Die wichtigsten Entwicklungen der Woche, nach dem Datum der Originalquelle geordnet. Jeder Eintrag verlinkt auf unseren Beitrag und die Quelle.
Googles neue Gemini-Sprachmodelle verbinden Echtzeit-Konversationen mit aktiver Aufgabenbewältigung. Das müssen Entwickler wissen.
Diese Entwicklung könnte Entwicklern dabei helfen, Anwendungen zu erstellen, bei denen Benutzer eine Anfrage stellen und nicht nur eine Antwort, sondern eine tatsächliche Aktion erwarten. Die Leistung und Grenzen müssen jedoch anhand spezifischer Konversationsabläufe geprüft werden.
Google Cloud stellt Filestore Agent Volumes vor, einen verwalteten Speicher für skalierbare KI-Agenten-Umgebungen in GKE.
Die Lösung soll die Infrastrukturkomplexität und die Latenz beim Starten von KI-Aufgaben reduzieren, indem sie isolierte, persistente Speicher automatisch verwaltet und den manuellen Konfigurationsaufwand in GKE-Umgebungen minimiert.
Mit AIforce ermöglicht Salesforce den Zugriff auf CRM-Funktionen über Slack und Claude, unter Einhaltung einer Null-Daten-Speicher-Richtlinie.
Die Neuerung verringert die Notwendigkeit, zur Datenpflege zwischen verschiedenen Software-Anwendungen hin- und herzuspringen.
Google nutzt das Multi-Agenten-Framework Mantis für Echtzeit-Scans von Code-Änderungen und zur automatisierten Fehlerbehebung vor dem Commit.
Der Einsatz von KI-Agenten ermöglicht eine lückenlose Sicherheitsüberwachung und schnellere Reaktion, wodurch die Zeitspanne zwischen Code-Übermittlung und Fehlerbehebung verkürzt wird.
Zwei Salesforce-Agenten bearbeiten eingehende Leads bei Siemens; die Anbindung an Teamcenter für Vertrieb und Service ist angekündigt.
Der Fall trennt den bereits eingesetzten Lead-Prozess von der angekündigten Verknüpfung mit technischen Daten. Siemens zufolge bearbeiten zwei Agenten alle eingehenden Leads; der Nutzen der Teamcenter-Anbindung muss sich noch zeigen.
Moonshot AI veröffentlicht Kimi K3. Das Modell bietet ein Kontextfenster von 1 Million Token und unterstützt explizites Prompt-Caching.
Die Integration bietet Entwicklern neue Möglichkeiten zur effizienten Bearbeitung umfangreicher Datenmengen und Code-Basen, wobei durch das Caching Kosten und Antwortzeiten optimiert werden.
AWS stellt die AgentCore-Laufzeitumgebung vor, die durch Snapshots und optimierte Speicherverwaltung die Performance von KI-Agenten berechenbarer macht.
Die Optimierungen ermöglichen eine besser vorhersagbare Performance der Agenten und senken durch die dynamische Speicherrückgewinnung potenziell die Betriebskosten.
Google Cloud führt Agent Substrate für Google Kubernetes Engine ein, um die Ausführung von KI-Agenten in isolierten Sandboxes effizienter zu gestalten.
Die effiziente Bereitstellung autonomer KI-Agenten auf Kubernetes erfordert Lösungen, die Ressourcen bei Inaktivität freigeben. Agent Substrate bietet hierfür eine Infrastruktur, die sowohl die Sicherheitsanforderungen durch Kernel-Isolation erfüllt als auch die Betriebskosten senken kann.
NVIDIA präsentiert Testergebnisse für das System Vera Rubin NVL72, die eine höhere Durchsatzrate pro Megawatt bei KI-Workloads belegen.
Die Ergebnisse sind relevant für Rechenzentrumsbetreiber, die komplexe agentische KI-Modelle innerhalb strenger energetischer Rahmenbedingungen skalieren müssen.
Durch die Erweiterung ihrer Partnerschaft ermöglichen Salesforce und Google Cloud die direkte Interoperabilität zwischen Agenten über Plattformgrenzen hinweg.
Die Zusammenarbeit reduziert den technischen Aufwand für Unternehmen, da KI-Agenten nun ohne manuelle Integrationsschritte auf Daten beider Plattformen zugreifen und agieren können.
Salesforce und AWS führen neue Funktionen für den Zugriff auf CRM-Daten, Slack-KI-Agenten und die Nutzung von Modellen via Amazon Bedrock ein.
Diese Neuerungen erlauben es Unternehmen, CRM-Daten und KI-Agenten ohne Datenmigration in AWS-Umgebungen einzubinden, was Arbeitsabläufe harmonisiert.
Google erläutert die Schnittstellen von Gemini 3.5 Transcribe für die präzise Sprachtranskription in Echtzeit und für aufgezeichnete Audiodateien.
Durch die Anpassung des Vokabulars und automatisierte Textkorrektur können Entwickler die Qualität der Spracherkennung in ihren Anwendungen optimieren.