Meta: Wang sagt, Muse wurde von weniger als 200 Personen auf Basis einer Launch-Scorecard mit über 100 Zeilen entwickelt – und Meta setzt auf Consumer-Agenten, während Konkurrenten dem Programmieren hinterherlaufen
13. Oktober 2026 | Podcast-Interview mit Chief AI Officer Alexandr Wang über die Entwicklung und Einführung des persönlichen Agenten Muse
Ein Produkt gegen den Branchenkonsens
Alexandr Wang, Leiter der Meta Superintelligence Labs, hat den bislang detailliertesten Einblick gegeben, wie Meta seinen persönlichen Agenten Muse entwickelt hat und warum das Unternehmen diesen Weg gewählt hat. Im Zentrum steht eine strategische Kehrtwende. Wang erklärte, dass Anfang 2026 die Modelle Opus und Claude von Anthropic „im Bereich Coding meilenweit voraus“ gewesen seien und „die einhellige Meinung in der Branche lautete, dass Coding-Agenten die einzig relevante Produktform seien“. Meta beschloss jedoch, dieses Anwendungsgebiet nicht zu überlaufen. Wang argumentierte, dass Metas Historie, Menschen mit Freunden und Familie zu verbinden, sowie die Distribution an 3,5 Milliarden tägliche Nutzer über alle Apps hinweg Consumer-AI zum natürlichen Spielfeld machen: „Es geht nicht um Arbeit. Es geht nicht um Coding. Es ist persönlich.“
Wang begründet Metas Erfolgsaussichten in einer von fortgeschrittener KI geprägten Welt mit einer einfachen These: Wenn KI die Aufgaben übernimmt, die Menschen erledigen müssen, verbleibt die restliche Zeit für Dinge, die sie tun wollen. Seiner Ansicht nach repräsentieren Metas Produkte „genau das, was wir alle tun wollen“. Dies ist eher eine Aussage zur strategischen Positionierung als ein Beweis für die operative Umsetzung und sollte auch so verstanden werden. Es erklärt jedoch, warum die KI-Investitionen des Konzerns auf Agenten ausgerichtet wurden und nicht auf ein Wettrennen im Bereich Coding, das zu gewinnen kaum realistisch gewesen wäre.
Sieben Monate vom Prototypen zum Launch mit weniger als 200 Mitarbeitern
Wang berichtete, die Idee habe im Februar Konturen angenommen, als er und Nat Friedman jeweils mehrere Wochen in OpenClaw eingetaucht waren – den Open-Source-Personalagenten, der kurzzeitig die Aufmerksamkeit der Entwicklerszene auf sich gezogen hatte. Beide verfassten Memos an den Meta-Verwaltungsrat. In Wangs Memo hieß es, der Super-Agent sei „in vielerlei Hinsicht das finale Consumer-Produkt“. Ein Prototyp wurde innerhalb von ein bis zwei Wochen gebaut und dem Vorstand demonstriert; mehrere Elemente des Endprodukts, darunter das Jolly-Maskottchen und eine frühe Version des Muse Charm, waren bereits enthalten. Der offizielle Launch folgte rund sieben Monate später.
Wang äußerte sich unumwunden über die Kluft zwischen Demo und marktreifem Produkt. Der Prototyp „funktionierte manchmal und war magisch, aber meistens eben nicht und stürzte permanent ab“. Er räumte ein, dass OpenClaw genau aus diesem Grund seinen Zenit überschritten habe und verblasst sei: „Man hatte diese magischen Momente, aber größtenteils funktionierte es nicht sonderlich gut.“ Metas angeblicher Vorsprung lag in wenig glamouröser Detailarbeit: „Das mühsame Herauskleistern und Schleifen aller Details, damit die Kombination aus Modell und Produkt-User-Experience wirklich großartig wird.“
Das Team blieb klein. Wang bezifferte den Gesamtaufwand für Modell und Produkt auf „unter 200 Personen insgesamt“ und betonte, diese Zurückhaltung sei absichtlich erfolgt. Als typische Fehlform großer Organisationen beschrieb er das „Frankenstein“-Produkt, „in gewisser Weise PM-Hölle“, bei dem jeder Manager ein Feature hineinpresst und das Resultat zu einem „Smoothie“ verschmilzt. Er lobte Friedmans Geschmack als den entscheidenden Blickwinkel, der Muse geprägt hat, und zollte Mark Zuckerberg Anerkennung für dessen Geduld in einer Phase, in der – wie Wang einräumte – „im Unternehmen große Zweifel herrschten“ und an der Wall Street das vorherrschende Narrativ die Runde machte, Meta verbrenne Geld ohne klaren Weg zum KI-Erfolg.
Wie Meta entschied, dass Muse bereit ist
Der Launch-Prozess verlief quantitativer als in den meisten Consumer-Produktzyklen. Meta pflegte eine Tabelle mit über 100 spezifischen Verhaltensweisen und Fähigkeiten, die ein idealer persönlicher Agent aufweisen muss. Jede Zeile war mit einer Launch-Blockadeschwelle sowie einem „Good“-Schwellenwert versehen, unterlegt mit entsprechenden Evaluierungen. Wang erklärte, bei vielen Checkpoints seien 80 % der Zeilen grün und 20 % rot gewesen, was schlicht nicht ausreichte. Der erste Kontrollpunkt, der sämtliche Zeilen erfolgreich passierte, war „eine speziell trainierte Version von Muse Spark 1.3“. Meta kombinierte dies mit umfangreichen Onboarding-Tests neuer Nutzer und kontinuierlichen A/B-Tests. Wang wies darauf hin, dass die User Experience „sehr empfindlich auf die Modellqualität reagiert“ und darauf, wie zuverlässig das Modell kommuniziert und Rücksprache mit dem Nutzer hält.
Für Investoren bedeutet dies, dass die Nutzerbindung (Retention) von Muse direkt von der Zuverlässigkeit des Modells bei agentenbasierten Aufgaben abhängt, die nicht-deterministisch sind und potenziell sichtbar fehlschlagen können. Wang räumte ein, das Produkt stehe „auf des Messers Schneide“: Wenn es verlässlich liefert, könnte es eines der großartigen Consumer-Produkte werden; stoßen Nutzer hingegen auf unzuverlässige Erlebnisse, „halten sie es für Müll“.
Zahlen zur Adoption bleiben vage
Meta hat keine Nutzerzahlen offengelegt. Wang sagte, das Unternehmen habe von „Millionen“ gesprochen, fügte jedoch hinzu, er selbst habe Charts von Drittanbietern retweetet, wonach Muse die am schnellsten wachsende Consumer-KI-Anwendung aller Zeiten sei. Auf konkrete Zahlen angesprochen, lehnte er eine Nennung ab. Der spöttische Einwurf des Interviewers, „Millionen könnten auch Hunderte Millionen sein“, erinnert treffend daran, dass die Behauptung unquantifiziert bleibt. Wang ging zudem weder auf die Monetarisierung, die Rechenleistungskosten pro Agentenaufgabe noch auf Engagement- und Retention-Metriken ein – Faktoren, die letztlich schwerwiegender sein werden als die Download-Geschwindigkeit.
Memes als Wachstumskanal
Wang bezeichnete seine ungewohnt respektlosen Posts auf X als bewussten Versuch, durch den „stromlinienartigen Sturzbach“ von KI-Launches zu dringen und „Meta wieder cool zu machen“. Er stützte sich auf das Jolly-Maskottchen sowie Memes und zeigte sich überzeugt, dass die Posts „einen echten Einfluss auf das Wachstum hatten“, wenngleich er einräumte: „Wir haben kein Tracking dafür und es ist schwer zu sagen.“ Zudem argumentierte er, dass moderne Consumer-Produkte „auf dem Screenshot funktionieren“ müssen und die Sichtbarkeit des Maskottchens in geteilten Screenshots sofort eine Muse-Interaktion signalisiere. Metas eigene Marketing-Logik beschrieb er mit der Frage „Warum sollte das jemanden interessieren?“ – und kontrastierte dies mit seiner Ansicht nach ineffektiver, marken zentrierter Werbung von Anthropic und OpenAI.
Beim User-Engagement beschrieb Wang eine Dynamik des Vertrauensvorschusses („Trust Fall“), bei der Nutzer dem Agenten schrittweise größere Aufgaben übertragen. Erfolgreiche Nutzer seien diejenigen, die diese Stufenleiter emporsteigen und bei jedem Schritt feststellen, dass es funktioniert. Das ist ein plausibler Mechanismus für die Kundenbindung, bedeutet aber auch, dass ein einzelner öffentlichkeitswirksamer Fehlschlag bei einer Aufgabe mit höheren Einsätzen das Vertrauen rasch beschädigen kann.
Der Scale-AI-Deal und der Neuanfang von Metas KI-Labors
Wang gab zudem Einblicke in die Hintergründe seines Wechsels zu Meta. Zuckerberg hatte erstmals nach Llama 4 angerufen – was Wang intern als „Enttäuschung“ beschrieb, die nicht dem von Meta angestrebten Kurs entsprach. Die ersten Gespräche waren Ratschläge dazu, was Meta im KI-Bereich tun sollte. Zwischen der ersten Kontaktaufnahme und der Bekanntgabe vergingen fünf bis sechs Wochen. Wang gab an, er habe zunächst gezweifelt, ob der Deal Sinn ergibt, da Scale ein Unternehmens- und Regierungsgeschäft war, völlig anders als Metas historische Übernahmen von Instagram und WhatsApp. Zudem sei klar geworden, dass Zuckerberg erst „nachdem das Geld auf dem Konto war“ gezielt Talente wollte. Die Struktur sah vor, dass Meta eine 49-prozentige Beteiligung an Scale übernahm, Scale als eigenständiges Unternehmen weitergeführt wurde und Wang sowie einige Kollegen zu Meta wechselten. Dieser Entscheidung gingen laut Wang „viele Wochen des Kopfschüttlens nach dem Motto: ‚Das ist verrückt‘“ voraus.
Er beschrieb Metas KI-Bemühungen zu jenem Zeitpunkt als „in vielerlei Hinsicht beschädigte Ware“, was seinen unternehmerischen Ehrgeiz als „eine Neugründung des Labors“ geweckt habe. Die Designprinzipien seien ein kleines, flaches, hochtechnisches Team mit extrem hoher Talentdichte gewesen. Er zeigte sich überzeugt, dass Metas Ressourcen – ohne Engpässe bei Rechenleistung, Infrastruktur oder Distribution – das Recruiting attraktiv machten. Zur Vergütung nannte er ein bemerkenswertes Detail: Da die Aktienpakete von OpenAI und Anthropic stark an Wert gewonnen hatten, liefen die Meta-Pakete für viele Neueinsteiger im Vergleich zum Verbleib am Ende „in vielerlei Hinsicht auf ein Nullsummenspiel“ hinaus.
Eine unkonventionelle Organisation mit echten Management-Risiken
Wang berichtete, dass er mittlerweile über 200 direkte Berichte (Direct Reports) verantwortet. Forscher der TBD-Gruppe berichten direkt an ihn, unterstützt von technischen Pod-Leads, die bei technischen Entscheidungen das letzte Wort haben. Er bezeichnete dies als bewusst „anti-bureaucratic“ und beschrieb seine Rolle eher als Trainer oder Bewahrer des Umfelds denn als Verfasser jeder einzelnen Entscheidung – ein Kontrast zu seiner Zeit bei Scale, wo er nach eigener Aussage „in sehr starkem Maße zum Flaschenhals“ geworden war. Ungewöhnlich offen äußerte er sich zu den Grenzen: „Ich würde lügen, wenn ich behauten würde, ich sei der beste Manager für mehr als 200 Leute.“ Seine Argumentation lautet, dass solche Forscher „keine Manager brauchen, sondern ein großartiges Umfeld“. Dies unterscheide sich von der operativen „Wolkenkratzer-Mentalität“ von Datenunternehmen; KI-Forschung sei vielmehr ein „Diamantenabbau“-Problem, bei dem die meisten Ideen scheitern und nur wenige die gesamte Investition rechtfertigen.
Diese Struktur ist eine Wette darauf, dass die Talentdichte die Führungsspanne überwiegt. Sie mag funktionieren, solange das Labor klein und die Mission klar ist, doch flache Hierarchien mit diskussionsbasierten Gruppenentscheidungen weisen altbekannte Schwachstellen auf, sobald Organisationen wachsen und der Druck auf Rechenbudgets und Zeitpläne steigt.
Die langfristige Vision
Wang schloss mit einer umfassenderen These: Persönliche Agenten werden ein langlebiger Formfaktor sein, und KI kann den Menschen „das Erwachsenenleben schenken, von dem sie in der Kindheit geträumt haben“, indem sie Ambitionen und Handlungsfähigkeit (Agency) wiederherstellt, die das Corporate-Leben tendenziell untergräbt. Diese Vision ist weitreichend, ging jedoch nicht mit einem Erlösmodell oder einer Produkt-Roadmap einher. Was Investoren aus dem Interview mitnehmen können, ist der Beleg für eine bewusste, differenzierte Produktstrategie, einen disziplinierten Launch-Prozess und ein kleines Team – kontrastiert durch dünne Transparenz bezüglich Skalierung, Ökonomie und Beständigkeit.