ИИ требует не только больше вычислений, но и больше места для данных

Когда речь заходит об инфраструктуре искусственного интеллекта, основное внимание обычно уделяется процессорам, GPU, сетям и вычислительной мощности.

Однако по мере масштабирования AI-систем становится очевидно, что одной вычислительной мощности недостаточно.

Для обучения моделей, их доработки и последующего инференса требуются огромные объёмы информации. При этом данные не исчезают после завершения конкретного вычислительного цикла. Они продолжают храниться, накапливаться и использоваться в новых задачах.

Именно этот процесс становится одним из главных факторов изменения экономики современной IT-инфраструктуры.

Согласно исследованию IDC, проведённому при поддержке Western Digital, почти 94,7% опрошенных организаций сообщили о росте объёма хранимых данных за последние 12 месяцев из-за распространения AI и генеративного ИИ. При этом 61% участников отметили рост данных как минимум на 25% за год. 

Получается своеобразный замкнутый цикл:

ИИ использует данные → ИИ создаёт новые данные → новые данные сохраняются → накопленная информация снова используется ИИ.

Именно поэтому вопрос хранения постепенно превращается в один из центральных вопросов развития AI-инфраструктуры.

Исследование IDC: данные растут быстрее и живут дольше

Исследование, на которое ссылается PConline, охватило 763 руководителей уровня менеджмента и выше из семи стран. Все участники непосредственно отвечали за AI-инфраструктуру или решения в области хранения данных. 

Результаты показывают сразу несколько важных тенденций.

Показатель	Результат исследования
Организации, где объём данных вырос за последний год из-за AI	94,7%
Организации с ростом данных минимум на 25% за год	61%
Ожидающие рост данных минимум на 25% в ближайшие 3 года	74%
Организации с увеличившимся data lake	85,4%
Участники, считающие AI главным источником роста data lake	59,4%
Организации, где AI повысил ценность данных	около 95%
Организации, увеличившие срок хранения данных	74,3%
Компании, возвращающие архивные данные в активное использование	75,9%
Ожидающие потребность в более быстром доступе к архивам для AI/RAG	96%
Учитывающие TCO на каждый ТБ при выборе хранения	98,2%

Все приведённые показатели основаны на исследовании IDC, опубликованном в 2026 году. 

Эти цифры показывают важное изменение: организациям становится недостаточно просто купить больше быстрых накопителей.

Им требуется построить систему, способную дёшево хранить огромные объёмы данных, быстро возвращать нужную информацию и при этом не превращать инфраструктуру в чрезмерно дорогую систему.

Почему AI создаёт проблему хранения данных

У традиционной IT-инфраструктуры существовало достаточно понятное разделение.

Есть данные, которые активно используются прямо сейчас. Они хранятся на быстрых системах.

Есть информация, которая нужна редко. Её можно переместить в более дешёвый архив.

Но искусственный интеллект постепенно разрушает эту границу.

Модель может потребовать старый документ, исторический журнал, архивное изображение или данные предыдущего проекта спустя месяцы после их создания.

То, что раньше считалось «холодными данными», неожиданно становится полезным источником для нового AI-сценария.

Например, архив корпоративных документов может использоваться для построения RAG-системы. Старые журналы работы оборудования могут стать источником для обучения аналитической модели. Исторические данные продаж могут понадобиться для нового прогноза.

Поэтому дата больше нельзя оценивать только по тому, насколько часто к ней обращаются сегодня.

Важно понимать её потенциальную ценность в будущем.

AI создаёт собственные данные

Искусственный интеллект не только потребляет существующую информацию.

Он сам создаёт огромные объёмы новых данных.

К ним относятся:

• результаты инференса;

• логи моделей;

• контрольные точки обучения;

• синтетические данные;

• промежуточные результаты вычислений;

• результаты экспериментов;

• данные для оценки моделей;

• журналы AI-систем.

Согласно IDC, 59,4% опрошенных организаций считают данные, создаваемые AI, включая синтетические данные, результаты инференса и модельные логи, главным фактором роста data lake. 

Таким образом, AI одновременно становится крупнейшим потребителем и одним из крупнейших производителей данных.

Data lake продолжает расширяться

Отдельная проблема связана с data lake — хранилищами, в которых организации собирают большие массивы информации для последующей обработки и анализа.

По данным исследования, 85,4% организаций увеличили ёмкость своих data lake за последние 12 месяцев. 

При этом рост происходит не только за счёт классических бизнес-данных.

В data lake поступают результаты работы AI, логи, синтетическая информация и другие материалы, которые могут потребоваться для будущих проектов.

Поэтому традиционный подход «сохранять только то, что используется сейчас» становится всё менее практичным.

Чем больше AI-систем появляется внутри компании, тем больше информации необходимо сохранить на будущее.

Архивные данные возвращаются в работу

Одна из наиболее интересных тенденций, выявленных IDC, заключается в изменении отношения к архивам.

Раньше архив часто означал:

данные нужны редко → переносим их в дешёвое хранилище → практически не трогаем.

В AI-эпоху появляется другой сценарий:

данные редко используются человеком → но могут понадобиться модели → значит, их необходимо сохранить и обеспечить возможность быстрого извлечения.

Согласно исследованию, 75,9% респондентов сообщили, что всё чаще возвращают архивные данные из холодного хранения в активные рабочие процессы для поддержки AI-нагрузок. 

Это фундаментально меняет значение архива.

Он перестаёт быть просто «складом старых файлов».

Архив превращается в потенциальный источник новых знаний.

RAG повышает требования к архивам

Особенно хорошо эту тенденцию демонстрируют RAG-системы.

Retrieval-Augmented Generation позволяет языковой модели получать дополнительную информацию из внешней базы данных непосредственно во время формирования ответа.

В корпоративной среде это может быть база внутренних документов, техническая документация, договоры, инструкции, история проектов и другие материалы.

Чем больше такой информации сохраняет компания, тем выше потенциальная ценность системы.

Но возникает проблема.

Если нужный документ находится в глубоком архиве и его получение занимает слишком много времени, использование RAG становится менее эффективным.

Именно поэтому 96% участников исследования ожидают потребность в более быстром доступе к архивным данным для AI-инференса и RAG-приложений.

Получается парадокс:

данные могут храниться на дешёвом уровне, но при необходимости они должны достаточно быстро возвращаться в активный рабочий процесс.

Почему нельзя хранить всё на самых быстрых SSD

На первый взгляд решение кажется простым: если AI требует быстрого доступа, можно просто использовать SSD.

Проблема заключается в стоимости.

Чем больше становится объём данных, тем сильнее начинает влиять стоимость хранения каждого дополнительного терабайта.

Если компания увеличивает объём информации в десятки или сотни раз, хранить абсолютно всё на максимально производительном уровне становится экономически невыгодно.

Именно поэтому современная AI-инфраструктура должна использовать несколько уровней хранения.

Условно их можно представить так:

быстрое хранилище → тёплое хранилище → холодное хранилище → архив.

Главная задача заключается не в том, чтобы сделать каждый уровень максимально быстрым.

Необходимо правильно определить, какие данные действительно требуют высокой производительности, а какие можно хранить дешевле.

HDD получают новую роль

На фоне бума AI может показаться, что механические жёсткие диски окончательно уступят место SSD.

Однако ситуация сложнее.

SSD действительно необходимы там, где требуется высокая скорость доступа и большое количество операций ввода-вывода.

Но когда речь идёт о масштабном хранении огромных массивов информации, стоимость одного терабайта становится критически важным параметром.

Именно здесь HDD сохраняют значимость.

Они позволяют создавать большие ёмкости хранения при более низкой стоимости по сравнению с наиболее производительными SSD-системами.

Поэтому развитие AI не обязательно означает исчезновение HDD.

Напротив, увеличение объёма данных может создавать дополнительный спрос на ёмкие и экономичные системы хранения.

Исследование IDC, спонсированное Western Digital, как раз посвящено этой роли HDD в эпоху искусственного интеллекта. 

AI-инфраструктура — это не только GPU

Долгое время обсуждение AI-инфраструктуры строилось вокруг одного вопроса:

сколько вычислительной мощности нужно для запуска модели?

Но по мере масштабирования AI-систем появляется более сложная цепочка:

данные → хранение → сеть → вычисления → результат → новые данные → повторное хранение.

Если хотя бы одно звено оказывается слишком дорогим или медленным, эффективность всей системы снижается.

Например, компания может приобрести огромное количество GPU, но затем столкнуться с тем, что необходимые данные слишком долго передаются из хранилища.

Или наоборот: организация может построить дешёвое хранилище огромной ёмкости, но не обеспечить необходимую скорость извлечения данных для AI-нагрузки.

Поэтому современная инфраструктура должна проектироваться как единая система.

Важна стоимость всего жизненного цикла данных

IDC отдельно обращает внимание на показатель TCO — Total Cost of Ownership, то есть совокупную стоимость владения.

В исследовании 98,2% организаций назвали стоимость одного терабайта важным или очень важным фактором при выборе систем хранения. 

Но стоимость хранения — это не только цена самого накопителя.

На итоговую экономику влияют:

• покупка оборудования;

• электроэнергия;

• охлаждение;

• обслуживание;

• сетевое оборудование;

• замена компонентов;

• программное обеспечение;

• резервное копирование;

• миграция данных;

• управление архивами;

• стоимость доступа к информации.

Поэтому дешевый накопитель не обязательно означает дешёвую инфраструктуру в целом.

Гораздо важнее стоимость хранения и использования данных на протяжении всего жизненного цикла.

Более 60% data lake — холодные или низкоактивные данные

Исследование показывает ещё одну важную особенность современных хранилищ.

В среднем 74,6% данных организаций находятся в тёплом, редко используемом или холодном слоях хранения. Более 60% ёмкости data lake приходится на холодные либо низкочастотные данные. 

Это означает, что подавляющее большинство информации не требует постоянного доступа на максимальной скорости.

Поэтому строить инфраструктуру исключительно вокруг дорогих высокопроизводительных накопителей экономически нерационально.

Гораздо логичнее распределять данные по уровням.

Горячие данные

Это информация, к которой обращаются постоянно.

Для неё важны:

• минимальная задержка;

• высокая скорость чтения;

• высокая производительность при параллельных запросах.

Здесь оправдано использование быстрых SSD и специализированных систем.

Тёплые данные

Информация используется регулярно, но не постоянно.

Здесь уже можно искать баланс между стоимостью и производительностью.

Холодные данные

К ним обращаются редко, однако полностью удалять их нельзя.

Главное требование — большая ёмкость при разумной стоимости.

Именно здесь HDD могут играть особенно важную роль.

Архив

Самый дешёвый уровень предназначен для информации, которая редко требуется напрямую, но должна сохраняться на протяжении длительного периода.

Однако AI постепенно меняет это представление.

Архив может внезапно стать источником данных для новой модели или аналитической системы.

История данных становится ценнее

Один из наиболее важных выводов исследования заключается в том, что AI повышает ценность уже накопленной информации.

Почти 95% опрошенных сообщили, что ценность данных в их организациях выросла благодаря AI и генеративному ИИ. Кроме того, 74,3% заявили, что AI заставил их увеличить срок хранения информации. 

Это меняет экономическую модель хранения.

Раньше старые данные могли рассматриваться как расход.

Теперь они могут рассматриваться как актив.

Например, архив продаж за десять лет может использоваться для построения новой прогнозной модели.

История обращений в службу поддержки может помочь обучить AI-систему для автоматизации ответов.

Старые производственные данные могут использоваться для прогнозирования отказов оборудования.

Документы прошлых проектов могут стать базой знаний для нового AI-ассистента.

Таким образом, ценность данных может проявиться спустя годы после их создания.

AI превращает хранение в стратегический ресурс

Изменение отношения к данным влияет и на IT-архитектуру компаний.

Раньше хранилище часто воспринималось как вспомогательный элемент инфраструктуры.

Есть серверы — им нужны диски.

Есть приложения — им нужна база данных.

Но AI меняет эту логику.

Теперь сами данные становятся фундаментом всей системы.

Без них невозможно:

• обучение моделей;

• дообучение;

• RAG;

• аналитика;

• оценка качества AI;

• генерация синтетических наборов;

• восстановление результатов;

• аудит;

• повторное использование старых данных.

Поэтому выбор системы хранения становится архитектурным решением такого же уровня, как выбор вычислительной платформы.

Что это означает для дата-центров

Для дата-центров распространение AI означает необходимость масштабировать не только вычислительные мощности.

Нужно увеличивать:

• ёмкость хранения;

• пропускную способность сетей;

• количество уровней хранения;

• возможности резервного копирования;

• скорость восстановления архивов;

• системы управления жизненным циклом данных.

Причём требования будут продолжать меняться.

Сегодня определённый массив информации может считаться холодным.

Завтра появится новый AI-проект, которому эти данные понадобятся.

Следовательно, инфраструктура должна быть достаточно гибкой, чтобы перемещать информацию между уровнями хранения без огромных затрат.

Почему будущее — за многоуровневой инфраструктурой

Универсального накопителя для всех AI-задач не существует.

SSD отлично подходит для производительных задач.

HDD выгоден там, где главным фактором становится ёмкость.

Архивные системы нужны для долгосрочного хранения.

Облачные сервисы позволяют гибко масштабировать ресурсы.

В итоге наиболее рациональная архитектура представляет собой комбинацию разных технологий.

Условно её можно представить следующим образом:

SSD — максимальная скорость

↓

HDD — большая ёмкость и стоимость хранения

↓

архив — долгосрочное сохранение

При этом программный уровень должен понимать, где находится конкретный набор данных и когда его необходимо переместить.

Главное изменение AI-эпохи: данные больше не «стареют»

Пожалуй, самый интересный вывод из исследования заключается в том, что традиционное понятие «старых данных» постепенно теряет смысл.

Если информация однажды была создана, это ещё не означает, что её ценность со временем исчезает.

AI может обнаружить новое применение информации через несколько месяцев или даже лет.

Поэтому организациям приходится балансировать между двумя противоположными требованиями:

хранить больше данных

и одновременно

делать это экономически эффективно.

Именно здесь HDD, холодное хранение и многоуровневая архитектура получают новую актуальность.

Что ждёт рынок хранения данных

Если объёмы AI-данных продолжат расти, инфраструктуре потребуется всё больше ёмкости.

Причём рост будет происходить одновременно в нескольких направлениях:

1. Будут увеличиваться объёмы обучающих данных.

2. Будет расти количество данных, создаваемых самими AI-системами.

3. Будут дольше храниться результаты работы моделей.

4. Старые архивы будут чаще возвращаться в активное использование.

5. RAG будет повышать требования к доступности корпоративных данных.

6. Стоимость хранения одного терабайта станет ещё более важным параметром.

Это означает, что рынок хранения не сводится к простой гонке за максимальной скоростью.

В AI-эпоху всё большее значение получает соотношение ёмкости, производительности, доступности и стоимости.

Итог

Распространение искусственного интеллекта постепенно меняет само представление о хранении данных.

AI требует больших массивов информации для обучения и инференса, но одновременно сам генерирует новые данные — логи, синтетические наборы, результаты вычислений и другие материалы. Согласно исследованию IDC, почти 95% опрошенных организаций уже сообщили о росте объёма данных из-за AI, а почти столько же отмечают увеличение их ценности. 

При этом исторические данные перестают быть пассивным архивом. Компании всё чаще возвращают холодную информацию в рабочие процессы, а развитие RAG повышает потребность в быстром извлечении ранее сохранённых материалов.

В таких условиях хранение данных становится частью AI-архитектуры, а не второстепенным компонентом.

SSD будут отвечать за скорость, HDD — за масштабную ёмкость, а многоуровневые системы — за баланс между производительностью и стоимостью.

Именно поэтому развитие искусственного интеллекта может оказаться не концом эпохи HDD, а, напротив, одним из факторов их нового технологического значения.

Главный вопрос будущей AI-инфраструктуры будет заключаться уже не только в том, сколько вычислительной мощности доступно, но и в том, сколько данных компания способна экономично хранить, быстро находить и повторно использовать.

Если есть следующая ссылка — присылай, продолжу эту серию в том же SEO-формате.