Firma WD opisała skalę danych, które pozostają w infrastrukturze po wykonaniu zadań przez modele AI. Materiał opublikowano 22 października 2026 r. w MIT Technology Review, ale przygotowała go firma WD, a nie redakcja serwisu. Główny wniosek dotyczy budżetowania: koszty AI nie kończą się na układach GPU i energii, ponieważ wraz z liczbą zapytań stale rośnie zapotrzebowanie na pamięć masową.
Dlaczego inferencja stale zwiększa ilość danych
Planowanie infrastruktury AI przez długi czas koncentrowało się na trenowaniu modeli. Trening ma wyraźny początek i koniec. Firma może oszacować potrzebną moc obliczeniową, przeprowadzić zadanie, a następnie zwolnić lub wykorzystać zasoby do innego projektu.
Inferencja, czyli korzystanie z wytrenowanego modelu do generowania odpowiedzi, działa inaczej. System wykonuje ją za każdym razem, gdy użytkownik wysyła prompt, tworzy obraz lub zleca przygotowanie filmu. Po obsłużeniu zapytania w zapleczu mogą pozostać logi, kopie, zapis kontekstu, wyniki pośrednie oraz informacje potrzebne do kontroli bezpieczeństwa.
Obciążenie obliczeniowe może zmieniać się wraz z liczbą użytkowników, premierami produktów i cyklami wymiany sprzętu. Ilość zachowanych danych zwykle nie spada jednak automatycznie razem z wykorzystaniem procesorów. Jeżeli organizacja nie ustali zasad retencji, kolejne zadania zwiększają zajętą pojemność nawet wtedy, gdy bieżące zapotrzebowanie na obliczenia maleje.
McKinsey prognozuje, że do 2030 r. popyt związany z inferencją będzie rósł w skumulowanym rocznym tempie 35 proc. Dla trenowania modeli prognoza wynosi 22 proc. Pod koniec dekady inferencja ma odpowiadać za ponad 40 proc. całkowitego zapotrzebowania centrów danych.
Ośmiosekundowy film zostawił ponad 500 MB danych
WD przedstawiła pomiar wykonany dla generowania filmu przez AI. Plik przekazany użytkownikowi miał długość 8 sekund, rozdzielczość 720p i rozmiar 3,97 MB. Po stronie zaplecza zadanie pozostawiło ponad 500 MB powiązanych danych.
Na tę objętość składały się między innymi logi, zapisany kontekst, natychmiastowe rendery, kopie zapasowe i zapisy związane z bezpieczeństwem. Według WD oznaczało to około 130 razy więcej danych niż rozmiar gotowego pliku widocznego dla użytkownika. Pomiar pokazuje, dlaczego liczba plików wynikowych nie wystarcza do prognozowania potrzeb pamięci masowej.
Przy dłuższych filmach i wyższej rozdzielczości zaplecze może według materiału gromadzić setki gigabajtów na jeden klip. Źródło nie podaje jednak konfiguracji modelu, czasu przechowywania poszczególnych danych ani szczegółowej metody wykonania tego pomiaru. Wyniku nie należy więc automatycznie przenosić na każdy system generowania wideo.
Szerszy obraz przedstawia globalne badanie IDC sponsorowane przez WD. Objęło ono 763 osoby podejmujące decyzje biznesowe i informatyczne. Prawie 95 proc. respondentów zgłosiło wzrost ilości danych wskutek używania generatywnej AI w ciągu poprzednich 12 miesięcy, a około 61 proc. odnotowało wzrost wynoszący co najmniej 25 proc.
Archiwa muszą szybciej zasilać inferencję i RAG
Zachowane dane coraz częściej przestają być materiałem, który trafia do archiwum i pozostaje tam bez użycia. Logi modeli, syntetyczne wyniki i rezultaty inferencji mogą wrócić do aktywnego obiegu jako dane wejściowe dla kolejnych zadań AI. Zmienia to wymagania wobec pamięci masowej, ponieważ liczy się zarówno pojemność, jak i czas ponownego dostępu.
Dotyczy to między innymi generowania wspomaganego wyszukiwaniem, czyli RAG. W takim rozwiązaniu model korzysta z dokumentów pobieranych ze wskazanego repozytorium. Jeżeli odczyt danych trwa zbyt długo, kosztowne zasoby obliczeniowe mogą pozostawać bezczynne podczas oczekiwania na informacje.
W badaniu IDC sponsorowanym przez WD 96 proc. respondentów przewidywało, że będą potrzebować szybszego pobierania danych z archiwów na potrzeby inferencji lub RAG. Oznacza to, że tradycyjny podział na aktywne dane i niemal niedostępne archiwum staje się mniej użyteczny w systemach, które regularnie wracają do starszych zasobów.
WD wskazuje dyski HDD jako pojemną podstawę dla dużych zbiorów, które trzeba długo zachowywać i ponownie odczytywać. Firma podkreśla ich przewagę kosztu na terabajt, ale w materiale nie przedstawia konkretnego porównania cen ani parametrów z innymi technologiami pamięci.
Dlaczego budżet AI nie kończy się na układach GPU
Budżety infrastruktury AI często eksponują serwery, akceleratory i energię. Pamięć masowa może początkowo wyglądać jak niewielki dodatek do kosztów obliczeń. Jej koszt narasta jednak z każdym zachowanym wynikiem, logiem i plikiem pośrednim, dlatego po kilkunastu miesiącach może zajmować znacznie większą część budżetu.
Materiał wskazuje okres od 12 do 18 miesięcy jako moment, w którym niedoszacowany wydatek na przechowywanie danych może stać się istotną częścią kosztu programu AI. Problem może ujawnić się akurat wtedy, gdy kierownictwo ocenia możliwość rozszerzenia wdrożenia. Firma zobaczy go w rosnących kosztach operacyjnych albo w opóźnieniach dostępu, a niekoniecznie w planie nakładów inwestycyjnych na akceleratory.
Przykładem jest sieć handlowa generująca filmy produktowe. Koszt pojedynczej generacji można przewidzieć na podstawie stawki za wykonanie zadania, ale każdy film może zwiększać ilość danych zaplecza. Podobna sytuacja występuje u ubezpieczyciela, który przetwarza dokumenty dotyczące roszczeń w systemie RAG. Każde kolejne zapytanie ma koszt obliczeniowy, a zachowane dokumenty i rezultaty powiększają wymagania pojemnościowe.
Przepustowość pamięci wpływa również na wykorzystanie GPU. Gdy model czeka na dostarczenie danych, akcelerator pozostaje bezczynny, choć firma nadal ponosi jego koszt. Dodatkowa pojemność i odpowiednia szybkość odczytu mogą więc służyć utrzymaniu wykorzystania sprzętu obliczeniowego, a nie wyłącznie przechowywaniu plików.
Jak dopasować warstwy pamięci do cyklu życia danych
Według materiału firmy często projektują pamięć pod najdroższą warstwę przeznaczoną do natychmiastowego i częstego dostępu. Tymczasem duża część danych AI z czasem trafia do warstw ciepłych, chłodnych i zimnych. Nadal może być potrzebna, ale nie musi pozostawać na nośnikach o najwyższej wydajności.
Architektura powinna uwzględniać pełny cykl życia danych oraz równoważyć szybkość, pojemność, zużycie energii, niezawodność i całkowity koszt posiadania. Decyzji nie należy ograniczać do wyboru pojedynczego dysku. Ich skutki pojawiają się w całych flotach urządzeń, gdzie znaczenie mają gęstość zapisu i efektywność operacyjna.
WD proponuje, aby przed kolejnym cyklem budżetowym organizacje odpowiedziały na trzy pytania:
- Kto ustalił zasady retencji treści generowanych przez AI i jak długo poszczególne rodzaje danych mają być przechowywane?
- Czy zakupy pamięci wynikają z wymagań treningu, czy z rzeczywistego cyklu życia danych tworzonych przez system?
- Czy dwukrotny wzrost wykorzystania AI podwoi koszt pamięci masowej, czy zwiększy go jeszcze bardziej?
Odpowiedzi pozwalają oddzielić dane wymagające szybkiego dostępu od tych, które można przenieść do tańszej warstwy. Pomagają również określić, które logi, kopie i wyniki pośrednie rzeczywiście trzeba zachować, zamiast traktować ich gromadzenie jako automatyczny skutek działania modelu.
Dla firm w Polsce oznacza to potrzebę uwzględnienia pamięci masowej już podczas przechodzenia z pilotażu do środowiska produkcyjnego. Prognoza powinna obejmować wzrost ilości danych, czas ich przechowywania i częstotliwość ponownego użycia, szczególnie gdy organizacja planuje RAG lub generowanie treści multimedialnych.
