NetApp en Cisco hebben hun samenwerking uitgebreid met betrekking tot FlexPod, met nieuwe gevalideerde architecturen voor AI-workloads. Deze aanpak richt zich op het oplossen van een veelvoorkomend spanningsveld in bedrijven die willen overstappen van proof-of-concept-implementaties naar producties: hoe kunnen compute, netwerk, opslag, beveiliging en databeheer worden gecombineerd zonder elke platform vanaf nul te hoeven bouwen?
De aankondiging, gedaan op 3 juni 2026 tijdens Cisco Live! in Las Vegas, versterkt een langjarige alliantie tussen beide fabrikanten. FlexPod, de convergente architectuur die traditioneel gebaseerd is op Cisco- en NetApp-technologieën, wordt nu aangepast voor AI-toepassingen zoals RAG, semantisch zoeken, inferentie, edge computing en hoogwaardige bedrijfsimplementaties met ingebouwde beveiligingscontroles vanaf het ontwerp.
FlexPod geschikt voor productie-AI
Enterprise AI bevindt zich in een meer veeleisende fase. Veel organisaties zijn niet langer tevreden met het testen van modellen in geïsoleerde omgevingen of het opzetten van pilots met beperkte data. Ze willen use-cases in productie brengen, modellen koppelen aan bedrijfsspecifieke repositories, semantische zoekopdrachten uitvoeren, interne assistenten inzetten, inferenties versnellen en dit doen met veilige, governance-gestuurde en voorspelbare prestaties.
Deze transitie hangt niet alleen af van het kiezen van het juiste model. De infrastructuur moet data kunnen verplaatsen, GPUs of XPUs ondersteunen, knelpunten verminderen, gevoelige informatie beschermen en herhaalbare operaties mogelijk maken. Hier wil NetApp en Cisco met de nieuwe generatie FlexPod-oplossingen voor AI inspelen.
Volgens NetApp heeft de lange geschiedenis van FlexPod-innovatie al geleid tot tot wel 20% besparing in beheer- en onderhoudstijd voor klanten. Nu wordt deze basis gepresenteerd als startpunt om AI-implementaties te vereenvoudigen, risico’s te beperken en te voorkomen dat integraties te handmatig worden.
| Aspect | Wat biedt de nieuwe FlexPod-oplossing voor AI | Waarom is dit belangrijk |
|---|---|---|
| Enterprise AI | Gecodeerde architecturen voor RAG, semantisch zoeken en schaalbare AI | Vergemakkelijkt de overgang van testen naar productie |
| Opslag | NetApp AFX en gedisaggregeerde opslagbenadering | Maakt schaalverdeling van prestaties en capaciteit eenvoudiger |
| Data voor AI | NetApp AI Data Engine, geïntegreerd met NVIDIA AI Data Platform | Helpt gegevens ontdekken, voorbereiden en beheren voor AI |
| Netwerk | Cisco AI-netwerken, Nexus One en hoge-verwerkingsnetwerken | Verbetert het gebruik van accelerators en verkort verwerkingstijden |
| Beveiliging | Cisco Secure AI Factory met NVIDIA en Zero Trust controles | Aanpak van risico’s rond gegevens, compliance en exposure |
| Inferentie en RAG | Pre-geïntegreerde oplossingen voor teams en afdelingen | Verlaagd kosten en complexiteit, verlaagt de benodigde expertise |
| Edge computing | Cisco Unified Edge met NetApp opslagopties | Ondersteunt gedistribueerde AI met lage latentie en gecentraliseerde operaties |
| Beheer | Gevallen geteste architecturen en automatisering | Verbetert herhaalbaarheid bij complexe implementaties |
Data, netwerk en security: de onzichtbare pijlers van AI
Bedrijfs-AI wordt vaak uitgelegd aan de hand van modellen, chips of eindtoepassingen, maar de datalaag bepaalt grotendeels de uiteindelijke prestaties. Een organisatie kan grote hoeveelheden gegevens hebben, maar zonder het vermogen om ze te lokaliseren, classificeren, prepareren, beschermen en te verbinden met de juiste modellen, blijft de waarde onbenut.
NetApp introduceert in deze aanpak haar AI Data Engine, een technologie voor data-ontdekking, voorbereiding en governance binnen de eigen infrastructuur. Het wordt gekoppeld aan het NVIDIA AI Data Platform reference design, met het doel gegevens klaar te maken voor AI-fabrieken, zonder controle en traceerbaarheid te verliezen.
Cisco levert de netwerk- en beveiligingslaag. De verwijzing naar Cisco Secure AI Factory met NVIDIA benadrukt dat beveiliging niet achteraf wordt toegevoegd, maar vanaf het ontwerp in de architectuur is ingebouwd. In AI-projecten is dit cruciaal, omdat de risico’s verder gaan dan ongeautoriseerde toegang. Het gaat ook om het beschermen van gevoelige data, goed gobernance, correct gebruik van modellen, het voorkomen van pipeline-fouten, lekken via queries en naleving van regelgeving.
Ook het netwerk krijgt meer gewicht. In trainingen, intensieve inferentie of gedistribueerde verwerking is krachtige acceleratie niet voldoende. Als het netwerk latentie introduceert, prestaties reduceert of voorspelbaarheid ondermijnt, kunnen hardware-investeringen onderbenut blijven. Cisco stelt Nexus One voor als onderdeel van een deterministisch, high-performance netwerk om XPUs beter te benutten, verwerkingstijden te verkorten en voorspelbare resultaten te behalen.
De kernboodschap is helder: productie-AI vereist een meer gecoördineerde infrastructuur. Opslag, netwerk, beveiliging, compute en data-governance kunnen niet langer los van elkaar functioneren als het doel is kritieke workloads stabiel te draaien.
Drie scenario’s: enterprise, afdeling en edge
NetApp en Cisco organiseren de nieuwe oplossingen rondom drie belangrijke use-cases. Het eerste is grootschalige enterprise AI, bedoeld voor organisaties die high-performance infrastructuur willen inzetten voor RAG, semantisch zoeken en vergelijkbare toepassingen. Deze architectuur faciliteert het werken met AI dicht bij de data, wat belangrijk is voor bedrijven die geen grote hoeveelheden gevoelige informatie naar externe omgevingen willen verplaatsen.
Het tweede scenario richt zich op inferentie en RAG-processen voor teams of afdelingen. Niet elk bedrijf heeft direct een volledige AI-fabriek nodig. Veel starten met interne assistenten, documentanalyse, kenniswerving, support-automatisering of data-gestuurde zoekopdrachten in bedrijfsgegevens. Een pre-geïntegreerde oplossing verlaagt de behoefte aan zeer gespecialiseerde profielen en versnelt de tijd tot het eerste productieve use-case.
Het derde scenario betreft edge computing. AI aan de rand is zinvol wanneer data ver van het centrale datacenter wordt gegenereerd of wanneer latency kritisch is: fabrieken, winkels, ziekenhuizen, logistieke centra, vestigingen op afstand of gedistribueerde infrastructuren. FlexPod uitbreiden naar edge-locaties met Cisco Unified Edge en NetApp opslag maakt een coherente operatie mogelijk, in plaats van geïsoleerde technologische eilandjes.
Dit is vooral relevant voor veel organisaties die al hybride en gedistribueerde omgevingen beheren. AI zal niet altijd in één datacenter of cloud-pakket passen. Soms ligt de optimale oplossing nabij de data, vanwege latency, kosten, data volume of regelgeving.
De essentie: herhaalbare AI-architecturen
Het initiatief van NetApp en Cisco weerspiegelt een bredere markttrend: organisaties willen risico’s minimaliseren door het gebruik van gevalideerde architecturen. In de beginfase bouwden veel bedrijven losse proof-of-concept-omgevingen, wat leren bevordert, maar moeilijk wordt bij opschaling, beveiliging, audits en beheer in productie.
FlexPod probeert dit probleem te tackelen met een bewezen aanpak: geteste integratie, gebruik van enterprise-onderdelen en herhaalbare implementatiemodellen. De innovatie ligt in het aanpassen van dat model voor AI-workloads met strengere eisen voor prestaties, data, netwerk en beveiliging.
De samenwerking met NVIDIA voegt een cruciale laag toe. NetApp en Cisco hebben met NVIDIA samengewerkt om oplossingen te creëren op basis van reference architecturen voor AI, wat past bij de ideeën van ‘AI-fabrieken’: gestandaardiseerde omgevingen voor het ontwerpen, uitrollen en opschalen van AI-workloads op een gecontroleerde basis.
Ook World Wide Technology speelt een belangrijke rol als valideerpartner via hun AI Proving Ground. Voor veel organisaties is het testen van een architectuur een belangrijke stap vóór implementatie. AI blijft een gebied dat veel potentieel belooft, maar waar klanten de prestaties, integratie en operationele realiteit willen verifiëren voor ze grote investeringen doen.
Deze aankondiging onderstreept niet dat de uitdagingen helemaal weg zijn. Het blijft noodzakelijk om duidelijke use-cases af te bakenen, data voor te bereiden, teams op te leiden, kosten te beheersen, security policies op te stellen en ROI te meten. Maar het wijst op een markt die zich verder ontwikkeld, waarin de discussie verschuift van “welk model gebruik ik” naar “welke infrastructuur heb ik nodig om AI betrouwbaar in te zetten”.
NetApp en Cisco willen dat FlexPod dé gevalideerde basis wordt voor organisaties die AI-projecten willen versnellen, zonder zich vast te leggen op complexe integraties. In een markt waarin veel bedrijven van pilot naar productie willen gaan, kan deze aanpak succesvol zijn door snellere, veiligere en eenvoudiger operationele implementaties.
Veelgestelde vragen
Wat hebben NetApp en Cisco aangekondigd?
Ze hebben nieuwe, gevalideerde FlexPod-oplossingen gelanceerd voor AI-workloads, gericht op prestaties, beveiliging, databeheer en het vereenvoudigen van bedrijfsimplementaties.
Welke AI-use-cases worden hiermee gedekt?
Ze richten zich op enterprise AI, RAG, semantisch zoeken, inferentie, afdelingsprocessen en edge computing met virtualisatie, containers en lage latency-eisen.
Wat is de rol van NVIDIA in deze oplossing?
NetApp en Cisco werken samen met NVIDIA om oplossingen te ontwikkelen op basis van reference architecturen, inclusief integratie met AI Data Platform en Secure AI Factory.
Waarom is security zo belangrijk in AI-infrastructuur?
Omdat AI-projecten werken met gevoelige data, modellen, pipelines en gedistribueerde componenten. Beveiliging moet alles dekken: toegangscontrole, datagovernance, compliance, databeveiliging en bescherming gedurende de hele levenscyclus van de AI-toepassing.
vía: netapp