Is uw infrastructuur eigenlijk klaar voor AI?

Inmiddels heeft iedereen een AI-strategie. Maar veel minder organisaties hebben de infrastructuur om deze strategie daadwerkelijk te ondersteunen.

In het afgelopen jaar heb ik met tientallen IT-leiders gesproken die onder grote druk staan om AI-gedreven ervaringen te leveren. Ze worden verwacht om snellere productiviteitstools, intelligente automatisering en slimmere endpointbeheer te hebben. En deze druk gaat verder dan alleen menselijke werknemers: organisaties worden nu gevraagd om AI-agents in te richten en te beheren die hun eigen compute, eigen desktopomgevingen en eigen governance-model nodig hebben.

Na jaren hebben gewerkt aan het opbouwen van Windows 365 en Azure Virtual Desktop bij Microsoft, heb ik een duidelijk beeld van wat organisaties die succesvol AI implementeren, onderscheidt van die welke stilvallen. Het komt bijna altijd neer op drie dingen: cloudgebruik, gegevenskwaliteit en kostenbeheersing.

Gebruikt u wat u al heeft?

De eerste vraag die ik elke IT-leider stel, is: hoe goed benut u de cloudmogelijkheden waarvoor u al betaalt?

De meeste organisaties, als ze eerlijk zijn, benutten hun cloudomgevingen aanzienlijk onvoldoende. Ze hebben workloads gemigreerd, maar de lift-and-shift-mentaliteit betekent dat ze legacy-patronen in een moderne omgeving uitvoeren en de optimalisatiefuncties missen die in het platform van hun cloudprovider zijn ingebouwd.

Dit is enorm belangrijk voor AI. Deze workloads zijn resource-intensief en dynamisch. Ze pieken, schalen en hebben elasticiteit nodig. Een omgeving die niet is geoptimaliseerd voor cloud-native bewerking, zal onder deze vraag bezwijken of u veel meer kosten dan nodig is als het niet doet.

Voordat u investeert in nieuwe AI-mogelijkheden, neemt u een harde kijk op uw huidige omgeving en stelt u uzelf deze vragen:

• Zijn uw virtuele machines goed gedimensioneerd, of voert u oversized instanties uit?
• Zijn automatisch schaalbeleid daadwerkelijk afgestemd op uw workloadpatronen, of zijn ze ingesteld en vergeten?
• Gebruikt u gereserveerde instanties en besparingsplannen, of gebruikt u standaard on-demand-prijzen voor alles?

Cloudproviders hebben geïnvesteerd in optimalisatiehulpmiddelen. Gebruik ze. En als uw beheerlaag deze inzichten niet naar boven brengt, is dat een lacune die u moet dichten voordat u verder gaat.

Gegevens zijn de basis, en de meeste organisaties hebben kapotte gegevens

De tweede, en eerlijk gezegd kritiekere, factor voor gereedheid is gegevens. Niet de gegevensstrategie in het abstracte. De daadwerkelijke staat van uw gegevens vandaag.

AI-systemen zijn alleen zo goed als de gegevens waarop ze zijn getraind of waartegen ze opereren. Dat is geen nieuwe inzicht, maar de praktische implicaties worden nog steeds onderschat in de meeste IT-organisaties. Wanneer ik het heb over gegevensgereedheid voor AI, bedoel ik drie specifieke dimensies: netheid, volledigheid en actualiteit.

Netheid betekent dat uw gegevens geen duplicaten, inconsistenties of fouten bevatten die de uitvoer zouden kunnen corrumperen. Voor endpointbeheer kan dit betekenen dat gebruikersrecords verouderde attributen hebben, apparaatprofielen die niet zijn bijgewerkt in maanden, of beleidsregels die niet de huidige orgstructuur weerspiegelen.

Volledigheid betekent dat u de breedte van signalen heeft die AI nodig heeft om zinvolle inferenties te maken. Een aanbevelingsengine voor applicatielevering is niet nuttig als de meeste apparaattelemetrie ontbreekt. Een anomaliedetectiesysteem kan geen baseline vaststellen als uw logging gaten heeft. Voordat u AI-gedreven functies implementeert, kaart u uit wat voor soort gegevens u heeft versus wat een bepaalde functionaliteit vereist.

Actualiteit is de dimensie die organisaties het meest onderschatten. Het gaat om real-time of near-real-time inzichten. Verouderde gegevens produceren verouderde inzichten, en verouderde inzichten kunnen erger zijn dan helemaal geen inzichten. Als uw datapipelines ‘s nachts batchen wat continu zou moeten stromen, is dat een structureel probleem dat AI niet zal oplossen.

Gegevenshygiëne, pijplijnmodernisering en telemetrie-instrumentatie zijn geen interessante onderwerpen voor bestuursvergaderingen. Maar ze zijn het verschil tussen AI-functies die werken en AI-functies die drie maanden na de lancering worden stopgezet.

Kostenbeheersing is geen bijzaak

De derde dimensie van AI-gereedheid is financieel, en deze verdient meer aandacht dan het krijgt in de planningsfase.

AI-workloads zijn duur om uit te voeren, ze zijn moeilijk te voorspellen en ze schalen vaak sneller dan budgets kunnen volgen. Ik heb organisaties zien profiteren van vroege AI-piloten, en dan zien hoe de kosten uit de hand lopen wanneer die piloten naar productie gaan, omdat niemand een kostenbeheersingsmodel had ontworpen om ze te vergezellen.

Dit is vooral waar in virtuele desktop- en endpointomgevingen, waar AI-functies zoals sessie-intelligentie, predictieve schaling en geautomatiseerde herstelsubstantiële compute-vraag kunnen genereren over duizenden sessies tegelijk.

De organisaties die dit goed beheren, delen een aantal kenmerken:

Ze behandelen infrastructuurefficiëntie als een vereiste, niet als een optimalisatie die later kan worden gedaan. Ze hebben al het werk gedaan om rechtsgrootte, afval te elimineren en kostenbasises te vestigen voordat AI-workloads arriveren.

Ze bouwen kosteninzicht in hun operaties in. Ze weten wat hun per-gebruiker-, per-sessie- en per-workloadkosten zijn, wat betekent dat ze onverwachte uitgaven kunnen detecteren wanneer AI-functies onverwachte uitgaven veroorzaken, en tijdig kunnen bijsturen.

En belangrijk, ze hebben een beheerlaag gekozen die kosten signalen proactief naar boven brengt, zodat ze niet pas in de maandelijkse cloudrekening te horen krijgen over kostenoverschrijdingen, maar via real-time dashboards die snellere beslissingen mogelijk maken.

De kloof is te dichten, maar eerst moet u eerlijk zijn

De organisaties waar ik het meest optimistisch over ben, zijn diegene die bereid zijn om eerlijk naar hun situatie te kijken.

De kloof tussen AI-ambitie en uitvoering is reëel, maar het is niet permanent. En de volgende frontier is al zichtbaar: wanneer agente AI van pilot naar productie gaat, breidt de vraag naar infrastructuurgereedheid zich uit voorbij menselijke gebruikers naar de agenten zelf.

Dat betekent dat u uw cloudgebruik controleert voordat u het uitbreidt en dat u investeert in gegevenskwaliteit voordat u AI erop laagt. Het betekent ook dat u kostenbeheersing behandelt als een architectonische zorg, niet als een probleem voor het financiële team.

De kloof tussen AI-ambitie en uitvoering is reëel, maar het is niet permanent. Het is een engineerings- en operationeel probleem, en dat zijn precies de problemen waar onze IT-gemeenschap goed in is om op te lossen.