Metas Chef räumt intern ein, dass die Entwicklung von KI-Agenten hinter dem Zeitplan liegt. Der Meta-Chef sprach von einer Entwicklung, die sich in den letzten vier Monaten nicht wie erhofft beschleunigt habe. Bemerkenswert daran ist weniger die Verzögerung selbst als der Kontrast zu den Milliardensummen, die Meta gerade verbrennt.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Das Wichtigste in Kürze
- Zuckerberg nennt die vergangenen vier Monate der Agenten-Entwicklung enttäuschend, der Umbau habe sich noch nicht ausgezahlt.
- Meta plant für 2026 bis zu 126 Mrd. Euro (145 Mrd. USD) an KI-Infrastruktur, trotz ausbleibender Fortschritte.
- Der Umbau kostete rund 10 % der Belegschaft den Job, etwa 7.000 Stellen wanderten in KI-Teams.
- Für Anwender zählt der Mechanismus: Agenten scheitern an Zuverlässigkeit, nicht an fehlender Rechenpower.
Warum sind agentische Systeme so schwer zu bauen?
Kurz gesagt: Agenten arbeiten in langen Schrittketten, und jeder Fehler pflanzt sich fort. Selbst bei 95 % Zuverlässigkeit pro Schritt gelingt eine Kette aus 20 Schritten nur in 36 % der Fälle. Das ist reine Mathematik, keine Frage besserer Modelle.
Die eigentliche Ursache liegt in der Reihenschaltung. Ein autonomer Agent plant, ruft Werkzeuge auf, liest Ergebnisse und plant weiter. Ein falsches Zwischenergebnis fließt in den nächsten Aufruf, wird dort selbstsicher weiterverarbeitet und driftet mit jedem Schritt weiter vom Ziel weg. Am Ende der Kette ist der Ursprungsfehler kaum noch erkennbar, und ohne feste Prüfpunkte fällt der Irrweg niemandem auf. Genau diese Fehlerfortpflanzung erklärt, warum eine beeindruckende Demo im Produktivbetrieb kippt, sobald echte Eingaben, Netzwerkfehler und Sonderfälle dazukommen.
Ist Meta mit dem Problem allein?
Nein, das Muster zieht sich durch die ganze Branche. Zuckerbergs Eingeständnis reiht sich in eine Serie gedämpfter Erwartungen ein und bestätigt, wovor Analysten längst warnen.
Die Marktforscher von Gartner rechnen damit, dass bis Ende 2027 mehr als 40 % aller Agenten-Projekte gestrichen werden, wegen zu hoher Kosten, unklaren Nutzens und mangelnder Kontrolle. Nicht die Modellqualität kippt die Projekte, sondern die Kluft zwischen sauberem Labor und rauem Alltag. Auch bei Dr. Web zeigte sich das Muster: Eine Anthropic-Studie mit 52 Entwicklern ergab, dass die KI-Gruppe beim Debugging schlechter abschnitt als die Kontrollgruppe ohne Assistent. Andere Ansätze wie kollaborierende Micro-Agenten versuchen, die Fehlerquote durch Arbeitsteilung zu drücken, statt auf ein Allzweckmodell zu setzen.
Was heißt das für den Mittelstand?
Die klare Ansage lautet: realistisch planen statt Vollautomatik erwarten. Ausgerechnet der Konzern mit dem größten Infrastruktur-Budget kommt langsamer voran als gedacht, ein starkes Signal gegen überzogene Erwartungen im eigenen Betrieb.
Für die Praxis folgt daraus ein nüchterner Dreisatz. Setzen Sie Agenten zuerst auf kurze, klar begrenzte Aufgaben an, weil kurze Schrittketten die Fehlerfortpflanzung klein halten. Halten Sie an jedem kritischen Punkt einen Menschen im Kontrollkreis, bevor der Agent Rechnungen verschickt, Daten schreibt oder Verträge anfasst. Und rechnen Sie den Nutzen ehrlich gegen, denn ein System, das jede fünfte Aufgabe vergeigt, kostet in der Nacharbeit oft mehr als es spart. Diese Realitätshaltung erspart die teure Enttäuschung, die gerade selbst Meta durchläuft. Mehr Grundlagen liefert unsere KI-Themenübersicht und der Vergleich der besten KI-Textgeneratoren.
