird das Netzwerkdesign flexibler: Der bisherige Layer-2-Ansatz soll optional um Layer-3-Networking mit BGP erweitert werden. Das erleichtert vor allem den Betrieb größerer Cluster oder Multi-Rack-Setups, da Routing, Segmentierung und Skalierung deutlich sauberer umgesetzt werden können.
Ein weiterer wichtiger Punkt betrifft den Datenverkehr innerhalb des Clusters. In vielen Umgebungen teilen sich Storage-Traffic und andere Netzwerkströme bislang dieselben Verbindungen – was bei datenintensiven Workloads schnell zum Engpass werden kann. Künftig sollen zusätzliche, dedizierte Netzwerkkarten speziell für Storage-Traffic vorgesehen werden. Dadurch bekommt der Storage-Datenpfad gewissermaßen eine eigene „Spur“ im Netzwerk.

Zusammen sorgen diese Änderungen dafür, dass das interne Fabric deutlich skalierbarer und robuster wird – insbesondere in größeren Umgebungen mit mehreren Racks, GPU-Nodes oder stark datengetriebenen Anwendungen.

IBM Bob & MCP-Server

Ein weiterer Ausblick betraf die Nutzung von KI im laufenden Betrieb der Plattform. Über neue Schnittstellen und Protokolle könnten künftig KI-Assistenten (IBM Bob) Kontext aus dem Cluster erhalten und Administratoren bei Diagnose und Betrieb unterstützen.

Die technische Grundlage dafür bildet das Model Context Protocol (MCP). Dieses Protokoll ermöglicht es KI-Systemen, strukturierten Kontext aus Plattformen wie Kubernetes oder Infrastruktur-Tools abzurufen und darauf basierend Aktionen auszuführen. So könnten KI-Assistenten künftig beispielsweise Fehlerzustände im Cluster analysieren, relevante Logs auswerten oder Administratoren bei der Ursachenanalyse unterstützen.

Damit geht Fusion einen weiteren Schritt in Richtung KI-unterstütztem Plattformbetrieb.

Auch IBM FlashSystem blieb ein wichtiges Thema

Natürlich spielte auch die IBM FlashSystem Familie auf den IBM Storage Strategy Days eine Rolle. Viele der dort präsentierten Entwicklungen waren jedoch bereits zuvor angekündigt worden – für die meisten Storage-Experten also keine wirklichen Neuigkeiten.

Interessant war vielmehr, wie stark FlashSystem inzwischen im Kontext moderner Plattformarchitekturen diskutiert wird. In vielen Szenarien bildet FlashSystem weiterhin die hoch performante Storage-Basis, während Plattformlösungen wie IBM Fusion darüber zusätzliche Funktionen für Container, Virtualisierung und Datenservices bereitstellen.

Der Fokus der Diskussion verschiebt sich damit spürbar: Weg von einzelnen Storage-Systemen hin zu Plattformarchitekturen, in denen Storage, Containerplattform und Datenservices enger zusammenarbeiten.

Was die Entwicklung für moderne Infrastruktur bedeutet

Die gezeigten Praxisbeispiele und technischen Weiterentwicklungen zeigen eine klare Richtung: Storage entwickelt sich zunehmend zur Plattform für moderne Infrastruktur.

Mit Plattformen wie IBM Fusion wachsen mehrere bislang getrennte Bereiche zusammen – klassische Virtualisierung, Containerplattformen, Storage und zunehmend auch KI-Workloads. Anwendungen können als virtuelle Maschinen oder Container betrieben werden, während Infrastrukturservices wie Storage, Netzwerk und Datenplattformen direkt in die Plattform integriert sind.

Für Unternehmen bedeutet das vor allem eines: weniger getrennte Systeme, ein konsistenteres Betriebsmodell und eine Infrastruktur, die sich einfacher skalieren und weiterentwickeln lässt.

Gerade mit Blick auf steigende Datenmengen, moderne Anwendungen und KI-Workloads wird dieser Plattformansatz für viele Organisationen zunehmend zum strategischen Thema.

Warum die Containerplattform dabei immer wichtiger wird

Viele dieser Entwicklungen haben einen gemeinsamen Nenner: Die Containerplattform rückt immer stärker ins Zentrum moderner Infrastrukturarchitekturen.

Mit Plattformen wie IBM Fusion werden Container, virtuelle Maschinen und Datenservices zunehmend auf einer gemeinsamen Grundlage betrieben – häufig auf Basis von Red Hat OpenShift. Die Containerplattform wird damit zum zentralen Layer, auf dem Anwendungen, Plattformservices und Infrastruktur zusammenlaufen.

Genau deshalb lohnt sich ein genauer Blick auf OpenShift selbst. Im nächsten Beitrag dieser Serie zeigen wir, welche Rolle die Containerplattform in modernen Infrastrukturarchitekturen spielt und warum sie für viele Unternehmen zum strategischen Fundament wird.

Weiterführende Veranstaltungen:

IBM Storage on Tour 2026

Wer tiefer in diese Entwicklungen rund um moderne Storage- und Plattformarchitekturen einsteigen möchte, hat dazu bald Gelegenheit: Beim Event IBM Storage on Tour in Wien geben Experten Einblicke in aktuelle Technologien, Architekturansätze und Praxiserfahrungen rund um moderne Datenplattformen.

Neben technischen Sessions bietet die Veranstaltung auch Raum für Austausch mit IBM-Experten und Infrastrukturverantwortlichen aus anderen Unternehmen.

IBM Storage on Tour 2026

14. April 2026

14:00

IBM Österreich; 1020 Wien

The Future of Enterprise AI: Maximizing AI Yield in the Token Economy / Online

Dass Fusion und OpenShift zunehmend zusammen gedacht werden, zeigt auch ein aktuelles Webinar von IBM am 31. März. Dort diskutieren Experten von IBM, NVIDIA und Red Hat über Strategien für leistungsfähige KI-Infrastrukturen.

The Future of Enterprise AI:
Maximizing AI Yield in the Token Economy

31. März 2026

15:00

Online

The post IBM Fusion im Fokus: Entwicklungen von den IBM Storage Strategy Days 2026 first appeared on IT-PS.

Der Tool-Reflex: Moderne Projekte, altes Fundament

Wenn mittelständische Unternehmen heute Datenprojekte starten, beginnen sie meist bei den Tools: Analytics-Plattformen, KI-Frameworks, containerisierte Umgebungen oder neue Reporting-Systeme. Die Aufmerksamkeit liegt auf Funktionalität, Geschwindigkeit und Innovationspotenzial.
Was dabei häufig nicht im Fokus steht, ist das Fundament, auf dem all diese Initiativen aufsetzen: die bestehende Storage-Architektur.
Der Denkfehler liegt nicht in der Tool-Auswahl. Er liegt in der Annahme, dass das vorhandene Storage-System diese neue Dynamik automatisch tragen wird.

Doch genau hier beginnt in vielen Projekten die strukturelle Reibung.

Der Rollenwandel von Storage – vom Datenspeicher zur Plattformkomponente

Über viele Jahre war Storage vor allem eines: Datenspeicher. Kapazität bereitstellen, Performance sicherstellen, Backups fahren und Kosten pro Terabyte optimieren – das war ausreichend in einer Welt mit klar abgegrenzten Anwendungen, strukturierten Datenbanken und relativ stabilen Workloads.

Diese Welt existiert so nicht mehr.

Daten wachsen in vielen mittelständischen im Mittelstand zweistellig, und ein Großteil davon ist unstrukturiert – also Dateien, Logs, Medien oder Sensordaten. Gleichzeitig wächst der Anspruch, diese Daten aktiv zu nutzen – für Analytics, Automatisierung, Reporting oder KI-gestützte Auswertungen. Dadurch greifen Anwendungen parallel auf dieselben Datenbestände zu, containerisierte Plattformen wie die Kubernetes-basierte Container-Plattform Red Hat OpenShift starten bei steigender Last zusätzliche Instanzen, und Test-, Analyse- sowie Produktionsumgebungen arbeiten gleichzeitig mit identischen Quellen.

Storage ist damit nicht mehr bloße Ablagefläche. Es wird zum funktionalen Bestandteil einer Plattformarchitektur, in der hunderte Prozesse gleichzeitig auf Daten zugreifen – dynamisch, parallel und skalierend.

Wer diese veränderte Nutzung mit einer rein kapazitätsorientierten Storage-Logik beantwortet, schafft ein strukturelles Spannungsfeld zwischen Plattform und Fundament.

Das eigentliche Problem: Isolierte Entscheidungen ohne Storage-Architektur

In vielen Unternehmen werden Storage-Entscheidungen weiterhin im klassischen Lifecycle-Modell getroffen: Austauschzyklen, Erweiterung von Kapazität, Budgetoptimierung. Die Plattform wird modernisiert – das Storage technisch erneuert.

Was dabei häufig fehlt, ist die architektonische Gesamtperspektive.

Moderne hyperkonvergente Plattformen integrieren Rechenleistung (Compute), Storage, Netzwerk und Management in einer konsistenten Architektur und bilden so eine konsistente Basis für containerisierte Workloads und klassische Virtualisierung. Besonders in containerisierten Umgebungen und hybriden Cloud-Architekturen verschwimmen die klassischen Schichtgrenzen zunehmend. Wenn Storage davon entkoppelt bleibt, entstehen keine sofortigen Ausfälle – sondern schleichende Reibungsverluste:

• Performance Schwankungen unter Parallel-Last.
• komplexe Integrationsprojekte
• steigender Betriebsaufwand
• Governance-Konzepte, die technisch nicht durchgängig umsetzbar sind

Viele Modernisierungsinitiativen bleiben deshalb hinter ihren Erwartungen zurück – nicht wegen der Tools, sondern wegen einer Architektur, die nie für Plattformbetrieb gedacht war. Wer Infrastruktur heute plant, muss deshalb nicht nur aktuelle Anforderungen erfüllen, sondern strukturell auf zukünftige Daten- und Plattforminitiativen vorbereitet sein.

Datenprojekte brauchen ein tragfähiges Fundament

Dateninitiativen entstehen heute aus ganz unterschiedlichen Impulsen: Analytics-Projekte, KI-Use-Cases, Automatisierungsvorhaben oder neue Reporting-Anforderungen. Ziel ist es, Daten nutzbar zu machen – schneller, breiter und unternehmensweit.

Was dabei häufig unterschätzt wird: Diese Initiativen erhöhen strukturell die Anforderungen an die zugrunde liegende Infrastruktur.

Daten werden parallel verarbeitet, repliziert, versioniert, analysiert und in unterschiedlichen Umgebungen genutzt. Containerisierte Plattformen skalieren dynamisch, Workloads greifen gleichzeitig auf identische Datenbestände zu, und hybride Szenarien werden zur Normalität.

Wenn die Storage-Architektur diese Dynamik nicht tragen kann, entstehen keine sofortigen Ausfälle – sondern schleichende Reibungsverluste: Performance-Schwankungen, komplexe Integrationen, erhöhter Betriebsaufwand.

Selbsttest: Ist Ihr Storage plattformfähig?

Die entscheidende Frage ist nicht, ob Ihr Storage leistungsfähig ist – sondern ob er Governance, Skalierung und Plattformbetrieb gleichzeitig tragen kann.

Die folgenden Fragen geben Ihnen eine erste Einordnung, wie plattformfähig Ihr aktuelles Storage-Design tatsächlich ist:

1. Können wir Performance unter realer Parallel-Last garantieren?
   Kennen wir unsere gemessenen IOPS- und Latenzwerte unter gleichzeitiger Belastung – oder verlassen wir uns auf theoretische Herstellerangaben?
   
2. Skaliert unsere Architektur horizontal – oder nur durch Austausch?
   Können wir Leistung und Kapazität flexibel erweitern, ohne Migrationsprojekte auszulösen?
   
3. Ist unser Storage container-native integriert?
   Unterstützen wir dynamische Provisionierung, CSI-Integration und policy-basierte Storage-Klassen für containerisierte Umgebungen?
   
4. Können mehrere datenintensive Workloads parallel laufen, ohne sich gegenseitig auszubremsen?
   Existieren Mechanismen wie Quality of Service (QoS) oder Tenant-Isolation?
   
5. Ist Data Governance technisch durchsetzbar?
   Können Retention, Snapshots, Replikation, Versionierung oder Immutable-Design systemseitig erzwungen werden?
   
6. Unterstützt unsere Architektur hybride Modelle ohne aufwendige Datenmigrationen?
   Gibt es native Integration in Cloud-Umgebungen oder entstehen neue Silos?
   
7. Wie hoch ist unser operativer Storage-Aufwand?
   Wie viele manuelle Tätigkeiten sind für Provisionierung, Erweiterung oder Migration notwendig?
   

Wenn mehrere dieser Fragen nicht eindeutig mit „ja“ beantwortet werden können, ist das kein Alarmzeichen – aber ein klarer Hinweis auf architektonischen Handlungsbedarf.

Fazit

Moderne Datenprojekte scheitern selten an fehlenden Tools. Sie scheitern an Fundamenten, die nie für dynamischen Plattformbetrieb konzipiert wurden.

Storage ist heute keine reine Kapazitäts- oder Beschaffungsentscheidung mehr. Es ist eine Architekturentscheidung, eine Entscheidung für die Zukunft – und damit ein zentraler Faktor für Skalierbarkeit, Governance-Fähigkeit und langfristige Zukunftssicherheit.

Architektur braucht Perspektive

Wenn Sie Ihre bestehende Storage-Architektur im Hinblick auf zukünftige Daten- und Plattformanforderungen strukturiert bewerten möchten, unterstützen wir Sie gerne.

IT-Power Services begleitet mittelständische Unternehmen u. a. in der Infrastrukturberatung – von der architektonischen Analyse bis zur strategischen Weiterentwicklung bestehender Storage- und Plattformlandschaften.

Lassen Sie uns Ihre Ausgangssituation gemeinsam analysieren.

Architekturgespräch anfragen

The post Warum Storage keine reine Hardware-Entscheidung mehr ist first appeared on IT-PS.