37 www.net-im-web.de 04/2026 tive KI, Analyseplattformen oder intelligente Assistenzsysteme. Auf den ersten Blick ähnelt das klassischen Client-Server-Architekturen. Technisch sind die Anforderungen jedoch deutlich höher. KI-Anwendungen erzeugen einen stark bidirektionalen Datenverkehr. Anfragen und Antworten bauen aufeinander auf, reagieren auf den jeweiligen Kontext und müssen oft in sehr kurzer Zeit verarbeitet werden. Deshalb verlagert sich die sogenannte Inferenz zunehmend vom zentralen Rechenzentrum an den Rand des Netzes, näher an Nutzer, Geräte oder Datenquellen. Inferenz bezeichnet den Moment, in dem ein trainiertes KI-Modell eingehende Daten auswertet und daraus eine Vorhersage, Entscheidung oder Antwort ableitet. Die Verlagerung an den Netzrand reduziert Latenz, schont Ressourcen und erleichtert den Umgang mit sensiblen Daten. Für Netze bedeutet das: Es geht nicht mehr nur um Durchsatz. Entscheidend ist, ob Verbindungen flexibel aufgebaut werden können, ob sich Pfade an Anwendungskontexte anpassen lassen und ob das Netz Auslastung und Verzögerungen in Echtzeit erkennt. Anwendungen wie immersive XRSysteme zeigen das deutlich. Hier führt bereits leichte Instabilität zu spürbaren Qualitätseinbußen. Das Netz bleibt Transportebene, muss sich aber bereits wie ein aktiver Bestandteil des Anwendungssystems verhalten. Zwischen zentraler Cloud und Endgerät entsteht eine neue Ebene verteilter Rechenleistung. Dort werden Daten vorverarbeitet, KI-Modelle ausgeführt und Entscheidungen vorbereitet, bevor Informationen überhaupt ein zentrales Rechenzentrum erreichen. Gerade bei zeitkritischen Anwendungen ist diese Zwischenebene entscheidend. Ein autonomes Fahrzeug kann nicht darauf warten, dass Sensordaten über große Distanzen in eine Cloud übertragen, dort verarbeitet und anschließend zurückgesendet werden. Ähnliches gilt für industrielle Robotik, intelligente Stromnetze oder automatisierte Logistik. Edge-Standorte übernehmen deshalb eine doppelte Funktion. Sie reduzieren Latenz und entlasten zentrale Infrastrukturen. Gleichzeitig ermöglichen sie es, sensible Daten lokal zu verarbeiten und regulatorische Anforderungen besser einzuhalten. Je stärker KI in reale Prozesse eingreift, desto wichtiger wird diese Verteilung von Rechenleistung. Das Netz verbindet dann nicht nur Endpunkte mit der Cloud, sondern orchestriert ein ganzes Geflecht verteilter Intelligenz. KI wirkt im Netz Die zweite Stufe beginnt dort, wo KI nicht mehr nur Informationen liefert, sondern Handlungen steuert. Autonome Fahrzeuge, mobile Roboter oder industrielle Automatisierungssysteme arbeiten in geschlossenen Regelkreisen aus Wahrnehmung, Entscheidung und Aktion. In diesen Szenarien verändert sich die Rolle des Netzes grundlegend. Sensoren erzeugen kontinuierliche Datenströme, meist im Uplink. Entscheidungen müssen in sehr kurzen, vor allem aber stabilen Zeitfenstern umgesetzt werden. Latenzschwankungen wirken sich direkt auf die Regelgüte aus. Paketverluste sind kein Komfortproblem mehr, sondern können sicherheitsrelevant sein. Ein praktisches Beispiel ist ein Roboterschwarm in einer Fertigungshalle. Greift jeder Roboter einzeln über das Netz auf KI-Funktionen zu, nutzt KI weiterhin das Netz. Müssen mehrere Roboter jedoch nanosekundengenau synchron agieren, wird das Netz Teil der Steuerung. Es stellt einen gemeinsamen Zeitbezug her, koordiniert Ressourcen und sorgt dafür, dass Bewegungen abgestimmt erfolgen. In dieser Stufe reicht es nicht aus, einzelne Netzsegmente zu optimieren. Deterministisches Verhalten entsteht nur Ende-zu-Ende. Funkzugang, Transport, Core, Edge-Compute und Orchestrierung müssen zusammenspielen. Netze übernehmen damit eine aktive Rolle im Gesamtsystem und werden Teil der technischen Verantwortung für stabile und sichere Abläufe, wobei die Anforderungen an Sicherheit und Ausfallsicherheit steigen: Je stärker KI in operative und physische Prozesse eingreift, desto kritischer werden auch Fragen nach Redundanz, Fehlertoleranz und Cybersecurity. Während ein Ausfall bei klassischen Office-Anwendungen meist nur Produktivität kostet, kann eine Störung in KI-gestützten Produktionssystemen, Fahrzeugflotten oder Versorgungsnetzen unmittelbare Auswirkungen auf Sicherheit, Verfügbarkeit und Wirtschaftlichkeit haben. Netze müssen deshalb nicht nur leistungsfähig, sondern auch resilient aufgebaut sein. Dazu gehören neben redundanten Verbindungen (das heißt, eine wichtige Verbindung ist nicht nur einmal vorhanden, sondern wird mehrfach bzw. über alternative Wege bereitgestellt) auch verteilte Rechenressourcen, lokale Fallback-Mechanismen und die Fähigkeit, kritische Prozesse auch dann aufrechtzuerhalten, wenn einzelne Netzbereiche ausfallen. Gleichzeitig wächst die Bedeutung von Sicherheitsmechanismen wie Zero Trust, Segmentierung und kontinuierlicher Anomalieerkennung. Gerade weil KI-Systeme zunehmend eigenständig Entscheidungen vorbereiten oder automatisiert ausführen, müssen Netzbetreiber jederzeit nachvollziehen können, warum bestimmte Reaktionen ausgelöst wurden. Transparenz Wenn KI ins Handeln kommt Lange Zeit war die Rollenverteilung eindeutig. Anwendungen erzeugen Intelligenz, Netze transportieren Daten. Diese Trennung wird durch KI zunehmend unscharf. Bereits heute zeigt sich, dass KI den Datenverkehr verändert (Grafik: Nokia)
RkJQdWJsaXNoZXIy MjE2Mzk=