KI-News — 22. Juni 2026

$ cat top-story.md

$ gh trending --weekly --ai --top 5

▸ Kimi K2.7-Code: Moonshot AI greift mit Kampfpreisen an

Moonshot AI hat Kimi K2.7-Code veröffentlicht — ein Open-Weight-Coding-Modell (MoE, 1B aktive Parameter) mit starker Leistung auf MCP-Benchmarks und drastisch günstigeren API-Preisen: $0,95/$4,00 pro Million Tokens, mehr als zwölfmal billiger als Claude Fable 5 beim Output. Bei MCPMark Verified übertrifft es sogar Claude Opus 4.8. Warum relevant: Für Agenten- und RAG-Pipelines mit hohem Token-Durchsatz lohnt sich ein eigener Benchmark-Vergleich — der Preisvorteil ist enorm. // The Decoder

▸ OpenMontage: Open-Source KI-Videoproduktion mit 500+ Agent-Skills

OpenMontage ist das erste Open-Source-Videoproduktionssystem mit agentischen Workflows: 12 Pipelines, 52 Tools und über 500 Agenten-Skills verwandeln Textbeschreibungen in fertige Videos — inklusive Recherche, Scripting, Asset-Generierung und Schnitt. Kompatibel mit Claude Code, Cursor und Copilot als Coding-Assistent. Warum relevant: Wer KI-Video-Content automatisieren will (Tutorials, Erklärvideos, Demos), hat hier eine voll kontrollierbare Self-Hosted-Alternative zu kommerziellen Diensten. // GitHub (+2.867 Sterne diese Woche)

▸ AWS: Wissensgraph und automatische Sicherheitsprüfung für KI-Agenten

Auf dem AWS Summit New York stellte Amazon zwei neue Dienste vor: AWS Context baut einen unternehmensweiten Wissensgraphen, der Agenten mit Geschäftsprozess-Wissen versorgt und „selbstbewusst falsche Empfehlungen" reduziert; AWS Continuum lässt einen DevOps-Agenten KI-generierten Code vor dem Deployment in produktionsnahen Umgebungen auf Schwachstellen prüfen. Warum relevant: Die Kombination aus kontextreichem Agenten-Gedächtnis und automatisierter Pre-Deploy-Sicherheitsprüfung adressiert die zwei größten Produktionshürden für Agenten-Stacks. // The Decoder

▸ Claude Code: /cd-Befehl, verschachtelte Sub-Agenten und Safe Mode

Die aktuelle Claude-Code-Welle bringt: /cd wechselt Session-Verzeichnis ohne Prompt-Cache-Verlust; Sub-Agenten können jetzt eigene Sub-Agenten spawnen (max. 5 Ebenen tief); --safe-mode startet ohne jegliche Customizations zum Debuggen; /plugin list zeigt installierte Plugins inline; und destruktive Git-Befehle (git reset --hard, git clean, terraform destroy) werden blockiert, wenn der Agent sie nicht explizit angefordert hat. Warum relevant: Verschachtelte Agenten sind ein Game-Changer für komplexe Automatisierungen; die Git-Schutzmechanismen verhindern Datenverlust in autonomen Läufen. // Claude Code Docs

▸ Data2Story: 7 KI-Agenten schreiben Datenjournalismus — Leser bevorzugen das Ergebnis

Oxford- und Stanford-Forscher stellten eine Pipeline vor, die aus CSV-Dateien vollständige Artikel mit Grafiken und Quellenbelegen erzeugt — orchestriert von sieben spezialisierten Agenten (Detective, Analyst, Editor, Designer u. a.). In einer Nutzerstudie bevorzugten 74 % der Leser die KI-Artikel gegenüber menschlichen Originalen, besonders bei datenlastigen Texten. Bei mündlichen Präsentationen — wo KI schwächer ist — zeigte sich kein Effekt. Warum relevant: Ein konkretes Multi-Agenten-Muster (7 spezialisierte Rollen, ein Auditor) mit wissenschaftlicher Evaluation — übertragbar auf eigene Analyse-Pipelines. // The Decoder

▸ Sam Altman (Stanford): LLM-Skalierung noch lange nicht ausgereizt

Am 21. Juni an der Stanford University verteidigte OpenAI-Chef Sam Altman die Weiterführung der LLM-Skalierung: „Zu diesem Zeitpunkt gegen die Skalierung von LLMs zu wetten, halte ich für ziemlich verfehlt." Er kritisierte Wissenschaftler wie Yann LeCun, die LLMs als Sackgasse einordnen, und nannte LLM-Fortschritte bei mathematischen Beweisen als Beleg. Konkrete neue Modell-Ankündigungen machte er nicht. Warum relevant: Altmans Aussagen sind ein Indikator für OpenAIs mittelfristige Strategie — und ein Kontrapunkt zu den Scaling-Wall-Debatten der letzten Wochen. // The Decoder

▸ UC Berkeley: A-Noten stiegen seit ChatGPT um 13 Prozentpunkte

Eine Berkeley-Analyse von über 500.000 Noten aus 319 Kursen (2018–2025) zeigt: Seit ChatGPTs Launch im November 2022 stieg der Anteil der Note A um 13 Prozentpunkte (+30 % über Ausgangswert). Der Effekt konzentriert sich auf Kurse mit hohem Hausaufgabenanteil; bei mündlichen Prüfungen kein messbarer Anstieg — KI ersetzt unbeaufsichtigte Arbeit, fördert aber kein tieferes Lernen. Warum relevant: Gibt der aktuellen Diskussion über Bildung und KI erstmals eine belastbare Datenbasis; relevant für alle, die KI-Outputs aus Bildungseinrichtungen bewerten oder KI-Nutzungsrichtlinien gestalten. // The Decoder