Am 20. Juli 2026 festigt das KI-Agenten-Ökosystem die Woche nach der WAIC Shanghai und nach Kimi K3 mit einem Tag, der auf Infrastruktur-Bausteine ausgerichtet ist: Hugging Face veröffentlicht TRL v1.8.0, mit dem ein Agent gleichzeitig in mehreren Umgebungen trainiert werden kann; Helsing schliesst eine Runde über 1,8 Milliarden Euro bei 18 Milliarden Bewertung für seine autonomen Drohnen und die KI-Schlachtfeld-Analyse ab; das US-Handelsministerium nutzt erstmals das Exportkontrollgesetz, um weltweit den Zugang zu zwei Anthropic-Modellen zu sperren; Japan bringt offiziell Noetra auf den Weg, sein Physical-AI-Grundlagenmodell mit Sony, SoftBank und Honda im Rücken; und ein neuer Forschungsaufsatz zeigt, dass man Agenten mit bestärkendem Lernen über 4 Millionen Elemente hinaus trainieren kann, ohne den Grafikkartenspeicher zu sprengen.
🔥 Auf der Eins
01
Hugging Face macht KI-Agenten gleichzeitig für Code, Spiel und Navigation trainierbar — ohne dass ihnen die Werkzeuge durcheinander geraten
Heute gleicht das Trainieren eines KI-Agenten noch immer einer Entweder-oder-Entscheidung: man spezialisiert ihn aufs Programmieren, aufs Spielen oder aufs Navigieren, aber nicht auf alle drei gleichzeitig. Hugging Face veröffentlicht die Version 1.8.0 von TRL, seinem Standard-Werkzeugkasten für das Feintuning (die letzte Etappe, in der man einem Modell beibringt, seine Arbeit besser zu machen, statt nur Text auszuspucken). Die entscheidende Neuheit: Ein einziger Trainingslauf kann jetzt mehrere Umgebungen mischen — eine, die ein Spiel simuliert, eine, die einen Code-Editor simuliert, eine, die einen Browser simuliert — und jede Umgebung gibt ihre eigenen Werkzeuge und ihre eigene Belohnungslogik für den Agenten an. Werkzeuge laufen nicht mehr von einem Universum ins andere über: Das auf Programmierung trainierte Modell versucht nicht mehr, mitten in einer Python-Zeile ein Spiel-Werkzeug aufzurufen. Für Info-Sys ist das das fehlende Open-Source-Infrastrukturteil, um von einem Agenten, der über ein Thema redet, zu einem Agenten zu kommen, der in einer präzisen Umgebung wirklich handelt. Das Optimierungsmodul KTO erreicht die stabile Version, und der Grafikkartenspeicher wird besser genutzt — +19 % Geschwindigkeit bei Modellen mit 4 Milliarden Parametern. Konkret bedeutet das: Man kann einen Agenten jetzt über mehrere Fachgebiete hinweg vorbereiten, ohne jedes Mal bei null anzufangen.
Helsing sammelt 1,8 Milliarden Euro für autonome Drohnen und Schlachtfeld-Analyse ein — KI-Verteidigung wird eine eigene Anlagekategorie
Helsing, das deutsche Start-up, das KI-Systeme für die militärische Verteidigung baut (autonome Drohnen, Software zur Analyse von Gefechtsdaten, Unterwasser-Überwachung), schliesst eine neue Finanzierungsrunde über 1,8 Milliarden Euro bei einer Bewertung von 18 Milliarden ab. Die Nachfrage überstieg das Angebot so deutlich, dass die Gründer sich ihre Investoren aussuchen konnten. Dragoneer führt die Runde an, gemeinsam mit Goldman Sachs, JPMorganChase, General Catalyst und dem kanadischen Rentenfonds CPP. Es ist die grösste Finanzierung, die je ein europäisches Start-up im Bereich KI-Verteidigung eingesammelt hat, und das Signal an die Märkte ist eindeutig: Mit KI unterstützte Verteidigung wird eine eigene Anlagekategorie, gleichberechtigt neben KI-Infrastruktur oder Cybersicherheit. Die Gesellschaft bleibt mehrheitlich in den Händen europäischer Investoren — Daniel Ek (Spotify) und Tom Enders (Ex-Airbus) bleiben Co-Vorsitzende des Verwaltungsrats. Für KI-Agentenbauer ist das ein bemerkenswerter Indikator: Physische Agenten (Drohnen, Roboter, autonome militärische Software) ziehen mittlerweile Tickets in Milliardenhöhe an. Der europäische Markt nimmt dieses Segment ernst, während es vor zwei Jahren noch als Nische galt.
Die USA haben ein neues Werkzeug, um ein KI-Modell auf Knopfdruck abzuschalten — und es trifft alle, auch ausserhalb der amerikanischen Grenzen
Am 12. Juni hat das US-Handelsministerium etwas Neues getan: Es hat das Exportkontrollgesetz benutzt, um die Sperrung des Zugangs zu zwei KI-Modellen von Anthropic, Fable 5 und Mythos 5, für alle Nutzer weltweit anzuordnen — einschliesslich ausländischer Forscher und Ingenieure, die in den Vereinigten Staaten arbeiten. Der Mechanismus ist einfach und brutal: ein vertraulicher Brief, strafrechtliche Sanktionen bei Nichtbeachtung, sofortige Wirkung. Anthropic konnte die Nutzer auf API-Ebene nicht nach Nationalität filtern — die einfachste Lösung war, beide Modelle komplett abzuschalten. Für jeden, der ein hochentwickeltes KI-Modell von eigenen Servern aus einsetzt oder nutzt, ist das ein Präzedenzfall, der in die eigene Risikohaltung einfliessen muss: Ein Modell, das man mietet oder nutzt, kann von heute auf morgen durch eine Verwaltungsentscheidung gekappt werden, ohne Richter. Die Rechtsgrundlage (Reformgesetz zur Exportkontrolle und Regel zu «militärischer oder nachrichtendienstlicher Nutzung») war noch nie auf den Fernzugang zu einem KI-Modell angewendet worden. Die Europäische Kommission hat öffentlich vor dem Risiko «diskriminierender» Massnahmen gewarnt. Für Info-Sys: In jeder Agenten-Risikoakte zu dokumentieren und in den kommenden Wochen zu beobachten — drei Ausgänge sind laut Analysten möglich, darunter eine ausgehandelte Rückkehr und eine teure Identitätsprüfung für die Nutzer.
Japan bringt sein eigenes KI-Modell für Roboter und autonome Fahrzeuge auf den Weg — mit Sony, SoftBank, Honda und Preferred Networks an Bord
Das japanische Wirtschaftsministerium (METI) hat Ende Juni offiziell den Start eines Projekts für ein inländisches multimodales KI-Modell bestätigt, zugeschnitten auf das, was man «physische KI» nennt: Industrieroboter, autonome Fahrzeuge, Systeme, die gleichzeitig Bilder, Texte und SensorSignale verstehen müssen. Das eigens dafür gegründete Start-up Noetra wird von 44 japanischen Industriekonzernen getragen — an der Spitze Sony, SoftBank, NEC, Honda und Preferred Networks. Das Programm läuft über fünf Jahre (vom Haushaltsjahr 2026 bis 2030) und wird von der staatlichen Agentur NEDO gesteuert. Das erklärte Ziel: ein Grundlagenmodell zu haben, das ein japanisches Unternehmen nutzen kann, ohne seine Produktionsdaten ins Ausland zu schicken — ein heikles Thema in einem Land, in dem die verarbeitende Industrie ein Pfeiler der Wirtschaft bleibt. Der Unterscheidungswinkel gegenüber dem amerikanischen Projekt (Stargate), dem chinesischen (WAICO), dem europäischen (AI Factories) und dem indischen (IndiaAI): physische KI und Energieeffizienz — beides natürliche Prioritäten für Japan. Für KI-Agentenbauer: ein neues Grundlagenmodell, das in den kommenden Quartalen im Auge zu behalten ist, mit besonderem Fokus auf Robotik und konkrete industrielle Anwendungen.
Eine neue Methode erlaubt es, KI-Agenten auf sehr langen Aufgaben zu trainieren — ohne den Speicher der Grafikkarten zu sprengen
KI-Agenten sammeln im Laufe eines Arbeitstags Bildschirmfotos, Werkzeug-Ausgaben, Dokumentauszüge, Analyseergebnisse an — das Ganze kann mehrere Millionen kleiner Elemente ausmachen, die zu verarbeiten sind. Herkömmliche Methoden des bestärkenden Lernens (die Methode, die einem Agenten durch Versuch und Irrtum an realen Fällen beibringt, wie er sich verhalten soll) stossen aber wegen des begrenzten Speichers der Grafikkarten meistens bei rund 256 000 Elementen an ihre Grenze. Ein Mitte Juli veröffentlichter Aufsatz, schlicht LongStraw betitelt, schlägt einen technischen Kniff vor, der die Lage verändert: Den gemeinsamen Verlauf nur einmal auswerten, ohne jedes Detail neu zu berechnen, und nur die kleinen Zweige erneut durchspielen, die sich unterscheiden. Die Autoren demonstrieren ihre Methode auf bestehenden offenen Modellen (Qwen3.6-27B und GLM-5.2) und schaffen es, über 4 Millionen Elemente hinaus zu trainieren, ohne den Speicher zu sprengen. Für Info-Sys: Das ist der technische Baustein, der das Trainieren von Agenten auf langen, komplexen Arbeitsabläufen möglich macht — etwa die Analyse einer kompletten Akte, die Navigation durch eine grosse Website oder die Koordination mehrerer Werkzeuge über mehrere Stunden. Der Aufsatz wurde auf Hugging Face auf Platz 1 des Tages gewählt, und die Autoren warnen ehrlich, dass noch Arbeit nötig ist, bevor die Methode vollständig in Standardwerkzeugen ankommt — aber die Richtung ist klar.
Microsoft bringt die finale Version seines Agenten-Frameworks für grosse Unternehmen
Das Microsoft Agent Framework (MAF) ist am 2. April in der Version 1.0 erschienen, nach der Zusammenführung der historischen Projekte AutoGen und Semantic Kernel. Auf der BUILD-Konferenz am 3. Juni hat Microsoft drei wichtige Bausteine ergänzt: einen «Agent Harness», der jeden Chat-Client in einen produktionsreifen Agenten verwandelt (mit Datei-Zugriff, Gedächtnis, menschlicher Freigabe, automatischer Verdichtung des Verlaufs), einen in Azure gehosteten Agenten-Dienst, der sich selbst skaliert und im Leerlauf nichts kostet, und einen CodeAct-Modus, in dem der Agent Code schreibt und ausführt, um eine Aufgabe zu erledigen, statt ein bestimmtes Werkzeug aufzurufen. Das Angebot gibt es im selben Quellcode für .NET- und Python-Entwickler. Es ist Microsofts Antwort auf LangChain, CrewAI und das eigenständig gewordene AutoGen: ein Framework, das für grosse Unternehmen bereit ist, mit eingebauter Governance. Bei der Wahl des Agenten-Stacks genau im Auge zu behalten.
500 Open-Source-KI-Modelle über einen einzigen Zugangspunkt erreichbar — für Firmen, die keine eigenen Server betreiben wollen
AI.cc, eine Plattform mit Sitz in Singapur, hat eine Partnerschaft mit Hugging Face geschlossen, um mehr als 500 Open-Source-KI-Modelle (Llama 4, Mistral, Qwen, Gemma, GLM, DeepSeek, Falcon und über 300 weitere) über eine einzige Schnittstelle anzubieten, die mit der von OpenAI kompatibel ist. Konkret: Ein Unternehmen kann diese Modelle abfragen, ohne Grafikkarten zu kaufen, ohne eigene Infrastruktur aufzubauen, und mit einer einheitlichen Abrechnung. Der Dienst ist seit dem 15. Juni offen, mit einer kostenlosen Stufe für Tests. Der Kontext: Open-Source-Modelle machen inzwischen 38 % des Token-Volumens aus, das Unternehmen im ersten Quartal 2026 verbrauchen, gegenüber 11 % ein Jahr zuvor. Das automatische Routing zum am besten geeigneten Modell für jede Aufgabe soll die Infrastrukturkosten um 40 bis 65 % senken. Vorbehalt: Das Originalpresse kommuniqué wurde nicht abgerufen — die Information stammt aus einer Unternehmens-Weiterleitung. Für Info-Sys: An einfachen Anwendungsfällen testen, um die Zuverlässigkeit zu bewerten, bevor Produktionslasten umgestellt werden.
SambaNova sammelt 1 Milliarde für seine Nvidia-Alternativen ein — mit JPMorgan als erstem Bank-Kunden
SambaNova Systems, direkter Konkurrent von Nvidia im Segment der spezialisierten KI-Chips, hat eine neue Finanzierungsrunde über 1 Milliarde Dollar bei einer Bewertung von 11 Milliarden abgeschlossen. Die Runde wird von General Atlantic angeführt, gemeinsam mit BlackRock, T. Rowe Price, der Qatar Investment Authority und Intel Capital — Letzteres ist seit mehreren Jahren auch technischer Partner. Das interessanteste Signal für Agentenbauer: JPMorgan Chase hat SambaNova als Partner gewählt, um seine KI-Modelle auf eigenen Servern laufen zu lassen, statt alles auf Nvidia zu setzen. Das zeigt, dass grosse Banken und Konzerne inzwischen eigene private KI-Stapel bauen — aus Gründen der Souveränität und der Kostenkontrolle. Für Info-Sys: In die Beobachtung der Nvidia-Alternativen einbeziehen, besonders für sensible Lasten (Banken, Verteidigung, Behörden), bei denen die Souveränität der Hardware zum Verkaufsargument wird.
Das europäische KI-Gesetz tritt am 2. August vollständig in Kraft — was das für in Europa eingesetzte Modelle ändert
Alle Regeln der europäischen KI-Verordnung (EU AI Act) werden am 2. August 2026 für sogenannte «GPAI»-Modelle (Modelle für allgemeine Zwecke) vollständig verbindlich. Konkret: Transparenzpflichten, Einhaltung des Urheberrechts bei den Trainingsdaten, Sicherheitsbewertungen, Sanktionen bei Nichtbeachtung. Für KI-Agentenbauer, die in Europa einsetzen, ist es an der Zeit zu prüfen, ob jedes genutzte Drittanbieter-Modell über eine konforme technische Dokumentation verfügt und ob die Agenten-Workflows nicht unter eine Hochrisiko-Kategorie fallen. Vom amerikanischen BIS-Präzedenzfall zu Fable und Mythos zu unterscheiden: Die europäische Regulierung ist im Voraus bekannt, vorhersehbar, aber breit — sie gilt für jedes Modell, das europäischen Nutzern zur Verfügung gestellt wird, unabhängig von der Nationalität des Anbieters.
📊 Trend
Am 20. Juli 2026 festigt das KI-Agenten-Ökosystem die Woche nach der WAIC Shanghai und nach der Veröffentlichung von Kimi K3 weiter, mit einem Beobachtungstag, der auf Infrastruktur-Bausteine und strukturprägende Präzedenzfälle ausgerichtet ist. Fünf Lehren zeichnen sich ab für alle, die KI-Agenten bauen. (1) Das Training in mehreren Umgebungen wird zur Norm — Hugging Face TRL v1.8.0 erlaubt es jetzt, Agenten-Welten (Code, Spiel, Navigation) in einem einzigen Trainingslauf zu mischen, was die Tür zu Allround-Agenten öffnet, die auf realen Arbeitsabläufen trainiert werden, nicht nur auf Benchmarks. (2) KI-Verteidigung zieht Rekord-Tickets an — Helsings Runde über 1,8 Milliarden Euro bei 18 Milliarden Bewertung bestätigt, dass physische Agenten (autonome Drohnen, Schlachtfeld-Analyse) eine eigene Anlagekategorie geworden sind, mit Folgen für alle, die Agenten in sensiblen Sektoren verkaufen oder einsetzen. (3) Exportkontrolle wird zum operativen Risiko — die Anwendung des amerikanischen BIS-Gesetzes, um den Zugang zu zwei Anthropic-Modellen zu kappen, schafft einen Präzedenzfall: Jeder Agent, der auf Servern Dritter läuft, kann künftig per Verwaltungsakt abgeschaltet werden. (4) KI-Souveränität wird auch ausserhalb der Grossmächte zum nationalen Projekt — Japan startet offiziell sein Physical-AI-Grundlagenmodell mit 44 Industriellen, nach dem chinesischen WAICO-Modell, dem amerikanischen Stargate und den europäischen AI Factories. (5) Training mit langem Kontext wird technisch machbar — der Aufsatz LongStraw zeigt, dass man über 4 Millionen Elemente hinauskommen kann, ohne den Grafikkartenspeicher zu sprengen, was das Trainieren von Agenten auf langen, komplexen Arbeitsabläufen ermöglicht. Für Info-Sys ist die operative Lehre klar: Die Zeit, in der ein einziges Agenten-Framework und ein einziger Modell-Anbieter reichten, ist vorbei — jetzt zählt die aktive Beobachtung der Infrastruktur-Bausteine, der Geopolitik und der Open-Source-Alternativen.