Meta macht 3.000 Mitarbeiter zur RL-Datenfabrik im Wettlauf gegen OpenAI und Anthropic
Einjährige Fortschrittsanalyse der Meta Superintelligence Labs, veröffentlicht am 9. Juli 2026
Ein Jahr nach dem katastrophalen Empfang von Llama 4, der Mark Zuckerberg dazu zwang, die gesamte KI-Organisation von Meta aufzulösen und neu aufzubauen, hat SemiAnalysis einen detaillierten Fortschrittsbericht über die Meta Superintelligence Labs (MSL) veröffentlicht. Der Bericht ordnet die Position von Meta im Rennen um die Spitzen-KI neu ein. Die Autoren Max Kan, Julien Martin-Prin, Jeremie Eliahou Ontiveros und Dylan Patel argumentieren, dass Meta stillschweigend den einzigen Stack unter den Hyperscalern aufbaut, der in allen drei für Frontier-KI notwendigen Bereichen – Daten, Talent und Rechenleistung – Weltklasse-Niveau erreicht. Die bemerkenswerteste Erkenntnis ist dabei keine Benchmark-Punktzahl, sondern eine Unternehmensrichtlinie: Meta hat begonnen, die Bildschirme, Tastaturen und Mausbewegungen seiner Mitarbeiter zu erfassen und verwandelt seine Belegschaft damit faktisch in eine proprietäre Datenquelle für Reinforcement Learning (RL).
Metas Mitarbeiterüberwachung als versteckte Goldgrube für RL
SemiAnalysis bewertet die interne Tracking-Initiative, die bei ihrem Bekanntwerden auf erheblichen Widerstand der Belegschaft und negative Presse stieß, als einen der wertvollsten und am meisten unterschätzten Schritte von Meta im laufenden Jahr. Die Logik dahinter erklärt, wie moderne KI-Labore heute Reinforcement-Learning-Umgebungen aufbauen. Frontier-Labore verbessern Modelle nicht mehr nur durch die Vorhersage des nächsten Tokens; sie trainieren Modelle darauf, ganze Aufgaben zu erledigen, was realistische Umgebungen, Werkzeuge und Verifizierer erfordert. Der Bericht argumentiert, dass Bildschirmaufzeichnungen echter Büroarbeit außergewöhnlich wertvolle Inputs für diesen Prozess darstellen, da sie per Definition repräsentativ für reale wirtschaftliche Aufgaben sind – im Gegensatz zu den „unnatürlich überspezifizierten“ Szenarien in Benchmarks wie OpenAIs GDPval. Die Autoren kritisieren diese explizit und merken an, dass manche Aufgaben mit Prompts versehen seien, die ein Mensch in der Praxis „niemals schreiben würde“.
Was dies laut Bericht zu einem echten strukturellen Vorteil für Meta macht, ist die Skalierung. Externe Datenanbieter wie Mercor, Surge und Handshake haben jeweils die Marke von 1 Milliarde Dollar an jährlich wiederkehrenden Umsätzen überschritten, indem sie Experten als Auftragnehmer für den Aufbau dieser Umgebungen engagierten. Allein Mercor verzeichnete im zweiten Quartal 2026 2,517 Millionen Expertenstunden, was etwa 4.800 Vollzeitkräften entspricht. Meta, so der Bericht, bewege sich mit dem eigenen Personal „bereits in derselben Größenordnung“, verfüge über eine potenziell höhere Durchschnittsqualität und könne bei Erfolg des Ansatzes auf einen Pool von rund 70.000 weiteren Mitarbeitern zurückgreifen. Ende Mai formalisierte Meta dies in einer neuen „Applied AI Engineering Org“ und wies etwa 3.000 Ingenieure, darunter 70 % der Hochschulabsolventen, ganztägig der Erstellung von RL-Aufgaben und -Umgebungen zu. SemiAnalysis urteilt strategisch eindeutig: „Wir halten dies für einen extrem unterschätzten Vorteil für MSL.“
Der Compute-Ausbau: Fünf Gigawatt-Titanen gleichzeitig
Jenseits der Daten beschreibt der Bericht den wohl aggressivsten Rechenzentrumsausbau, den die Branche je gesehen hat. Meta errichtet derzeit parallel fünf Cluster mit jeweils über 1 Gigawatt Leistung: Prometheus in Ohio, Hyperion in Louisiana sowie drei weitere Standorte in El Paso, Iowa und Indiana. SemiAnalysis merkt an, dass bisher kein Unternehmen mehr als einen Gigawatt-Campus gleichzeitig gebaut hat; der engste Präzedenzfall war AWS mit dem 800-Megawatt-Projekt Rainier in Indiana. Meta baut derzeit zwei Standorte in Gigawatt-Größe gleichzeitig. In Hyperion errichtet Meta laut Bericht die weltweit größten Einzelgebäude mit jeweils 400 Megawatt; insgesamt befinden sich dort aktuell 1,5 Gigawatt im Bau. In Iowa zeigen Satellitenbilder, wie Meta innerhalb eines einzigen Jahres von einer leeren Fläche zu einem voll im Bau befindlichen Gigawatt-Standort gelangte.
Das Tokenomics-Modell von SemiAnalysis prognostiziert nun, dass Meta bis Ende 2026 über mehr gesamte KI-Rechenleistung verfügen wird als OpenAI und Anthropic zusammen. Die Analysten warnen zwar, dass ein erheblicher Teil dieser Kapazität weiterhin Empfehlungssystemen und generativer Werbung dienen wird statt dem Training von Frontier-Modellen. Doch selbst unter konservativen Annahmen, die spezifische hochkarätige Standorte für MSL isolieren, ist die Trainings-Rechenleistung von Meta bis 2027 mit der von OpenAI und Anthropic vergleichbar. Der finanzielle Kontrast zu Google ist explizit: Meta betreibt kein Cloud-Mietgeschäft, das um dieselben GPUs konkurriert, und Zuckerbergs Bereitschaft, einen negativen freien Cashflow in Kauf zu nehmen, verleiht Meta eine Flexibilität, die weder Microsoft noch Google derzeit für das interne Modelltraining nutzen.
„Scale-across“ meistern: AI-Backbone und das 2.000-Kilometer-Netzwerk
Der Bericht liefert seltene technische Details darüber, wie Meta diese Standorte miteinander vernetzt – ein Problem, das in der Branche als „Scale-across“ bezeichnet wird. Prometheus wird nicht als einzelner Standort, sondern als ein Verbund von 27 Rechenzentren auf sechs Campussen beschrieben, von denen fünf in einem Umkreis von 6 Kilometern liegen und ein sechster etwa 75 bis 80 Kilometer entfernt ist. Metas Antwort ist eine neue Architektur namens AI-Backbone, eine Weiterentwicklung des bestehenden 10X-Backbone-Netzwerks, das geschichtete Superspine- und Aggregations-Hubs nutzt, um eine bidirektionale Bandbreite von etwa 22 Petabit pro Sekunde über den gesamten Prometheus-Cluster bereitzustellen. Die Verbindungen zwischen den Campussen basieren je nach Glasfaserdistanz auf einer Mischung aus Langstrecken-Optik und Dense-Wave-Division-Multiplexing-Systemen.
Diese Architektur ist nicht ohne Kompromisse. SemiAnalysis merkt an, dass die Latenz innerhalb einer Scale-out-Region 1 bis 10 Mikrosekunden beträgt, während ein 100 Kilometer entfernter Standort aufgrund der physikalischen Grenzen der Lichtausbreitung in Glasfasern nicht unter etwa 500 Mikrosekunden fallen kann. Dies zwingt Meta dazu, das Pretraining synchron innerhalb einer Region auszuführen, während Reinforcement-Learning-Workloads asynchron weltweit verteilt werden. Zukünftige Titan-Standorte sollen dieses Design weiter vorantreiben und Campusse in bis zu 2.000 Kilometern Entfernung verbinden.
Das Superteam zusammenstellen – und teilweise wieder verlieren
In Bezug auf Talente dokumentiert der Bericht eine kontinuierliche Rekrutierung hochkarätiger Experten, die über den 14,3-Milliarden-Dollar-Deal mit Scale AI vom letzten Jahr hinausgeht. Dazu gehören die Einstellung des Thinking-Machines-Mitgründers Andrew Tulloch samt Teilen seines Gründungsteams sowie die ehemaligen OpenAI-Forscher Jason Wei, Hyung Won Chung und Zhiqing Sun. Meta holte zudem Dina Powell McCormick als President und Vice Chairman an Bord, um die Recheninfrastruktur auszubauen, und warb im April das dreiköpfige Führungsteam für Compute von OpenAI ab. Der Bericht merkt jedoch an, dass einer dieser drei Neuzugänge das Unternehmen bereits wieder verlassen hat – unter Verweis auf interne kulturelle Probleme innerhalb der Infrastruktur-Organisation. Ein Hinweis darauf, dass ein Superteam auf dem Papier keine Garantie für praktische Geschlossenheit ist.
SemiAnalysis mahnt zur Mäßigung des Optimismus. „Wir loben sie dafür, die Ressourcen und den Mut aufgebracht zu haben, einen echten Versuch zum Bau einer RSI (Superintelligence) zu wagen, aber jetzt müssen sie die eigentliche Arbeit leisten“, schreiben die Autoren. Jedes Anzeichen nachlassender Entschlossenheit, wie etwa der Abschluss langfristiger Compute-Verkaufsverträge ohne Rücktrittsklauseln oder der Abgang von Spitzenforschern, sei „gleichbedeutend mit einem Todesurteil für MSL“.
Muse Spark 1.1: Aufholjagd, noch nicht am Ziel
Zum Produkt selbst: Die Analysten hatten vorab Zugriff auf Muse Spark 1.1 und stufen es für allgemeine agentische Anwendungsfälle in etwa auf Augenhöhe mit Anthropic Opus 4.6 oder Zhipu GLM 5.2 ein. Dies ist eine bemerkenswerte Verbesserung gegenüber dem ursprünglichen Muse Spark-Start im April, der bei den meisten Benchmarks hinter Open-Source-Konkurrenten wie DeepSeek v4 Pro und Kimi K2.6 zurückblieb. Die Analysten glauben, dass Metas Preisgestaltung knapp unter GLM 5.2 eine bewusste Positionierung war. Dennoch weist der Bericht auf funktionale Defizite hin, etwa die Tendenz, Code-Warnungen zu ignorieren, statt sie zu beheben, sowie die unsachgemäße Nutzung von Editier-Tools. Es wird explizit festgestellt, dass keiner der internen Token-Volumina von SemiAnalysis auf Muse Spark 1.1 umgestellt wird. Selbst im optimistischsten Szenario erwartet das Unternehmen nicht, dass Meta vor Ende 2026 die Parität mit Anthropic oder OpenAI erreicht.
Googles „Verlierermentalität“ und der Kampf um den dritten Platz
Die schärfsten Worte des Berichts gelten Google. Obwohl Gemini 3 Pro und Nano Banana Google kurzzeitig ins Gespräch für die technologische Spitze brachten, argumentiert SemiAnalysis, dass DeepMind strukturell von der benötigten Rechenleistung ausgehungert werde. Ein Großteil der zusätzlichen Kapazitäten von Google in den nächsten zwei Jahren werde voraussichtlich in das Infrastructure-as-a-Service- und Drittanbieter-API-Geschäft fließen, statt in das interne Modelltraining. Das Unternehmen merkt an, dass Google kürzlich Aktien im Wert von 85 Milliarden Dollar ausgegeben hat, um zusätzliche KI-Infrastruktur zu finanzieren, glaubt aber, dass der Großteil dieser neuen Kapazität letztlich an Kunden wie Anthropic vermietet wird. „Das ist eine Verlierermentalität von Google“, schreiben die Autoren. DeepMind werde künftig über weniger Trainings-Rechenleistung verfügen als OpenAI, Anthropic und MSL. Zudem verliere Google weiterhin wichtige Reinforcement-Learning-Forscher an Anthropic, da die RL-Bemühungen bei Google zu dezentralisiert seien.
Unter Bezugnahme auf Alexandr Wangs kürzliche Äußerungen, dass echte Frontier-Labore auf der Überzeugung basieren, dass Superintelligenz unmittelbar bevorsteht und alle Geschäftsentscheidungen daraus folgen müssen, argumentiert der Bericht, dass Googles Führung diese Überzeugung nicht wirklich teile – im Gegensatz zur gründergeführten Dringlichkeit bei OpenAI und Anthropic. Der Rat von SemiAnalysis an Google sowie an Microsoft AI und Amazon AGI lautet, sofort deutlich mehr Rechenleistung auf die interne Modellentwicklung umzulenken und Ingenieure zur Generierung von RL-Aufgaben einzusetzen, statt weiterhin das Training der Konkurrenz zu subventionieren. Der Bericht schließt mit einer pointierten Neuordnung der Wettbewerbslandschaft: Aus Sicht der Analysten findet das Rennen um den dritten Platz in der Frontier-KI nun zwischen Meta und der SpaceX-Tochter xAI statt – nicht mehr mit Google.