Vertiv: "Bij enterprise AI begint de keuze bij de workload, niet bij de locatie"
Veel organisaties zien AI nog als een keuze tussen cloud en on-premises. Volgens Vertiv is dat het verkeerde startpunt. Op GTC Berlin 2026 presenteerde het bedrijf het rapport *Designing Infrastructure for Enterprise AI*, bedoeld om IT-leiders te helpen bij beslissingen over implementatie, governance, kosten en infrastructuur nu AI van experiment naar productie gaat. Dutch IT Channel sprak op het evenement met Stefano Mozzato, VP Marketing EMEA bij Vertiv, over de belangrijkste bevindingen.
Volgens Mozzato is enterprise AI geen eenduidig begrip. "Verschillende AI-workloads stellen andere eisen aan latency, governance, datagevoeligheid en schaal", legt hij uit. De vraag is daarom niet waar AI moet draaien, maar wat de workload nodig heeft en welke omgeving de beste combinatie van prestaties, controle en kosten biedt. Vertiv pleit dan ook voor een portfolio-aanpak in plaats van een entweder-ofkeuze.
Zes AI-archetypen
Het rapport is opgebouwd rond zes AI-archetypen. Organisaties zouden volgens Vertiv moeten beginnen bij de workload en niet bij de technologie. Een generatieve AI-assistent vraagt immers iets anders van de infrastructuur dan een predictive-analyticsplatform of een realtime industrieel besturingssysteem.
Door te kijken naar schaal, bedrijfskritische aard, latency, datagevoeligheid en data gravity kunnen organisaties volgens Mozzato "veel betere beslissingen" nemen over architectuur, implementatielocatie en infrastructuurontwerp.
Facility readiness als remmende factor
Op de vraag waarom AI-initiatieven vaak vastlopen bij de overgang van pilot naar productie, is het antwoord van Mozzato duidelijk: in veel gevallen ligt het aan de gereedheid van de infrastructuur. Beschikbaar vermogen, koelcapaciteit en netwerkinfrastructuur bepalen uiteindelijk wat er kan worden uitgerold en binnen welke termijn.
Organisaties richten zich volgens hem vaak vooral op de AI-toepassing zelf, terwijl de gereedheid van de faciliteit zodra AI gaat opschalen regelmatig de beperkende factor is.
Succes begint bij de workload
Als CIO's en IT-leiders één ding onthouden uit het rapport, dan is het volgens Mozzato dit: enterprise AI is geen one-size-fits-all-beslissing. Succesvolle organisaties begrijpen hun workloads, koppelen die aan het juiste implementatiemodel en bouwen een infrastructuur die kan meegroeien met de adoptie van AI. "Wie bij de workload begint, ziet de juiste keuzes voor implementatie en infrastructuur veel helderder", aldus Mozzato.
Het raamwerk uit het rapport vertaalt zich daarmee in een logische volgorde: eerst de workload begrijpen, daarna schaal en randvoorwaarden in kaart brengen, vervolgens het juiste implementatiemodel kiezen en ten slotte zorgen dat de infrastructuur klaar is voor toekomstige groei.
Over Marco van der Hoeven
