KI-Speicherkrise: Datenflut droht
Die rapide Entwicklung der Künstlichen Intelligenz (KI) führt zu einer beispiellosen Datenflut, die die globalen Speicherkapazitäten an ihre Grenzen bringt. Festplatten werden knapper, SSDs teurer, und Rechenzentren expandieren in einem Tempo, das die Lieferketten überfordert. Diese Entwicklung mündet in eine Speicherkrise, die nicht nur Hyperscaler, sondern auch Unternehmen und Privatanwender betrifft.
Quelle: Eigene Darstellung
Einführung
Die zugrunde liegende Dynamik ist klar: Generative KI und andere datenhungrige Anwendungen treiben eine Daten- und Speicherexplosion voran. Gleichzeitig stößt die Produktion von Speicherchips und Festplatten an physikalische, finanzielle und ökologische Grenzen. Diese Kombination führt zu einer Speicherkrise, die sich von Hyperscaler-Rechenzentren bis in den Alltag von Unternehmen und Privatanwendern auswirkt (CineD).
Weltweit wachsen die Datenmengen in Richtung 200 Zettabyte gespeicherter Daten bis 2025, während KI-Rechenzentren immer größere Teile der verfügbaren Speicher- und Speichermodulproduktion aufkaufen. IDC prognostiziert, dass die „Global Datasphere“ bis 2025 auf rund 175 Zettabyte anwächst. Für Unternehmen bedeutet dies, dass Speicher nicht mehr selbstverständlich „billig und unbegrenzt“ ist, sondern zu einem knappen Produktionsfaktor mit steigenden Preisen, Lieferzeiten und Umweltkosten wird (Tom’s Hardware).
KI-bedingter Speicherbedarf
Die Menge der weltweit erzeugten Daten ist in den letzten Jahren explodiert. Statista-Daten, ausgewertet von Rivery, beziffern das globale Datenvolumen 2024 bereits bei 149 Zettabyte und erwarten bis Ende 2025 rund 181 Zettabyte. Exploding Topics kommt anhand ähnlicher Statista-Zahlen zu dem Ergebnis, dass im Jahr 2025 weltweit 181 Zettabyte an Daten generiert werden und täglich rund 402,74 Millionen Terabyte entstehen.
Ein wichtiger Teil dieses Wachstums ist direkt oder indirekt mit KI verbunden. Unternehmen bauen Daten-Lakes für Trainingsdaten auf, speichern Modell-Checkpoints mit zig Terabyte pro Version und behalten riesige Log- und Telemetriedaten für Evaluierung und Monitoring (CIO.com). Der IDC/Seagate-Report „Data Age 2025“ schätzt, dass zur Bedienung dieser Datenflut von 2018 bis 2025 über 22 Zettabyte an zusätzlicher Speicherkapazität über alle Medien hinweg ausgeliefert werden müssen, wovon fast 59 Prozent aus der HDD-Industrie kommen sollen.
Gleichzeitig verschiebt sich das Kräfteverhältnis innerhalb der Speicherindustrie. Tom’s Hardware beschreibt, dass KI-Rechenzentren weltweit große Teile des Angebots an DRAM, NAND-Flash und HDD-Kapazitäten absorbieren und damit die Bühne für eine „Preiskrise“ über das gesamte Jahrzehnt bereiten. Der Vorstand des Speicherherstellers Adata spricht sogar von der ersten Situation in seiner Karriere, in der DRAM, NAND-Flash und Festplatten gleichzeitig knapp sind, weil Cloudanbieter mit KI-Fokus das meiste Material direkt aufkaufen (Tom’s Hardware).
Rechenzentren am Limit
IDC und Seagate projizieren die globale Datasphere bis 2025 auf 175 Zettabyte. Cybersecurity Ventures geht parallel davon aus, dass die Welt bis 2025 über 200 Zettabyte an Daten speichert.
Allein schon ohne KI wäre das eine Herausforderung. Laut IDC wird ein Großteil dieser Daten unternehmensseitig gespeichert, analysiert und gesichert werden müssen, was zu massiven Investitionen in Speicherinfrastruktur führt (i-scoop.eu). Mit der KI-Welle verschärft sich das jedoch erheblich. Ein Report von IoT Analytics beziffert die Ausgaben für Data-Center-Equipment und -Infrastruktur im Jahr 2024 auf 290 Milliarden US-Dollar, mit einem erwarteten Wachstum der Marktgröße auf 1 Billion US-Dollar bis 2030, stark getrieben durch KI-Workloads. McKinsey veranschlagt bis 2030 weltweit 6,7 Billionen US-Dollar Investitionen in Rechenzentren, davon 5,2 Billionen explizit für KI-fähige Infrastruktur.
Gleichzeitig planen einzelne Anbieter extreme Ausbauziele. Ein interner Vortrag bei Google, über den PC Gamer berichtet, beschreibt das Ziel, die Kapazität für KI-Serving alle sechs Monate zu verdoppeln und in vier bis fünf Jahren um den Faktor 1.000 zu skalieren (PC Gamer). Tom’s Hardware zitiert Schätzungen, nach denen die von OpenAI anvisierten 250 Gigawatt Rechenkapazität bis 2033 so viel Strom verbrauchen würden wie der gesamte Staat Indien. Meta wiederum plant laut Blocks & Files „super massive“ KI-Rechenzentren, die zu gigantischen Speicheraufträgen für die ausgewählten Zulieferer führen sollen (Blocks & Files).
Damit ist die Speicherkrise wegen KI nicht bloß ein diffuses Gefühl, sondern das Resultat messbarer Planungen: exponentiell steigende Datenmengen treffen auf langfristige Milliardenprogramme für Rechenzentren, die schon heute die Lieferketten für Speicherkomponenten dominieren (Yahoo Finanzen).
Quelle: dinnova.ch
Die Leistungsfähigkeit von KI-Anwendungen ist direkt an die Entwicklung und Verfügbarkeit hochmoderner Speicherchips gebunden.
TrendForce-Daten, zitiert von TechRadar, zeigen, dass die Lieferzeiten für Nearline-HDDs mit 32 Terabyte oder mehr auf über ein Jahr gestiegen sind, weil KI-Datenvolumen die globale Speicherinfrastruktur überfordern. HWBusters spricht in einer Analyse von einem „AI storage crunch“, bei dem die Nachfrage nach Hochkapazitäts-HDDs durch KI-Anwendungen massive Verzögerungen und Preisanstiege verursacht (HWBusters).
Tom’s Hardware beschreibt, wie sich der Engpass entlang der gesamten Kette zieht: Ein Bericht zitiert den Adata-Chairman damit, dass KI-Rechenzentren Festplatten, SSDs und DRAM „wegfressen“ und die Vorräte bei Zulieferern von typischen zwei bis drei Monaten auf zwei bis drei Wochen geschrumpft sind. TechSpot referenziert einen Report, demzufolge Rechenzentren inzwischen SSDs „horten“, weil die Festplattenlieferketten so angespannt sind, dass sich Lieferzeiten für Enterprise-HDDs auf bis zu zwei Jahre ausdehnen können. Network World berichtet ergänzend, dass die Lieferzeiten für Festplatten von wenigen Wochen auf über ein Jahr gestiegen sind und die Preise für Enterprise-Flash bereits deutlich anziehen.
Auf der Flash-Seite warnen Hersteller vor strukturellen Engpässen: Solidigm rechnet mit einer mindestens dreijährigen NAND-Knappheit. Der CEO von Phison bestätigt öffentlich, dass sich die Preise für NAND-Flash innerhalb von sechs Monaten mehr als verdoppelt haben und Engpässe bis mindestens Ende 2027 erwartet werden. Parallel berichtet Sourceability von einem AI-getriebenen DRAM-Engpass mit stark steigenden Modulpreisen und einer absehbaren weiteren Verknappung in Richtung 2026 (Sourceability).
Für spezialisierte Branchen sind die Folgen bereits spürbar: Das Fachmagazin CineD warnt Filmschaffende davor, dass eine globale Speicherknappheit ab 2026 die Preise für Kameramedien, SSDs und Postproduktions-Hardware deutlich erhöhen und teilweise Veröffentlichungspläne für neue Kameramodelle verzögern könnte (CineD).
Wer das Zusammenspiel von HDDs und SSDs im Kontext der KI-Speicherkrise visuell aufbereitet sehen möchte, findet in diesem YouTube-Video eine kompakte Einordnung der aktuellen Lage in Rechenzentren:
Quelle: YouTube
Folgen der Speicherkrise
Für große Cloudanbieter führt die Speicherkrise vor allem zu steigenden CAPEX und OPEX: IoT Analytics zeigt, dass die Ausgaben für Rechenzentrumsinfrastruktur bereits 2024 bei 290 Milliarden US-Dollar lagen. Inside Towers beschreibt, wie die weltweite KI-Welle die Nachfrage nach Rechenzentrumskapazitäten so stark erhöht, dass Betreiber um geeignete Standorte, Energie und Netzanbindung konkurrieren (Inside Towers).
Diese Kosten landen nicht nur in Bilanzen, sondern am Ende auch in Preisen: Netzwerk- und IT-Medien wie Tom’s Hardware und Network World berichten übereinstimmend, dass SSD- und HDD-Hersteller für Enterprise-Modelle bereits Preisaufschläge ankündigen, die sich mittelfristig in Cloud-Storage-Tarifen, Backup-Lösungen und auch in Consumer-Produkten niederschlagen dürften (Tom’s Hardware, Network World).
Für kleinere Unternehmen zeigt sich die Krise stärker im Alltag: CineD weist darauf hin, dass Filmproduktionen ihre Medien- und Backup-Budgets neu kalkulieren müssen, weil Speicherkarten, SSD-RAIDs und Archivsysteme teurer und schwerer verfügbar werden (CineD). Ähnliches gilt für Agenturen, Forschungsinstitute oder Start-ups, die große Datenmengen verarbeiten: Steigende Speicherpreise können Projekte verzögern oder dazu zwingen, weniger Daten vorzuhalten, was direkt die Qualität von Analysen und KI-Modellen beeinflusst (CIO.com).
Privatanwender sind indirekt betroffen: Fachmedien wie Tom’s Hardware und Yahoo Finance weisen darauf hin, dass die gleiche DRAM- und NAND-Produktion, die in AI-Servern verbaut wird, auch für Consumer-Geräte wie Laptops, Smartphones und Fernseher benötigt wird, sodass Engpässe auf der Unternehmensseite zu steigenden Endkundenpreisen führen können (Yahoo Finanzen).
Ökologische Aspekte
Die Speicherkrise wegen KI ist untrennbar mit der Energiefrage verbunden. Goldman Sachs prognostiziert, dass der weltweite Strombedarf von Rechenzentren bis Ende des Jahrzehnts um bis zu 165 Prozent im Vergleich zu 2023 ansteigen könnte. Eine von Reuters zitierte Studie schätzt, dass Rechenzentren in den USA bis 2028 bis zu 12 Prozent des gesamten nationalen Stromverbrauchs ausmachen könnten. Die Internationale Energieagentur erwartet, dass Rechenzentren bis 2030 mehr Strom verbrauchen könnten als das heutige Japan.
Zu diesem Energiehunger kommt ein oft unterschätzter Wasserverbrauch: Brookings beschreibt, dass ein typisches Rechenzentrum rund 300.000 Gallonen Wasser pro Tag für Kühlung benötigt. Eine aktuelle Übersicht zur Wasserbilanz von KI-Rechenzentren fasst zusammen, dass US-Rechenzentren 2023 direkt etwa 66 Milliarden Liter Wasser verbrauchten.
Diese ökologische Perspektive verstärkt den Druck auf die Speicherindustrie: Je höher die Speicherdichte, desto größer typischerweise die Produktionskomplexität – etwa bei modernen 3D-NAND-Strukturen mit über 200 Layern – und desto höher der Ressourcenverbrauch in den Fabs (Blocks & Files). Zugleich argumentieren Anbieter wie Huawei, dass All-Flash-Rechenzentren langfristig energieeffizienter sein können als HDD-basierte Systeme, was die Speicherkrise zumindest teilweise mit Effizienzgewinnen abfedern könnte (Huawei).
Wer die physische Infrastruktur und die Umweltfolgen von Rechenzentren besser verstehen möchte, findet in diesem erklärenden YouTube-Video einen guten Einstieg in Funktionsweise und Wachstumsdruck von Rechenzentren im KI-Zeitalter:
Quelle: YouTube
Lösungsansätze
Die Speicherkrise ist kein Naturgesetz, aber sie ist auch nicht mit einem einzelnen „technischen Trick“ zu lösen. IDC und Seagate weisen bereits seit Jahren darauf hin, dass ein Großteil der erzeugten Daten nie genutzt wird. Das legt nahe, dass technisches Kapazitätswachstum mit einer viel strengeren Datendisziplin kombiniert werden muss.
Auf technischer Ebene setzen Hersteller auf mehrstufige Speicherarchitekturen: extrem schnelle, aber teure NVMe-SSDs dienen als Cache für aktive KI-Workloads, während günstigere, kapazitätsstarke HDDs und QLC-SSDs für Archivierung und kalte Daten genutzt werden (Tom’s Hardware). Anbieter wie Seagate positionieren Systeme wie das Exos 4U100 mit bis zu 3,2 Petabyte explizit als Antwort auf KI-Workloads. Hitachi Vantara argumentiert, dass eine konsequente Umstellung auf All-Flash-Architekturen mit ausgereiften Datenservices nicht nur Performance, sondern auch Energieeffizienz und Ausfallsicherheit verbessern kann (Hitachi Vantara).
Auf organisatorischer Ebene geht es darum, welche Daten überhaupt dauerhaft aufbewahrt werden sollen: Studien wie „Data Age 2025“ betonen, dass Unternehmen zwischen regulierungsrelevanten, geschäftskritischen und lediglich „nice to have“-Daten unterscheiden müssen, um nicht unnötig Speicherkapazität und Energie zu binden (Seagate). CIO.com zeigt, dass viele Unternehmen ihre Speicherarchitekturen aktuell neu entwerfen, um KI-Workloads mit schnellen, konsistenten Zugriffszeiten zu versorgen und gleichzeitig Backup, Archivierung und Compliance kosteneffizient abzuwickeln (CIO.com).
Für Unternehmen bedeutet das konkret: Datenlebenszyklen klar definieren, Löschfristen durchsetzen, Trainingsdaten gezielt kuratieren, statt „alles für immer“ zu speichern, und KI-Workloads so zu gestalten, dass mehr mit weniger Daten erreicht wird – etwa durch effiziente Modellarchitekturen, Retrieval-Augmented-Generation oder kleinere, spezialisierte Modelle (Hitachi).
Wer die wirtschaftlichen und infrastrukturellen Zwänge hinter der AI-Speicherkrise im bewegten Bild sehen möchte, bekommt in diesem Video einen guten Überblick über Rechenzentren im Spannungsfeld von KI, Energie und Speicher:
Quelle: YouTube
Die Speicherkrise wegen KI ist die logische Folge dreier Entwicklungen: explodierende Datenmengen (Cybersecurity Ventures), aggressive Ausbaupläne für KI-Rechenzentren und eine Speicherindustrie, die physikalische und finanzielle Grenzen der Kapazitätserweiterung erreicht (Seagate).
Für die nächsten Jahre sind höhere Preise, längere Lieferzeiten und intensivere Konkurrenz um Speicherressourcen wahrscheinlich, sowohl im Enterprise-Segment als auch im Consumer-Bereich (Tom’s Hardware, Tom’s Hardware). Gleichzeitig zwingt die ökologische Dimension – insbesondere der Energie- und Wasserverbrauch – Betreiber und Politik dazu, Speicherstrategien nicht nur ökonomisch, sondern auch ressourcenpolitisch zu denken (Goldman Sachs, Brookings).
Die gute Nachricht: Die Krise ist kein statischer Zustand, sondern ein Druck, der Innovation und Disziplin erzwingt. Wer seine Datenarchitektur konsequent hinterfragt, Speicherstufen klug kombiniert und KI bewusst so baut, dass sie mit weniger, besser strukturierten Daten auskommt, kann nicht nur Kosten und Risiken senken, sondern auch einen Beitrag dazu leisten, dass Speicher im KI-Zeitalter ein gestaltbarer, statt ein rein knapper Faktor bleibt.