Cisco und NVIDIA ermöglichen Splunk AI on‑Premises und in privaten Clouds

Cisco hat angekündigt, dass die KI‑Funktionalitäten von Splunk nun nicht mehr ausschließlich in öffentlichen Cloud‑Umgebungen laufen, sondern auch in firmeneigenen Rechenzentren, privaten Clouds und streng isolierten Netzwerken betrieben werden können. Die neue Lösung kombiniert dabei die Cisco AI POD for Splunk mit NVIDIA‑Beschleunigern und einer vorvalidierten Software‑Stack, die auf Kubernetes bzw. Red Hat OpenShift aufsetzt. Ziel ist es, Unternehmen eine vertrauenswürdige und skalierbare KI‑Plattform zu bieten, die vollständig innerhalb ihrer eigenen Infrastruktur verbleibt und damit den strengen Anforderungen an Datenhoheit und Sicherheit gerecht wird.

Der Kern der Architektur besteht aus vier miteinander verflochtenen Bausteinen. Erstens kommt die IA‑Ausführungssoftware zum Einsatz, die die eigentliche Modellinferenz steuert. Zweitens sorgt die Cisco‑Netzwerkinfrastruktur für die notwendige Konnektivität und den Datenfluss zwischen den Komponenten. Drittens stellen die NVIDIA‑Beschleuniger die erforderliche Rechenleistung bereit, um anspruchsvolle Modelle in Echtzeit zu bedienen. Und viertens orchestriert Kubernetes sämtliche Ressourcen, sodass Workloads dynamisch skaliert und zuverlässig verteilt werden können. Cisco betont, dass diese Kombination speziell für Splunk Enterprise entwickelt wurde und sowohl klassische Rechenzentren als auch private Cloud‑Umgebungen unterstützt.

Ein zentrales Element der Lösung ist die Integration des Splunk AI Assistant, der nahtlos in die Cisco Secure AI Factory eingebettet ist. Dadurch erhalten Nutzer die Möglichkeit, verschiedene KI‑Modelle – darunter Cisco Deep Time Series, Google Gemma 4 und OpenAI GPT‑OSS 20B – lokal zu hosten und zu betreiben. NVIDIA hat zudem angekündigt, dass offene Modelle der Nemotron‑Reihe in den kommenden Monaten verfügbar sein werden, was die Auswahl an trainierbaren Modellen weiter erweitert.

Erweiterte Observability für Agenten

Um die Transparenz und Steuerbarkeit von KI‑Workloads zu erhöhen, liefert Cisco ein neues Observability‑Framework speziell für Splunk‑Agenten. Das Splunk Agent Observability‑Tool überwacht kontinuierlich das Verhalten und die Leistung der KI‑Komponenten. Es erfasst Kennzahlen zur GPU‑Auslastung, zu Vektor‑Datenbanken, zum Speicherverbrauch und zu Orchestrierungs‑Events. Zusätzlich können sogenannte Guardrails definiert werden, die sicherstellen, dass Ressourcen nicht unkontrolliert überbeansprucht werden.

Ein weiteres Highlight ist die Tokenomics‑Funktion, die den Verbrauch von KI‑Token einzelnen Projekten zuordnet. Sie verfolgt die Nutzung von Modellen wie Claude Code, Codex und Cursor und liefert Unternehmen eine klare Übersicht über potenzielle Kosten, sodass Budgetüberschreitungen frühzeitig erkannt und vermieden werden können.

Werkzeuge zur Integration und Analyse

Observability Studio ermöglicht die nahtlose Integration von OpenTelemetry‑Daten in Splunk, wodurch Telemetriedaten aus verschiedensten Quellen konsolidiert und analysiert werden können. Parallel dazu verknüpft die Network Intelligence App die Netzwerk‑Topologie, den Gesundheitszustand von Geräten und Ereignisse aus dem Cisco‑Ökosystem mit den Splunk‑Daten. Diese beiden Komponenten sollen Unternehmen dabei unterstützen, komplexe KI‑Umgebungen besser zu verstehen, Engpässe zu identifizieren und fundierte Entscheidungen zu treffen.

Erwartete Weiterentwicklungen

Cisco weist darauf hin, dass im Laufe des Jahres 2026 der Agent Launchpad verfügbar sein wird. Dieses zusätzliche Tool soll die Verwaltung, Bereitstellung und das Monitoring von KI‑Agenten weiter vereinfachen und damit den operativen Aufwand für IT‑Teams reduzieren.

Analyse von Network World

Network World hebt das Potenzial der Lösung für Souveränität und Datenschutz hervor, weil Kunden die vollständige Kontrolle über Standort, Sicherheit und Betrieb behalten. Der Bericht warnt jedoch, dass lokale Deployments nicht automatisch alle Risiken oder Kosten eliminieren. Unternehmen müssen weiterhin Aspekte wie GPU‑Kapazität, Energieverbrauch, Support‑Modelle, Update‑Strategien, Isolation und Audit‑Kompetenz berücksichtigen.

Kernvorteile im Überblick

• Vollständige Datenhoheit durch On‑Premises‑Deployment
• Skalierbare KI‑Leistung dank NVIDIA‑Beschleuniger
• Umfassende Observability‑Tools für Ressourcen‑ und Kostenkontrolle
• Einbindung gängiger KI‑Modelle und zukünftiger offene Modelle

Fazit für deutsche Unternehmen

Für Unternehmen in Deutschland, die aufgrund regulatorischer Vorgaben oder Datenschutzbedenken eine lokale KI‑Plattform benötigen, bietet die Cisco‑NVIDIA‑Integration eine attraktive Option. Sie kombiniert bewährte Infrastruktur mit flexiblen Observability‑Tools und ermöglicht gleichzeitig eine klare Kostenkontrolle über die Tokenomics‑Funktion.

Deutsche Organisationen sollten vor einer Einführung prüfen, ob ihre GPU‑Kapazitäten den erwarteten Workload‑Anforderungen entsprechen, ob die Energie‑ und Kühlungsinfrastruktur ausreichend dimensioniert ist, ob klare Prozesse für Updates und Sicherheits‑Patches definiert wurden, und ob interne Audit‑ und Compliance‑Rollen die nötige Expertise besitzen, um die neue Umgebung kontinuierlich zu überwachen und zu bewerten.