F5 Technologieausblick 2025

Generative KI hatte 2024 zweifellos einen der größten Einflüsse auf Unternehmen, doch sie ist nicht der einzige Trend und nicht die einzige Technologie, die für Aufsehen sorgt. Ein Zusammenspiel aus hohen Kosten und zunehmender Komplexität führt dazu, dass Workloads aus der Public Cloud zurückgeholt werden – insbesondere Speicher und Daten. Diese Entwicklung wird zweifellos auch von der Notwendigkeit angetrieben, die Datenbestände im Unternehmen so zu organisieren, dass sich die Potenziale der KI ausschöpfen lassen.

Damit verfügen Unternehmen über eine hybride IT-Landschaft, die sich über die Public Cloud, lokale Infrastrukturen und Edge Computing erstreckt. Zwar erwarten wir erhebliche Verlagerungen von Workloads aus der Public Cloud in lokale Umgebungen, doch wir gehen nicht davon aus, dass Unternehmen vollständig auf einen einzigen Standort setzen werden. Sie werden bleiben, was sie schon immer waren: konsequent hybrid.

Dadurch stehen Unternehmen vor erheblichen Herausforderungen, wenn es darum geht, Sicherheit, Bereitstellung und Betrieb über unterschiedliche Umgebungen hinweg zu standardisieren. Die unübersichtliche Vielfalt an APIs und Tools stellt weiterhin eine konkrete Bedrohung für die Stabilität und Skalierbarkeit des digitalen Geschäfts dar.

Vor diesem Hintergrund untersucht F5 Technologien und deren mögliche Auswirkungen auf Unternehmen sowie in der Folge auf die Anwendungsbereitstellung und -sicherheit. Die daraus gewonnenen Erkenntnisse fließen in unsere Pläne, unsere Strategie und die weitere Erforschung neuer Technologien ein. Aus dieser Perspektive geben ausgewählte Technologieexperten von F5 ihre Einschätzungen zu den fünf Schlüsseltechnologien ab, die unserer Ansicht nach im Jahr 2025 den größten Einfluss auf Unternehmen und damit auf die Anwendungsbereitstellung haben werden.

Technologie Nr. 1 im Jahr 2025: WebAssembly

Diese Realität rückt die erste unserer Technologien, die 2025 besondere Aufmerksamkeit verdient, in den Fokus: WebAssembly (Wasm). Wasm ermöglicht Portabilität in hybriden Multicloud-Umgebungen, sodass Anwendungen überall dort bereitgestellt und ausgeführt werden können, wo eine Wasm-Laufzeitumgebung verfügbar ist. Doch Wasm ist mehr als nur die Verwirklichung des Versprechens, Code plattformübergreifend portierbar zu machen. Es bietet Vorteile hinsichtlich Leistung und Sicherheit und eröffnet zugleich neue Möglichkeiten, den Funktionsumfang browserbasierter Anwendungen zu erweitern.

Oscar Spencer, Principal Engineer erklärt:

Bei WebAssembly im Browser sind im Laufe des Jahres 2025 keine drastischen Veränderungen zu erwarten. Die wichtigste Neuerung ist die fortgesetzte Unterstützung der WebAssembly-Garbage-Collection (GC), die bereits in Chrome integriert wurde. Davon profitieren Sprachen wie Dart und Kotlin, die stark auf GC angewiesen sind und ihre Präsenz in Browserumgebungen ausbauen möchten. Auch bei der Nutzung von Python in Browsern besteht Verbesserungspotenzial, wenngleich es noch zu früh ist, die vollständigen Auswirkungen abzuschätzen.

Die größeren Entwicklungen finden jedoch außerhalb des Browsers statt, und zwar mit der Veröffentlichung von WASI (WebAssembly System Interface) Preview 3. Dieses Update führt asynchrone Verarbeitung und Streams ein und löst damit ein wesentliches Problem beim Streaming von Daten in verschiedenen Kontexten, etwa bei Proxys. WASI Preview 3 bietet effiziente Methoden für den Datentransfer in Wasm-Module und aus ihnen heraus und ermöglicht eine präzise Steuerung der Datenverarbeitung, beispielsweise das Ändern von Headern, ohne dafür vollständige Request-Bodys verarbeiten zu müssen. Darüber hinaus verbessert die Einführung asynchroner Verarbeitung die Komponierbarkeit zwischen Sprachen und ermöglicht eine nahtlose Interaktion zwischen asynchronem und synchronem Code, was insbesondere Wasm-nativen Sprachen zugutekommt. Mit der zunehmenden Stabilisierung der WASI-Standards ist mit einer deutlich stärkeren Verbreitung von Wasm zu rechnen. Entwickler erhalten dadurch robuste Werkzeuge und eine zuverlässige Plattform, um auf diesen Fortschritten aufzubauen.

Unter der Annahme, dass Wasm einige der Portabilitätsprobleme früherer Technologien lösen kann, würden sich die Portabilitätsprobleme, mit denen 95 % der Unternehmen heute zu kämpfen haben, auf andere kritische Ebenen des IT-Technologie-Stacks verlagern, etwa auf den IT-Betrieb.

Generative KI stellt sich dieser Herausforderung mit Hochdruck – ebenso wie die zunehmend greifbare Zukunft namens AIOps. Diese visionäre Vorstellung des IT-Betriebs – Änderungen und Richtlinien, die durch KI-basierte Analysen auf Grundlage einer umfassenden Full-Stack-Observability gesteuert werden – rückt dank der unglaublichen Entwicklungsgeschwindigkeit generativer KI jeden Tag näher an die Realität.

Technologie Nr. 2 für 2025: Agentenbasierte KI

Innerhalb von weniger als einem Jahr sind Agenten auf den Plan getreten, die KI-Funktionen ersetzen. Diese als „agentenbasierte KI“ bezeichnete Fähigkeit ist nicht nur im Begriff, betriebliche Abläufe neu zu gestalten, sondern könnte auch ganze Märkte für Unternehmenssoftware verdrängen. Ein Blick auf den Einsatz von KI zur Automatisierung von Arbeitsabläufen, die seit fast zwei Jahrzehnten von SaaS dominiert werden, genügt, um zu erkennen, wie disruptiv diese Fähigkeit sein wird.

Laurent Quérel, Distinguished Engineer erklärt:

Autonome Coding-Agenten stehen kurz davor, die Softwareentwicklung zu revolutionieren, indem sie zentrale Aufgaben wie Codegenerierung, Tests und Optimierung automatisieren. Diese Agenten werden den Entwicklungsprozess erheblich effizienter gestalten, den manuellen Aufwand reduzieren und Projektlaufzeiten verkürzen. Gleichzeitig wird das Aufkommen großer multimodaler Agenten (Large Multimodal Agents, LMAs) die Fähigkeiten von KI über die textbasierte Suche hinaus auf komplexere Interaktionen ausweiten. Diese Agenten werden mit Webseiten interagieren und Informationen aus verschiedenen Formaten wie Texten, Bildern und Videos extrahieren. Dadurch verbessern sie die Art und Weise, wie wir auf Online-Inhalte zugreifen und diese verarbeiten.

Während KI-Agenten das Internet neu gestalten, werden wir die Entwicklung einer speziell auf Agenten zugeschnittenen Browser-Infrastruktur erleben, die sichere und effiziente Interaktionen mit Websites ermöglicht. Dieser Wandel könnte Branchen wie den E-Commerce grundlegend verändern, indem komplexe Aufgaben im Web automatisiert werden und dadurch stärker personalisierte und interaktive Online-Erlebnisse entstehen. Da diese Agenten jedoch zunehmend in den Alltag integriert werden, sind neue Sicherheitsprotokolle und Vorschriften erforderlich, um Bedenken hinsichtlich der KI-Authentifizierung, des Datenschutzes und eines möglichen Missbrauchs Rechnung zu tragen. Bis 2028 wird voraussichtlich ein erheblicher Teil der Unternehmenssoftware KI-Agenten integrieren, wodurch sich Arbeitsprozesse verändern und eine schnellere Token-Generierung in iterativen Workflows Entscheidungen in Echtzeit ermöglicht. Diese Entwicklung wird zudem neue Tools und Plattformen für die agentengesteuerte Webentwicklung hervorbringen und damit einen bedeutenden Meilenstein in der digitalen Landschaft markieren.

Doch um die Vorteile von KI voll auszuschöpfen, braucht man in Wahrheit Daten – und zwar sehr viele. Eine erhebliche Herausforderung, wenn man bedenkt, dass fast die Hälfte (47 %) der Unternehmen zugibt, über keine Datenstrategie für KI zu verfügen (https://www.f5.com/state-of-application-strategy-report). Diese Herausforderung ist nicht zu unterschätzen. Die Menge der in einem Unternehmen vorhandenen Daten – strukturierte und unstrukturierte Daten sowie Echtzeitmetriken – ist schier unvorstellbar. Allein die Katalogisierung dieser Daten erfordert erhebliche Investitionen.

Technologie Nr. 3 für 2025: Datenklassifizierung

Nimmt man Sicherheitsbedenken aufgrund der drastisch wachsenden Angriffsflächen, neue Vorschriften zu Datenschutz und Compliance sowie neue Datenquellen und Bedrohungsvektoren hinzu, entsteht der perfekte Nährboden für robuste Technologien zur Echtzeit-Datenklassifizierung. So ist zu erwarten, dass generative KI-Modelle herkömmliche regelbasierte Systeme bei der Erkennung und Klassifizierung von Unternehmensdaten übertreffen werden.

James Hendergart, Senior Director Technology Research erklärt:

Die Datenklassifizierung gewann 2024 aufgrund mehrerer zusammenwirkender Trends stark an Bedeutung. Das explosionsartige Wachstum von Daten, Geräten und Anwendungen sowie die fortschreitende digitale Transformation vergrößerten die Angriffsfläche für Cyberbedrohungen erheblich. Diese Zunahme an Schwachstellen in Verbindung mit anhaltenden Datenschutzverletzungen verdeutlichte, wie dringend ein robuster Schutz von Daten erforderlich ist. Gleichzeitig veranlassten immer umfassendere Vorschriften zum Schutz der Privatsphäre und zur Gewährleistung der Compliance Unternehmen zusätzlich dazu, der Datenklassifizierung Priorität einzuräumen, da sie den Ausgangspunkt für den Schutz der Privatsphäre bildet. Darüber hinaus brachte der Aufstieg generativer KI neue Datenquellen und Angriffsvektoren mit sich, wodurch die Herausforderungen für die Datensicherheit noch komplexer wurden.

Rund 80 % der Unternehmensdaten sind unstrukturiert. Künftig werden generative KI-Modelle zur bevorzugten Methode für die Erkennung und Klassifizierung unstrukturierter Unternehmensdaten werden und dabei Genauigkeitsraten von über 95 % erreichen. Diese Modelle werden mit der Zeit effizienter, benötigen weniger Rechenleistung und ermöglichen kürzere Inferenzzeiten. Lösungen wie Data Security Posture Management (DSPM), Data Loss Prevention (DLP) und Data Access Governance werden zunehmend auf der Erkennung und Klassifizierung sensibler Daten als Grundlage für die Bereitstellung verschiedener Sicherheitsdienste aufbauen. Mit der zunehmenden Konvergenz von Netzwerk- und Datenbereitstellungsdiensten wird die Plattformkonsolidierung Anbieter dazu veranlassen, ihre Angebote auszubauen. Ihr Ziel wird es sein, durch umfassende, kostengünstige und benutzerfreundliche Plattformen, die den sich wandelnden Anforderungen von Unternehmen gerecht werden, Marktanteile zu gewinnen.

Der organisationsübergreifende Wunsch, generative KI für verschiedenste Zwecke einzusetzen – von der Produktivitätssteigerung über die Automatisierung von Arbeitsabläufen bis hin zur Erstellung von Inhalten –, führt mit der zunehmenden Einführung von KI-Funktionen zu einem neuen Architekturmuster für Anwendungen. Dieses Muster erweitert die drei traditionellen Ebenen Client, Server und Daten um eine neue KI-Ebene, auf der die Inferenz ausgeführt wird.

Technologie Nr. 4 im Jahr 2025: KI-Gateways

Diese neue Ebene trägt dazu bei, den Begriff KI-Gateways zu definieren – die vierte unserer Technologien, die man im Auge behalten sollte. KI-Gateways sind nicht einfach nur API- oder Web-Gateways. Ihre grundlegenden Funktionen ähneln zwar denen von API-Gateways, doch die besonderen architektonischen Anforderungen des bidirektionalen, unstrukturierten Datenverkehrs und die wachsende Nutzerbasis aus „guten“ Bots erfordern neue Funktionen.

Ken Arora, Distinguished Engineer erklärt:

KI-Gateways entwickeln sich zur natürlichen Weiterentwicklung von API-Gateways und sind speziell auf die Anforderungen von KI-Anwendungen zugeschnitten. Ähnlich wie Cloud Access Security Broker (CASBs) auf die Absicherung von SaaS-Anwendungen in Unternehmen spezialisiert sind, konzentrieren sich KI-Gateways auf besondere Herausforderungen wie Halluzinationen, Verzerrungen und Jailbreaking, die häufig zu unerwünschter Offenlegung von Daten führen. Da KI-Anwendungen zunehmend autonom agieren, müssen Gateways zudem umfassende Transparenz, Governance und Sicherheit der Lieferkette gewährleisten. So stellen sie die Integrität von Trainingsdatensätzen und Modellen von Drittanbietern sicher, die inzwischen potenzielle Angriffsvektoren darstellen. Mit der zunehmenden Verbreitung von KI-Anwendungen gewinnen außerdem Themen wie Distributed-Denial-of-Service-Angriffe (DDoS) und Kostenmanagement an Bedeutung, da der Betrieb von KI-Anwendungen im Vergleich zu herkömmlichen Anwendungen sehr kostenintensiv ist. Darüber hinaus erfordert der verstärkte Datenaustausch mit KI-Anwendungen für Aufgaben wie Zusammenfassungen und Musteranalysen einen ausgefeilteren Schutz vor Datenlecks.

In Zukunft müssen KI-Gateways sowohl Reverse- als auch Forward-Proxys unterstützen. Dabei werden Forward-Proxys kurzfristig eine entscheidende Rolle spielen, da die Nutzung von KI schneller zunimmt als ihre Entwicklung. Auch Middle-Proxys werden für die Steuerung der Interaktionen zwischen Komponenten innerhalb von KI-Anwendungen unverzichtbar sein, etwa zwischen Vektordatenbanken und großen Sprachmodellen (LLMs). Die sich wandelnde Bedrohungslandschaft erfordert zudem ein Umdenken bei unserem Sicherheitsansatz. Da viele Clients zu automatisierten Agenten werden, die im Auftrag von Menschen handeln, müssen sich die derzeitigen Modelle zum Schutz vor Bots weiterentwickeln, um zwischen legitimen und bösartigen Bots unterscheiden zu können. KI-Gateways müssen fortschrittliche Richtlinien wie delegierte Authentifizierung, Verhaltensanalyse und die Durchsetzung minimaler Zugriffsrechte integrieren und dabei auf Zero-Trust-Prinzipien zurückgreifen. Dazu gehören risikobewusste Richtlinien und eine verbesserte Transparenz, damit KI-bedingte Sicherheitsverletzungen wirksam eingedämmt werden können und zugleich eine robuste Governance gewährleistet bleibt.

Am dringendsten ist die Notwendigkeit, nicht nur traditionelle Sicherheitsbedenken im Zusammenhang mit Daten (Datenabfluss, Datenlecks), sondern auch ethische Probleme durch Halluzinationen und Verzerrungen anzugehen. Es überrascht niemanden, dass Letztere in nahezu jeder Umfrage zu diesem Thema als erhebliche Risiken eingestuft werden.

Technologie Nr. 5 im Jahr 2025: Kleine Sprachmodelle

Angesichts der Probleme mit Halluzinationen und Verzerrungen wäre es undenkbar, den zunehmenden Einsatz von Retrieval-Augmented Generation (RAG) und Small Language Models (SLMs) zu ignorieren. RAG hat sich rasch zu einem grundlegenden Architekturmuster für generative KI entwickelt, insbesondere weil es die Spezifität und Genauigkeit der von großen Sprachmodellen erzeugten Informationen verbessern kann. Durch die Kombination der Stärken von Retrieval-Systemen und generativen Modellen bietet RAG eine Lösung für eine der zentralen Herausforderungen der KI: Halluzinationen, also die Erzeugung falscher oder irreführender Informationen.

Unternehmen, die RAG noch nicht in ihre KI-Strategien integrieren, verzichten auf erhebliche Verbesserungen bei der Genauigkeit und Relevanz von Daten – insbesondere bei Aufgaben, die den Abruf von Echtzeitinformationen und kontextbezogene Antworten erfordern. Mit der zunehmenden Vielfalt der Anwendungsfälle für generative KI stellen Unternehmen jedoch fest, dass sich manche Probleme nicht allein mit RAG lösen lassen.

Lori MacVittie, Distinguished Engineerin erklärt:

Die zunehmend deutlicher werdenden Grenzen von LLMs, insbesondere ihre mangelnde Präzision im Umgang mit domänen- oder organisationsspezifischem Wissen, beschleunigen die Einführung kleiner Sprachmodelle. LLMs sind zwar bei Anwendungen mit allgemeinem Wissen äußerst leistungsfähig, stoßen jedoch häufig an ihre Grenzen, wenn sie präzise, differenzierte Informationen in Fachgebieten liefern sollen. Genau hier spielen SLMs ihre Stärken aus: Da sie auf bestimmte Wissensbereiche zugeschnitten sind, können sie zuverlässigere und zielgerichtetere Ergebnisse liefern. Darüber hinaus benötigen SLMs deutlich weniger Energie und Rechenleistung. Damit sind sie eine kostengünstigere Lösung für Unternehmen, die nicht für jeden Anwendungsfall die umfassenden Fähigkeiten eines LLM benötigen.

Derzeit sind SLMs meist branchenspezifisch und werden häufig mit Daten aus Bereichen wie dem Gesundheitswesen oder der Rechtswissenschaft trainiert. Obwohl diese Modelle auf engere Anwendungsgebiete beschränkt sind, lassen sie sich sowohl hinsichtlich der Kosten als auch der Komplexität wesentlich einfacher trainieren und einsetzen als LLMs. Da immer mehr Organisationen nach Lösungen suchen, die besser auf ihre spezifischen Datenanforderungen zugeschnitten sind, dürften SLMs LLMs in Situationen ersetzen, in denen sich Halluzinationen durch Methoden der Retrieval-Augmented Generation allein nicht vollständig eindämmen lassen. Langfristig gehen wir davon aus, dass SLMs zunehmend jene Anwendungsfälle dominieren werden, bei denen hohe Genauigkeit und Effizienz entscheidend sind, und Organisationen damit eine präzisere und ressourceneffizientere Alternative zu LLMs bieten.

Ausblick: Jenseits von Transformern

Der Bedarf an effizienteren KI-Modellen, die der zunehmenden Komplexität moderner Anwendungen gewachsen sind, ohne enorme Rechenressourcen zu benötigen, wird immer dringlicher. Transformer-Modelle sind zwar leistungsfähig, stoßen jedoch insbesondere mit zunehmender Größe der KI-Modelle bei Skalierbarkeit, Speicherbedarf und Leistung an ihre Grenzen. Daher wird verstärkt an Architekturen gearbeitet, die eine hohe Genauigkeit beibehalten und zugleich den Rechenaufwand reduzieren. Darüber hinaus beschleunigt der Wunsch nach einer Demokratisierung der KI – also danach, sie auf verschiedenen Geräten und für unterschiedliche Anwendungsfälle zugänglich zu machen – die Einführung von Innovationen wie 1-Bit-Sprachmodellen, die darauf ausgelegt sind, die Präzision zu optimieren und gleichzeitig die Hardwareanforderungen zu minimieren.

Diese Anforderungen treiben die Weiterentwicklung der KI über Transformer hinaus voran.

Kunal Anand, Chief Innovation Officer erklärt:

Ein neues Paradigma zeichnet sich ab: die Verbindung neuartiger neuronaler Netzwerkarchitekturen mit revolutionären Optimierungstechniken, die versprechen, den Einsatz von KI in verschiedensten Anwendungen und auf unterschiedlichen Geräten allgemein zugänglich zu machen.

Die KI-Community beobachtet bereits erste Anzeichen für Post-Transformer-Innovationen beim Design neuronaler Netze. Diese neuen Architekturen sollen die grundlegenden Einschränkungen aktueller Transformer-Modelle überwinden und zugleich deren bemerkenswerte Fähigkeiten beim Verstehen und Erzeugen von Inhalten erhalten oder verbessern. Zu den vielversprechendsten Entwicklungen zählt das Aufkommen hochgradig optimierter Modelle, insbesondere großer 1-Bit-Sprachmodelle. Diese Innovationen markieren einen grundlegenden Wandel in unserem Ansatz zur Modelleffizienz: Sie ermöglichen eine drastische Reduzierung des Speicherbedarfs und des Rechenaufwands, während die Modellleistung trotz geringerer Präzision erhalten bleibt.

Die Auswirkungen dieser Entwicklungen werden sich in mehreren Wellen im gesamten KI-Ökosystem bemerkbar machen. Die unmittelbaren Folgen werden sich vor allem im geringeren Ressourcenbedarf für den Einsatz von KI zeigen. Modelle, die bislang erhebliche Rechen- und Speicherressourcen erforderten, werden mit deutlich weniger Aufwand effizient betrieben werden können. Diese Optimierung wird einen Wandel der Rechnerarchitektur auslösen: GPUs könnten künftig vor allem für das Training und die Feinabstimmung eingesetzt werden, während CPUs dank ihrer neu gewonnenen Leistungsfähigkeit Inferenzaufgaben übernehmen.

Diese Veränderungen werden eine zweite Welle von Auswirkungen auslösen, bei der Demokratisierung und Nachhaltigkeit im Mittelpunkt stehen. Mit sinkendem Ressourcenbedarf wird der Einsatz von KI für eine Vielzahl von Anwendungen und Geräten zugänglich. Die Infrastrukturkosten werden erheblich sinken und dadurch Edge-Computing-Funktionen ermöglichen, die bislang nicht praktikabel waren. Gleichzeitig wird die geringere Rechenintensität durch einen niedrigeren Energieverbrauch und einen kleineren CO₂-Fußabdruck Vorteile für die Umwelt mit sich bringen und den Betrieb von KI-Systemen nachhaltiger gestalten.

Diese Entwicklungen werden beispiellose Möglichkeiten für Edge-Geräte, Verbesserungen bei der Echtzeitverarbeitung und eine kostengünstige branchenübergreifende Integration von KI ermöglichen. Die IT-Landschaft wird sich hin zu hybriden Lösungen entwickeln, die verschiedene, für spezifische Arbeitslasten optimierte Verarbeitungsarchitekturen kombinieren und so eine effizientere und vielseitigere KI-Infrastruktur schaffen.

Die Auswirkungen dieser Entwicklungen gehen weit über technische Verbesserungen hinaus. Sie deuten auf eine Zukunft hin, in der KI vielseitiger und umweltbewusster eingesetzt werden kann, ohne dass die Leistung darunter leidet. Auf dem Weg ins Jahr 2025 werden diese Veränderungen die Integration von KI in alltägliche Anwendungen voraussichtlich beschleunigen und branchenübergreifend neue Möglichkeiten für Innovation und Effizienz schaffen.

Die einzige Konstante ist jetzt wirklich der Wandel

Das vergangene Jahr war in der Technologie zweifellos von bedeutenden Veränderungen, Weiterentwicklungen und Überraschungen geprägt. Es ist davon auszugehen, dass das nächste Jahr ähnlich verlaufen wird. Schließlich ist das volle Potenzial generativer KI noch längst nicht ausgeschöpft. Daher werden sich wahrscheinlich weitere disruptive Anwendungsfälle für diese spannende Technologie ergeben.

Wenn Unternehmen noch nicht mit generativer KI experimentieren, sollten sie damit beginnen. Die Nutzung entsprechender Dienste bietet sicherlich einen guten Ausgangspunkt für grundlegende Anwendungsfälle wie Chatbots und Empfehlungsmaschinen. Das Potenzial generativer KI geht jedoch weit über Unterhaltungen und die Erstellung neuer Katzenvideos hinaus.

Es ist davon auszugehen, dass sich der Wandel fortsetzt und neue Möglichkeiten zur Nutzung von KI entstehen, während KI die Grundfesten der Technologie immer weiter umgestaltet.