Kunden möchten ihre Infrastruktur nach wie vor aktualisieren

Die Computing-Landschaft befindet sich im Wandel. Da sich die Einführung von KI auf dem Unternehmensmarkt fortsetzt, sind die Auswirkungen bereits deutlich zu erkennen: Höhere Preise und Knappheit der Komponenten. Da die Speicherkosten auf einem hohen Niveau bleiben, bewerten Kunden ihre IT- und KI-Strategie neu, und weil eine Entspannung bei den Preisen frühestens 2027 erwartet wird,1 prüfen viele, ob eine Infrastrukturaktualisierung überhaupt möglich ist.

Die Kundenbudgets werden angesichts der Prognosen gekürzt, weshalb die Antwort, die Sie wahrscheinlich hören, lautet: „Schon gut, wir warten einfach ab.“

Allerdings hat das Nichtstun seinen Preis.

Wenn man den Austausch einer alten Infrastruktur hinauszögert, birgt dies eigene Risiken:

  • Hohe Betriebskosten
  • Geringe Energieeffizienz
  • Steigende Wartungskosten
  • Unfähigkeit, moderne KI-Workloads zu unterstützen
  • Sicherheits-/Compliance-Risken
  • Ablauf der Garantie/des Supports

Angesichts dieser Probleme wenden Kunden sich an Partner wie Sie, um sich beraten zu lassen. Nutzen Sie die nachfolgenden Erkenntnisse, um sie durch Investitionen in neue Hardware zu unterstützen und ihnen bei intelligenten Kaufentscheidungen zu helfen.

Auf Kurs: Die richtige Orientierung bieten

Schritt 1: Die Umgebung prüfen

Bisher war es für Kunden gängige Praxis, Serverspeicher übermäßig zu dimensionieren, um den größtmöglichen Bedarf zu decken und mehr Flexibilität für ihre Workloads bereitzustellen. Im Grunde genommen stellen sie viele Server mit maximalen Ressourcen bereit, die nur von wenigen Anwendungen benötigt werden, sodass sie Workloads bei Bedarf verlagern können. Folglich werden viele Umgebungen basierend auf einem theoretischen Spitzenbedarf statt auf der beobachteten Nutzung bereitgestellt.

Da Speicher knapp und kostspielig ist, ist dies ein Luxus, den sich immer weniger Unternehmen leisten können. Jetzt ist der richtige Zeitpunkt, gemeinsam mit Ihren Kunden deren On-Premises- und Cloud-Umgebungen zu überprüfen, um zu ermitteln, welche Ressourcen (CPU, GPU und Speicher) sie nutzen, und realistische, datengestützte Bedarfsanalysen zu erstellen, da die Workloads bzw. der Bedarf an KI-Rechenleistung stetig zunehmen.

KI-Workloads benötigen eine ausgewogene Infrastrukturplanung

Wenn Kunden den Einsatz von KI prüfen, ist es wichtig zu verstehen, wie sich neue Workloads auf die Anforderungen auswirken. Auch wenn GPUs oft die größte Aufmerksamkeit bei KI-Initiativen erhalten, sind Speicher und CPUs entscheidend für eine effiziente Bereitstellung und langfristige Skalierbarkeit.

KI-Workloads erhöhen den Druck auf den Systemspeicher und die Speicherinfrastruktur. Die Überversorgung von Speicher über alle Server hinweg mag nicht kosteneffizient sein, aber eine Unterversorgung kann zu Engpässen führen, die die Nutzung einschränken oder die Workload-Performance reduzieren, was gleichermaßen inakzeptabel ist.

Ermitteln Sie zusammen mit den Kunden, wo mit einer Skalierung der KI-Workloads zu rechnen ist, wie Daten in der Umgebung bewegt werden und welche Systeme wirklich eine höhere Speicherkapazität benötigen. Ausgewogene CPU-, GPU- und Speicherinvestitionen können Organisationen helfen, die KI-Einführung ohne unnötig steigende Kosten oder beeinträchtigte Performance und Reaktionsschnelligkeit zu unterstützen.

Schritt 2: Nicht-speichersensible Workloads ermitteln

Sobald die grundlegenden Speicheranforderungen erfüllt sind, lässt bei manchen Workloads der Nutzen zusätzlicher Speicherkapazität oft nach. Bei CPU-gebundenen, E/A-gebundenen oder latenzsensiblen Workloads führt zusätzliche Speicherkapazität im Verhältnis zu den Kosten häufig nur zu begrenzten Performance-Verbesserungen.

Helfen Sie Kunden dabei, günstigere Speicherkonfigurationen zu finden, mit denen unnötige Kosten gesenkt werden können, ohne die Workload-Performance wesentlich zu beeinträchtigen.

Schritt 3: Speicherbereitstellung richtig dimensionieren

Speicher ist knapp, weshalb es für Kunden entscheidend ist, die richtige Größe des erforderlichen Speichers zu bestimmen. Erarbeiten Sie gemeinsam mit Ihren Kunden, wo Speicherinvestitionen den größten Wert liefern und wo sie den Speicherbedarf bedenkenlos reduzieren können.

Unternehmenskritische Workloads und Workloads mit hoher Priorität sollten einen angemessenen Puffer für eventuelle Auslastungsspitzen oder künftiges Wachstum erhalten. Bei Workloads mit geringeren Speicheranforderungen sollten Sie in Erwägung ziehen, DIMMs mit kleinerer Kapazität bereitzustellen oder Speichersteckplätze frei zu lassen (AMD EPYC™ Server-CPUs unterstützen verschiedene Speicherkonfigurationen, einschließlich freier Steckplätze).

AMD kann helfen

Sobald die Kunden herausgefunden haben, wo die Speichernutzung optimiert werden kann, können sie mit der Bewertung von Plattformen beginnen, die auf eine höhere Performance-Effizienz ausgelegt sind, z. B. über Systeme mit AMD EPYC Server-CPUs.

Es lohnt sich, Kunden, die ihre bestehende Infrastruktur aktualisieren möchten, daran zu erinnern, dass AMD EPYC Server-CPUs eine hervorragende Performance bei geringerem Speicherbedarf und einen überzeugenden Upgrade-Pfad für veraltete Hardware bieten. Durch einen Umstieg von alter Hardware der Konkurrenz auf die neuesten AMD EPYC Server-CPUs können die Gesamtbetriebskosten um bis zu 29 % gesenkt werden, wobei sich die Investition in Systeme und Software im Durchschnitt nach etwa 2,5 Jahren amortisiert.2

Beispielsweise führen repräsentative rechengebundene Workloads, die auf AMD EPYC 9355P Server-CPUs mit 50 % weniger Speicherkapazität ausgeführt werden, zu einer Performance-Minderung von lediglich 1 %.3

Rechengebunden

Geometrisches Mittel von NGINX, Memcached, FFMpeg, Python
1P AMD EPYC 9355P mit 32 Kernen

1
0,99
24 GB/Kern
12 GB/Kern
50 % Speicherreduzierung ➜ -1 % Performance

Speicherkapazitätssensible Workloads können flexibel mit Speichereinschränkungen skaliert werden; ein Server mit AMD EPYC 9655 CPUs kann mit nur 75 % der Speicherkapazität bei einem geringfügigen Rückgang der Performance von 6 % betrieben werden.4

Speicherkapazitätsgebunden

SQL Server
OLAP1P AMD EPYC 9655 mit 96 Kernen

1,00
0,94
0,73
100 % Kapazität
75 % Kapazität
50 % Kapazität
25 % Speicherreduzierung ➜ -6 % Performance
50 % Speicherreduzierung ➜ -27 % Performance

Eine Modernisierung der Infrastruktur bietet auch Chancen für eine Konsolidierung und höhere Virtualisierungsdichte. Durch die Reduzierung der Serveranzahl und die Verbesserung der Effizienz können Ihre Kunden neben der Optimierung der Speichernutzung auch die Kosten für Softwarelizenzierung, Strom, Kühlung und Betrieb senken. Wenn man deutlich weniger Systeme mit höherer Performance kaufen kann, bedeutet dies, dass weniger IT-Budget für Speicher ausgegeben wird.

Für Organisationen, die mit Platz-, Strom- oder Kühlungsbeschränkungen konfrontiert sind, tragen Verbesserungen der Infrastruktureffizienz dazu bei, die bestehende Rechenzentrumskapazität zu erweitern, ohne dass ein sofortiger Ausbau erforderlich ist. Da KI-Workloads die Anforderungen an die Infrastruktur weiter erhöhen, werden diese betrieblichen Effizienzen neben der reinen Performance zunehmend an Bedeutung gewinnen.

Tools für den Kundenerfolg bereitstellen

AMD bietet eine Reihe von Tools, die Ihnen dabei helfen können, Ihre Kunden bei der Orientierung auf einem herausfordernden Markt zu unterstützen. Um die Budgets für Speicher optimal anzupassen, verwenden Sie die folgenden Tools zur Schätzung der Speicheranforderungen sowohl in On-Premises- als auch in Cloud-Umgebungen:

Für die Cloud-Infrastruktur nutzen Sie den AMD EPYC™ Cloud Instance Advisor.

Führen Sie mit dem AMD EPYC™ TCO Advisory Tool eine Analyse der Gesamtbetriebskosten durch. Hierbei handelt es sich um ein webbasiertes Tool, mit dem Sie gemeinsam mit Kunden verschiedene Gesamtbetriebskostenszenarios anhand aktueller, aber auch anpassbarer Speicherpreise analysieren können.

AMD unterstützt weiterhin Partner und ihre Kunden durch die Bereitstellung führender Performance und optimierter Infrastrukturen. Mithilfe von Hardwareplattformen wie AMD EPYC Server-CPUs und Tools wie den oben genannten können Performance, Skalierbarkeit und Speichereffizienz in schwierigen Marktphasen in Einklang gebracht werden.

Während der Preisdruck bei Speichern weiterhin Auswirkungen auf die Infrastrukturplanung hat, kann eine verzögerte Modernisierung zu langfristigen betrieblichen Ineffizienzen und steigenden Kosten führen. Indem sie Workloads prüfen, Speicherinvestitionen richtig dimensionieren und Konsolidierungsmöglichkeiten ermitteln, können Partner Kunden dabei helfen, strategisch zu modernisieren.

Für weitere Informationen wenden Sie sich an Ihren AMD Ansprechpartner.

AMD Arena

Bauen Sie sich Fachwissen auf, mit Schulungen zu KI-Lösungen von AMD, AMD EPYC™ Server-CPUs, AMD Instinct™ GPUs und vielem mehr über das gesamte AMD Portfolio hinweg.

Schulung anfordern

Verwandte Artikel

Weitere Artikel entdecken
Fußnoten
  1. Gartner, „Emerging Issue: Managing Memflation Through 2027“, Joseph Unsworth, 27. Februar 2026
    GARTNER ist eine Marke von Gartner, Inc. und/oder seinen Tochterunternehmen.
  2. 9xx5TCO-025 – Dieses Szenario basiert auf vielen Annahmen und Schätzungen, und obwohl es auf internen Forschungen und bestmöglichen Näherungswerten von AMD basiert, dient es nur als Beispiel zur Veranschaulichung und sollte nicht als Grundlage für die Entscheidungsfindung anstelle tatsächlicher Tests dienen. Das AMD Server and Greenhouse Gas Emissions TCO (Total Cost of Ownership) Estimator Tool – Version 1.56 – vergleicht die benötigten AMD EPYC™ und Intel® Xeon® CPU-basierten Server für insgesamt 44.600 Einheiten von SPECrate2017_int_base-Performance (Stand 12. März 2026). Diese Analyse vergleicht einen 2P-Server mit AMD EPYC 9535, 64 Kernen und einer SPECrate2017_int_base Bewertung von 1640

    3. https://spec.org/cpu2017/results/res2025q3/cpu2017-20250728-49231.pdf mit einem alten 2P-Server mit Intel Gold 6338, 32 Kernen und einer SPECrate2017_int_base-Bewertung von 446, https://spec.org/cpu2017/results/res2023q2/cpu2017-20230423-35994.pdf

    Die veröffentlichte EPYC 9535 SPEC Bewertung wurde angepasst, um die Auswirkungen der Verringerung der Speicherbelegung von der maximalen Anzahl von 24 x 64 GB RDIMMs auf 16 x 64 GB RDIMMs oder etwa 3/4 Speicherbandbreite zu schätzen. Die Berechnungen der Leistungsminderung basieren auf internen Labortests, die mit der SPECrate®2017_int_base Benchmark durchgeführt wurden, um eine geschätzte SPECrate®2017_int_base Bewertung zu liefern.

    Die Workload-Performance mit reduzierter Speicherbandbreite hängt von den Workload-Eigenschaften und der Speicherempfindlichkeit ab. Die angezeigten Ergebnisse sind auf die gezeigten spezifischen Workloads beschränkt und sollten nicht auf andere Workloads verallgemeinert werden.

    https://www.carbondi.com/#electricity-factors/, https://www.epa.gov/energy/greenhouse-gas-equivalencies-calculator. Weitere Details unter https://www.amd.com/de/legal/claims/epyc.html#q=9xx5TCO-025.

  3. 9xx5-281: Geometrisches Mittel der Ergebnisse von 4 ausgewählten nicht speichergebundenen Phoronix Workloads basierend auf kostenpflichtigen Tests der Phoronix Test Suite vom 01.04.2026.

    4. Workload-Konfigurationen: Memcached – Verhältnis von SET- zu GET-Operationen: 1:10 (Vorgänge/Sek.), nginx – Verbindungen: 500 (Anf./Sek.), Timed FFmpeg Compilation – Kompilierungszeit (Sek.), Timed CPython Compilation – Build-Konfiguration: Freigegebener Build, PGO + LTO optimiert (Sek.)

    1P-Produktionsserver mit AMD EPYC 9355P und 32 Kernen, BIOS 3.8, 2 x 3841 GB SAMSUNG MZWLO3T8HCLS-00A07, 2 x Broadcom NetXtreme BCM5720 PCIe, Ubuntu 26.04 6.19.0-9-generic (x86_64), GCC 15.2.0, SMT = EIN, Speicherkonfigurationen: 12 x 64 GB DDR5-6400 (bei 6000 MT/s), 6 x 64 GB DDR5-6400 (bei 6000 MT/s) Workload 50 % Speicher 100 % Speicher Relativ Normalisiert (HIB) Memcached 5581297,57 5601003,16 0,996 nginx 348480,18 347401,43 1,003

    ffmpeg 22,912 22,679 0,99

    python 203,185 202,906 0,999

    Geometrisches Mittel 0,997

  4. 9xx5-282: Schätzung des Workloads von MySQL TPC-H-Derivativen (SQL Server OLTP Brokerage) basierend auf internen Messungen von AMD vom 01.04.2026. Der MySQL TPC-H-Workload wird vom TPC-Benchmark™ Standard abgeleitet und ist als solcher nicht vergleichbar mit veröffentlichten TPC-H™-Ergebnissen, da die Ergebnisse nicht dem TPC-H-Benchmark-Standard entsprechen.

    5. Workload-Konfigurationen: MySQL 8.0.39, SF3000

    1P-Referenzsystem mit AMD EPYC 9655 (96 Kerne gesamt), Ubuntu 24.04.2 LTS (Linux 6.8.0-60-generic), BIOS RVC100DB, SMT = on, Mitigations = off, Power Determinism, Speicherkonfigurationen: 12 x 128 GB DDR5-6400 (100 % Kapazität), 12 x 96 GB DDR5-6400 (~75 % Kapazität),

    12 x 64 GB DDR5-6400 (~50 % Kapazität)

    DIMM Bewertung Relativ

    128 2065198,0 1,00

    96 1949138,6 0,95

    64 1500947,6 0,73

    Die Workload-Performance mit reduzierter Speicherkapazität hängt von den Workload-Eigenschaften und der Speicherempfindlichkeit ab. Die angezeigten Ergebnisse sind auf die getesteten spezifischen Workloads beschränkt und sollten nicht auf andere Workloads verallgemeinert werden. Einflussfaktoren auf diese spezifischen Ergebnisse umfassen unter anderem Systemkonfigurationen, Softwareversionen und BIOS-Einstellungen. TPC, TPC Benchmark und TPC-H sind Marken des Transaction Processing Performance Council