Agentic AI

Generative AI

News

Microsoft-Framework soll die Trainingskosten für KI-Agenten senken

Der Anbieter will vom wachsenden Bedarf an kostengünstigeren KI-Diensten profitieren.

1. August 2026

Microsoft Research hat Orchard veröffentlicht, ein Open-Source-Framework, das das Training autonomer KI-Agenten einfacher und kostengünstiger machen soll. Die Veröffentlichung erfolgte am Montag, 4. August 2026, und baut auf der ersten Forschungsarbeit des Unternehmens aus dem März auf. Der Start erfolgt zu einem Zeitpunkt, an dem agentische KI — also Systeme, die eigenständig planen, im Web navigieren, Code schreiben und Tools nutzen können — zu einem der aktivsten Wettbewerbsfelder der Branche geworden ist, in dem große Labs und Start-ups gleichermaßen um Agenten ringen, die mehrstufige Aufgaben aus der realen Welt bewältigen können.

Orchard kann KI-Agenten über mehrere Domänen hinweg trainieren und bewerten, darunter Programmierung, Webbrowsing und die Nutzung von Tools. Ziel ist es, die Komplexität zu reduzieren, indem Forschende nicht mehr für jedes einzelne Modell oder jeden Anwendungsfall unabhängig Sandbox-Infrastruktur, Datenpipelines und Evaluierungssysteme aufbauen müssen — eine Hürde, die die Spitzenforschung im Bereich agentischer KI historisch für viele akademische und unabhängige Teams außerhalb der Reichweite gehalten hat, denen die technischen Ressourcen großer Technologieunternehmen fehlen.

In einem Blogbeitrag räumte Microsoft die Herausforderungen für die Forschungscommunity ein: "While there is excitement around agentic AI's capabilities, the research community faces a persistent bottleneck. Building state-of-the-art agentic systems often requires proprietary infrastructure … that most researchers and practitioners cannot access or reproduce."

Im Zentrum des Frameworks steht Orchard Env, das Microsoft als eine "lightweight, Kubernetes environment that provides reusable isolated components" beschreibt. Diese Komponenten können verwendet werden, um Agenten im großen Maßstab auszuführen und zu entwickeln — von der Erfassung von Trainingsdaten bis hin zu reinforcement learning-Rollouts und Evaluierungen — ohne die zugrunde liegende Architektur jedes Mal neu aufbauen zu müssen. Durch den Aufbau auf Kubernetes, einer branchenüblichen Container-Orchestrierungsplattform, ist Orchard so konzipiert, dass es sich auf einer Reihe von Infrastrukturen einsetzen lässt, von lokalen Clustern bis hin zu großen Cloud-Anbietern.

Um den Ansatz des Frameworks zu demonstrieren, veröffentlichte Microsoft drei domänenspezifische Trainingsrezepte — Orchard-SWE, Orchard-GUI und Orchard-Claw — zusammen mit den zugehörigen Trainingsdaten und den Evaluierungsmethoden, die zu ihrer Entwicklung verwendet wurden. Orchard-SWE trainiert Software-Engineering-Agenten, Orchard-GUI konzentriert sich auf Browser-Navigation, und Orchard-Claw deckt alltägliche Produktivitätsaufgaben ab. Microsoft zufolge zeigten die für jedes Rezept trainierten Modelle Ergebnisse, die auf etablierten Benchmarks wettbewerbsfähig waren.

Das Unternehmen hob die breiteren Implikationen des offenen Designs des Frameworks hervor. "By making the underlying infrastructure open, lightweight, and reusable, Orchard lowers the cost of agentic AI research," sagte Microsoft. "Teams no longer need to build custom isolated environments from scratch or depend on proprietary cloud services." Der Open-Source-Ansatz entspricht einem breiteren Branchentrend, in dem große KI-Labs — darunter Meta mit seinen Llama-Modellen und Google mit mehreren Forschungs-Frameworks — Tools und Modellgewichte öffentlich veröffentlicht haben, um den gemeinschaftsgetriebenen Fortschritt zu beschleunigen.

Microsoft skizzierte außerdem seine Sicht auf zukünftige Entwicklungsrichtungen. "Looking ahead, we see reusing training experience as a promising direction toward cumulative agent learning. Instead of discarding trajectories once a training run finishes, we treat them as persistent assets — for example, distilling them into reusable value models." Dieses Konzept des kumulativen Lernens — bei dem Agenten auf früheren Erfahrungen aufbauen, statt jeden Trainingslauf von Grund auf neu zu beginnen — spiegelt langjährige Ziele in der Forschung zum reinforcement learning wider, in der Stichprobeneffizienz und Wissenstransfer weiterhin offene Herausforderungen sind.

Das Orchard-Framework ist zusammen mit der zugehörigen research publication als Open-Source-Veröffentlichung von Microsoft Research verfügbar.

Über den Autor

Graham Hope

Contributing Writer

Graham Hope arbeitet seit 26 Jahren im Automobiljournalismus in Großbritannien, unter anderem als Redakteur einer führenden Verbraucher-Nachrichtenwebsite und der Wochenzeitung Auto Express sowie des angesehenen Kaufberaters CarBuyer.

Möchten Sie mehr AI-Business-Artikel in Ihren Google-Suchergebnissen sehen?

Aktuelle Nachrichten

Möchten Sie mehr AI-Business-Artikel in Ihren Google-Suchergebnissen sehen?

Trendartikel

Aug 3, 2026

Aug 3, 2026

Generative AI AI Arrives in the Private Markets Business Jul 28, 2026

AI Arrives in the Private Markets Business

Agentic AI Using AI Agents to Collaborate with Human Workers Jul 10, 2026

Using AI Agents to Collaborate with Human Workers

Generative AI How SMBs Can Take Advantage of Generative AI Jun 29, 2026

How SMBs Can Take Advantage of Generative AI

Generative AI Rebellions Aims to Take on Nvidia in AI Inference Chip Battle Jun 15, 2026

Rebellions Aims to Take on Nvidia in AI Inference Chip Battle

Gesponsert von Google Cloud

Die Wahl Ihrer ersten Generative-AI-Anwendungsfälle

Um mit generativer KI zu beginnen, konzentrieren Sie sich zunächst auf Bereiche, die die menschliche Erfahrung mit Informationen verbessern können.

The AI Summit New York 2026

Vernetzung von Führungskräften aus Unternehmen, Technologieinnovatoren und KI-Entscheidungsträgern, um die neuesten Entwicklungen im Bereich kommerzielle KI zu erkunden.