Meta präsentiert Muse Wonder, ein deutlich größeres Frontier-Modell, und legt die Wette von über 100 Milliarden Dollar offen
Zuckerberg und Wang erläutern das neue Modell, die priorisierte kostenpflichtige Einführung und die Ökonomie eines Gigawatt-schweren KI-Programms in einem Podcast mit Stripe-Mitgründer John Collison vom 13. Oktober 2026
Meta Platforms bringt Muse Wonder auf den Markt – das erste Modell der Meta Superintelligence Labs, das auf einem neuen, signifikant größeren Pre-Training basiert. CEO Mark Zuckerberg und Chief AI Officer Alexandr Wang sprachen in einem ausführlichen Gespräch mit Stripe-Mitgründer John Collison über das Modell, die Kosten für dessen Entwicklung und den kommerziellen Plan. Die wertvollsten Einblicke boten dabei nicht die Benchmark-Angaben, die aus Metas eigener Feder stammen, sondern die Ökonomie des Programms und das Geständnis, wie wenig Weitsicht das Unternehmen bei seinen Kapitalzusagen hatte. Collison merkte zudem an, dass Stripe OpenRouter übernimmt – die Plattform, über die Metas Modelle vertrieben werden –, und dass Stripe an der Commerce-Integration von Muse mitgewirkt hat. Investoren sollten seine Fragen vor dem Hintergrund dieser Beziehung betrachten.
Muse Wonder: Ein größeres Basismodell, zunächst für zahlende Nutzer
Wang bezeichnete Muse Wonder als „eine neue Klasse von Modell, die sich an der technologischen Front bewegt“. Es erscheint in zwei Versionen: Muse Wonder und der leistungsstärkeren Variante Muse Wonder Full. Die frühere Muse-Spark-Linie basierte auf einem Pre-Training, das Ende vergangenen Jahres abgeschlossen wurde. Wonder fußt auf einem separaten und „signifikant größeren“ Pre-Training, an dessen Post-Training Meta bereits seit einiger Zeit arbeitet. Die internen Codenamen lauteten Avocado für Spark und Watermelon für Wonder. Zuckerberg erklärte, dem Unternehmen seien „die Früchte ausgegangen“, weshalb man eine neue Namenskonvention benötigen werde.
Laut Wang erzielt Wonder bei Metas internen Evaluierungen zu persönlichen und professionellen Agentenaufgaben branchenführende Ergebnisse. Er verwies zudem auf Spitzenresultate bei DeepSWE und SWE-Marathon, starke Werte bei Terminal-Bench sowie Top-Platzierungen bei diversen Finanz- und Legal-Evals. Meta hob drei Designprioritäten hervor. Die erste ist die sogenannte aktive Memory, die direkt in das Modell integriert ist und nicht über eine externe Himmelsrichtung gesteuert wird. Wang betonte, dass der Speicherbereich bisher die Schwachstelle früherer Agentenprodukte gewesen sei, und verwies auf den Ansatz der Lang- und Kurzzeitverdichtung in OpenClaw. „Unsere Evaluierungen belegen dies, aber darauf sind wir durchaus stolz“, sagte er, räumte jedoch ein, dass es „nach wie vor reichlich Raum für Verbesserungen“ gebe. Die zweite Priorität ist der aktive Fokus, also die Ausdauer bei langen, ambivalanten Aufgaben. Die dritte ist Domänenwissen in Bereichen wie Finanzen, Recht, Gesundheit und Steuern, das den Agenten laut Wang wirken lassen soll „wie ein Expertenteam an Ihrer Seite“.
Die kommerzielle Einführung erfolgt vorsichtig. Da Wonder größer und im Betrieb teurer ist, wird es laut Zuckerberg „primär in kostenpflichtigen Abonnements“ innerhalb der Muse-App starten, während Muse Spark mit einem – wie er es nannte – riesigen Kontingent an kostenlosen Tokens weiterhin gratis bleibt. Wonder wird zudem über die Meta Model API und OpenRouter verfügbar sein. Abonnenten von Muse Code erhalten Muse Wonder Full. Zuckerberg äußerte die Hoffnung, „schon gar nicht allzu ferner Zukunft“ ein Modell anzubieten, das die Qualität von Wonder im Formatfaktor von Spark erreicht – jener Version, die Hunderte Millionen Nutzer bedienen kann. Bis dahin erreicht Metas bestes Modell die kostenlose Nutzerbasis nicht, und das Unternehmen arbeitet noch an der Skalierung des Betriebs. Zuckerberg fügte hinzu, dass die Programmierfortschritte von Wonder nur für eine Minderheit der Muse-Nutzer von Bedeutung sein werden.
Wie sich Meta nach eigenen Angaben dem Goodhart-Gesetz entzieht
Auf das Goodhart-Gesetz und die Optimierung für Benchmarks angesprochen, erklärte Wang, Meta lenke das Training zunehmend auf interne Evaluierungen. Externe Benchmarks seien zwar „kein abwegiger Startpunkt“, dienten jedoch hauptsächlich dazu, „Lebenszeichen zu erkennen“. Seine Haltung zu deren Herkunft war unverblümt: Sich auf sie zu verlassen bedeute, „das gesamte Produktdenken an jenen Doktoranden auszulagern, der zufällig einen viralen Benchmark erstellt hat“.
Ein Forschungspapier von Meta quantifiziert das sogenannte „Big Model Smell“ – definiert als die Diskrepanz zwischen der Leistung eines Modells bei Aufgaben, die seinen RL- und Post-Training-Daten ähneln, und seiner Leistung bei Out-of-Distribution-Aufgaben. Wang sagte, diese Lücke verringere sich von der Spark- zur Wonder-Linie drastisch, was er auf das stärkere Basismodell zurückführte. Die Metrik stammt von Meta selbst und wurde nicht extern auditiert. Sie legt jedoch nahe, dass das Unternehmen das größere Pre-Training als Treiber für den Leistungssprung sieht und nicht allein das erweiterte Post-Training. Wang verwies auf die Entwicklung von Spark von Version 1 zu 1.3, die ohne neues Pre-Training auskam, als Beleg dafür, dass sich die Reinforcement-Learning-Rezepte branchenweit rasant verbessern. Meta skaliere Pre-Training und RL parallel.
Zuckerberg formulierte die Produktphilosophie direkt: „Das Modell ist das Produkt.“ Die eigentliche Herausforderung bei Muse liege im Datenschutz- und Sicherheitsmodell für die Daten, mit denen Agenten in Berührung kommen, während Persönlichkeit und Fähigkeiten im Zuge des Trainings einfließen. Er hob Diskretion als Eigenschaft hervor, die für einen persönlichen Agenten wichtiger sei als für einen Coding-Agenten. Ein persönlicher Agent müsse viel über den Nutzer wissen und gleichzeitig „so wenig wie möglich preisgeben“ – etwa bei der Reservierung eines Restaurants unter Berücksichtigung medizinischer Einschränkungen. Muse besitzt keinen Modell- oder Modus-Umschalter; eine bewusste Entscheidung, die Zuckerberg mit der branchenweit verwirrenden Namensgebung begründete.
Die 100-Milliarden-Dollar-Entscheidung vor Entstehung der Modelle
Die auffälligste Enthüllung betraf die Finanzierung des Programms. Zuckerberg berichtete, dass Meta Ende vergangenen Jahres, als die Modelle noch gar nicht existierten, bereit war, einen Scheck „von schätzungsweise 100 Milliarden oder 200 Milliarden Dollar“ auszustellen. Er erinnerte sich, dass er Wang direkt gefragt habe: „Alex, bist du sicher, dass das funktioniert?“ Wang erzählte, dass CFO Susan Li ihn während eines Führungskräfte-Offsites auf Hawaii wiederholt zur Seite genommen und gewarnt habe: „Wenn das nicht klappt ... wird das finanziell sehr, sehr unschön.“ Er beschrieb die Situation als „Entrepreneurship im Hardcore-Modus. Es ist das genaue Gegenteil von Lean Startup“, da das Abwarten von Beweisen bedeuten würde, „radikal ins Hintertreffen zu geraten“.
Zu den Kosten nannte Zuckerberg grobe Branchenkennzahlen. Der Betrieb eines 1-Gigawatt-Clusters über ein Jahr verschlingt demnach etwa 15 Milliarden Dollar, während der Aufbau im Vorfeld schätzungsweise 50 bis 60 Milliarden Dollar kostet. Forschungskosten, einschließlich Tests auf jeder Stufe der Skalierungsleiter, dürften mit den Ausgaben für den finalen Trainingsdurchlauf vergleichbar sein. Hinzu kommen die Betriebskosten für die Bereitstellung (Serving). Er erklärte, dass die ihm bekannten Finanzkalkulationen „zehn Milliarden Dollar“ zu einer realistischen Schätzung für das Training eines Frontier-Modells machen. Metas Prometheus-Cluster in Ohio skaliert über 1 Gigawatt hinaus, während für den Hyperion-Cluster in Louisiana 5 Gigawatt geplant sind. Zuckerberg betonte, dass beide Cluster in den Jahren 2023 oder 2024 und somit vor der Gründung von MSL konzipiert wurden. Rechenzentrumskapazitäten für den Betrieb von Muse mussten demnach Jahre im Voraus bereitgestellt werden, obwohl das entsprechende Produkt noch gar nicht existierte.
Zuckerberg argumentierte, das Verlustrisiko sei geringer, als die Zahlen vermuten ließen. Sollten Metas Modelle hinter den Erwartungen zurückbleiben, würden andere Käufer die Kapazitäten zum nahezu gleichen Gigawatt-Preis abnehmen – die Rechenleistung sei also nur dann wertlos, „wenn die KI insgesamt scheitert“. Dies ist eine Managementperspektive und keine Garantie; sie setzt eine anhaltende Nachfrage der Industrie nach Rechenkapazität voraus.
Wie Meta die Finanzierung stemmen will
Auf die Frage, wie der Ausbau finanziert wird, nannte Zuckerberg vier Einnahmequellen. Erstens: Abonnements, beginnend mit dem Zugang zu Wonder. Zweitens: Commerce, wobei Meta einen „kleinen Anteil“ an dem einstreichen will, was Muse für Nutzer einspart oder erwirtschaftet, ergänzt durch einen „Business-in-a-Box“-Agenten für kleine Unternehmen. Drittens: Die API und eine neue Meta Enterprise Platform unter der Leitung von CJ Desai, die sich an Firmen richtet, von denen Zuckerberg erwartet, dass sie ein „exzellentes und erschwingliches“ Wonder nachfragen werden. Viertens: Das Kerngeschäft mit Werbung, das laut Zuckerberg „Hunderte Milliarden Dollar schwer ist und weiterhin extrem schnell wächst“ und durch diese Modelle „um ein paar Prozentpunkte beschleunigt“ werden kann. Konkrete Umsatzzahlen oder Zeitpläne wurden für keine dieser Säulen genannt.
Er wies zudem auf einen bilanztechnischen Vorteil gegenüber Cloud-abhängigen Wettbewerbern hin. Meta aktiviert und schreibt seine eigenen Rechenzentren ab, während Forschergehälter als laufende Kosten verbucht werden. Selbst H100-GPUs seien heute wertvoller als im Vorjahr, da Rechenleistung weiterhin knapp ist. Metas erklärte Strategie besteht darin, zunächst eine Milliarde Nutzer zu gewinnen und die Monetarisierung erst danach zu skalieren – und die Antwort auf die Frage, ob KI Geld verdienen wird, „muss schlicht ja lauten“.
Agenten-Commerce: Frühes Nutzerverhalten, noch keine Finanzkennzahl
Zuckerberg erklärte, Muse gehöre zu den ersten Produkten, bei denen Nutzer ihre Einkäufe vollständig an einen Agenten delegieren. Meta hat die Browsernutzung direkt in die Modelle trainiert, sodass keine Integration seitens der Händler erforderlich ist; gleichzeitig wird ein direkter API-Zugang mit großen Partnern angestrebt. Laut Zuckerberg rufen „wesentlich mehr Unternehmen“ an, um eine tiefgreifende Integration zu besprechen, als solche, die versuchen, Agenten zu blockieren. Als persönliches Beispiel nannte er eine wöchentliche Back-Routine mit seiner Tochter, bei der Muse die Zutaten über Instacart bestellt. Er habe ein Instacart-Konto exklusiv für Muse eröffnet und nutze den Dienst nun ein- bis zweimal pro Woche. Sein Argument: Agenten mit eigenen Konten könnten den adressierbaren Gesamtmarkt im Handel vergrößern, anstatt lediglich Marktanteile zu verschieben. Dies ist eine Anekdote; Meta legte keine Daten zu Bestellvolumina oder Konversionsraten vor.
Berichten Dritter zufolge sei Muse womöglich die am schnellsten wachsende Agenten- oder KI-App bisher, auch wenn keine Nutzerzahlen genannt wurden, so Zuckerberg. Er fügte hinzu, Meta habe zum Launch noch keine Tools für das Wachstumsmanagement bereitgehabt, da man darauf eingestellt war, sich iterativ an die Marktanpassung (Product-Market Fit) heranzutasten.
Ein kleines, talentdichtes Lab und ein Geständnis zu Llama 4
Zuckerberg äußerte sich unumwunden zu dem Neuanfang. Meta hatte Llama 4 am 4. April 2025 gelauncht, war mit der Entwicklung unzufrieden und begann etwa zwei Wochen später, externe Berater zu kontaktieren. Wang berichtete, das Forschungsteam zähle „weniger als 200 Personen“, ohne Infrastrukturpersonal wahrscheinlich eher um die 100 – im Vergleich zu Hunderten Mitarbeitern anderswo. Die Rechenleistung sei auf wenige Wetten konzentriert und nicht „mit der Gießkanne“ über konkurrierende Initiativen verteilt worden. Er schilderte ein frühes Meeting, bei dem ein leitender Mitarbeiter aus der Llama-Ära gefragt habe, ob Meta überhaupt ein Reasoning-Modell benötige – ein Moment, in dem ihm „das Herz in die Hose gerutscht“ sei. Zuckerberg betonte, das Labor habe sich wie ein Neuanfang anfühlen müssen, um die besten Köpfe zu rekrutieren. Er habe zudem seinen Kalender für ein bis zwei Monate freigeräumt, um sich mit Forschern auszutauschen. Wang merkte an, dass Wonder seit August geplant war und frühe Post-Training-Erfolge sich rasch eingestellt hätten, was er als gutes Omen wertete.
Warum Meta argumentiert, dass KI kein „Winner-take-all“-Markt wird
Wang erklärte, dass die 2023 prognostizierte Dynamik der rekursiven Selbstverbesserung ausgeblieben sei. Er führte dies auf eine ungleichmäßige Umsetzung in den verschiedenen Labors sowie auf die Destillation zurück, die er als „antihegemoniale Kraft“ bezeichnete, welche Frontier-Fähigkeiten in kleinere Modelle packt. Zuckerberg sagte, Meta lege einen größeren Fokus auf persönliche und professionelle Agenten als andere Labore, was eine Differenzierung darstelle. Eine Welt mit diversen Modellen sowie Checks and Balances sei sicherer als eine, in der wenige Unternehmen die besten Modelle kontrollieren. Zuckerberg fügte hinzu, Meta werde möglicherweise keinen App Store für seine Brille bauen, die seiner Ansicht nach ein „reines multimodales Produkt“ sein wird, und merkte an, dass Muse Gadgets bereits auf das Interesse von Smartphone-Herstellern gestoßen ist.