Meta zet 3.000 medewerkers in als RL-datafabriek in race om OpenAI en Anthropic te overtreffen
Voortgangsrapport van één jaar SemiAnalysis over Meta Superintelligence Labs, gepubliceerd op 9 juli 2026
Een jaar nadat de rampzalige ontvangst van Llama 4 Mark Zuckerberg dwong om de gehele AI-organisatie van Meta te ontmantelen en opnieuw op te bouwen, heeft SemiAnalysis een gedetailleerd voortgangsrapport gepubliceerd over Meta Superintelligence Labs (MSL). Het rapport werpt een nieuw licht op de positie van Meta in de race om grensverleggende AI. Het rapport, geschreven door Max Kan, Julien Martin-Prin, Jeremie Eliahou Ontiveros en Dylan Patel, stelt dat Meta stilletjes de enige stack onder de hyperscalers aan het bouwen is die wereldklasse is op alle drie de essentiële vlakken voor frontier AI: data, talent en rekenkracht. De meest opvallende bevinding is geen benchmarkscore, maar een bedrijfsbeleid: Meta is begonnen met het monitoren van de schermen, toetsenborden en muisbewegingen van medewerkers, waardoor het personeelsbestand effectief is veranderd in een eigen operatie voor reinforcement learning-data.
Werknemerssurveillance van Meta wordt een verborgen goudmijn voor RL
SemiAnalysis bestempelt het interne trackinginitiatief, dat op veel kritiek van medewerkers en negatieve pers stuitte toen het naar buiten kwam, als een van de meest waardevolle en ondergewaardeerde stappen die Meta dit jaar heeft gezet. De logica hierachter is gebaseerd op de manier waarop moderne AI-labs daadwerkelijk reinforcement learning-omgevingen bouwen. Frontier labs verbeteren modellen niet langer simpelweg door het volgende token te voorspellen; ze trainen modellen om volledige taken uit te voeren, waarvoor realistische omgevingen, tools en verifiers nodig zijn. Het rapport beargumenteert dat schermopnames van echt kantoorwerk buitengewoon waardevolle input zijn voor dit proces, omdat ze per definitie representatief zijn voor echte economische taken, in plaats van de "onnatuurlijk overgespecificeerde" scenario's in benchmarks zoals OpenAI's GDPval. De auteurs bekritiseren deze benchmarks direct en merken op dat sommige taken prompts bevatten die een mens in de praktijk "nooit zou schrijven".
Wat dit volgens het rapport een structureel voordeel voor Meta maakt, is schaal. Externe dataleveranciers zoals Mercor, Surge en Handshake hebben elk de grens van $1 miljard aan jaarlijks terugkerende omzet overschreden door gespecialiseerde contractanten in te huren voor het bouwen van deze omgevingen. Mercor registreerde in het tweede kwartaal van 2026 alleen al 2,517 miljoen experturen, wat ruwweg gelijkstaat aan 4.800 voltijdmedewerkers. Meta, zo stelt het rapport, zit "al in dezelfde klasse" door gebruik te maken van eigen personeel, met waarschijnlijk een hogere gemiddelde kwaliteit. Bovendien kan het bedrijf putten uit een pool van ongeveer 70.000 extra medewerkers als de aanpak succesvol blijkt. Eind mei formaliseerde Meta dit in een nieuwe "applied AI engineering org", waarbij ongeveer 3.000 ingenieurs, waaronder 70% van de pas afgestudeerden, werden herplaatst om fulltime aan RL-taken en -omgevingen te werken. SemiAnalysis is onomwonden over het strategische belang: "Wij denken dat dit een extreem ondergewaardeerd voordeel voor MSL is."
De opmars in rekenkracht: vijf gelijktijdige gigawatt-titanen
Naast data beschrijft het rapport wat het de meest agressieve datacenter-uitrol in de industrie noemt. Meta bouwt gelijktijdig vijf clusters van elk meer dan 1 gigawatt: Prometheus in Ohio, Hyperion in Louisiana en drie naamloze campussen in El Paso, Iowa en Indiana. SemiAnalysis merkt op dat geen enkel bedrijf voorheen meer dan één campus van een volledige gigawatt tegelijk heeft gebouwd, waarbij het dichtstbijzijnde precedent AWS's 800-megawatt Project Rainier in Indiana is. Meta heeft momenteel twee locaties van gigawatt-schaal gelijktijdig in aanbouw. Bij Hyperion bouwt Meta wat het rapport de grootste individuele gebouwen ter wereld noemt, van elk 400 megawatt, met in totaal 1,5 gigawatt momenteel in aanbouw. In Iowa tonen satellietbeelden in het rapport aan dat Meta binnen één jaar tijd van een leeg terrein naar een volledige gigawatt in aanbouw is gegaan.
Het Tokenomics Model van SemiAnalysis projecteert nu dat Meta tegen het einde van 2026 over meer totale AI-rekenkracht zal beschikken dan zowel OpenAI als Anthropic. Het bedrijf waarschuwt dat een aanzienlijk deel van deze capaciteit nog steeds zal worden ingezet voor aanbevelingssystemen en generatieve advertenties in plaats van voor het trainen van frontier-modellen. Maar zelfs onder conservatieve aannames die specifieke, prominente datacenterlocaties voor MSL isoleren, is de trainingsrekenkracht van Meta tot 2027 vergelijkbaar met die van OpenAI en Anthropic. Het financiële contrast met Google is expliciet: Meta heeft geen cloudverhuurbedrijf dat strijdt om dezelfde GPU's, en de bereidheid van Zuckerberg om een negatieve vrije kasstroom te accepteren, geeft Meta een flexibiliteit die Microsoft noch Google momenteel hanteert voor interne modeltraining.
Scale-across oplossen: AI-Backbone en het netwerk van 2.000 kilometer
Het rapport biedt een zeldzaam technisch detailniveau over hoe Meta deze campussen met elkaar verbindt, een probleem dat in de industrie "scale-across" wordt genoemd. Prometheus wordt niet beschreven als één enkele locatie, maar als een constellatie van 27 datacenters verspreid over zes campussen, waarvan vijf geclusterd binnen 6 kilometer van elkaar en een zesde op ongeveer 75 tot 80 kilometer afstand. Het antwoord van Meta is een nieuwe architectuur genaamd AI-Backbone, een evolutie van het bestaande 10X Backbone-netwerk, dat gebruikmaakt van gelaagde superspine- en aggregatiehubs om ongeveer 22 petabit per seconde aan bidirectionele bandbreedte te leveren over het volledige Prometheus-cluster. De verbindingen tussen campussen vertrouwen op een mix van langeafstandsoptica en dense wave division multiplexing-systemen, afhankelijk van de glasvezelafstand.
Deze architectuur kent afwegingen. SemiAnalysis merkt op dat de latentie binnen een enkele scale-out regio 1 tot 10 microseconden bedraagt, maar dat het bereiken van een locatie op 100 kilometer afstand niet onder de ongeveer 500 microseconden kan zakken vanwege de fysieke limieten van lichtvoortplanting in glasvezel. Dit dwingt Meta om pretraining synchroon uit te voeren binnen één regio, terwijl reinforcement learning-workloads asynchroon over de wereld worden verdeeld. Het rapport stelt dat toekomstige titan-locaties dit ontwerp verder zullen pushen door campussen tot 2.000 kilometer van elkaar te koppelen.
Het superteam samenstellen, en soms verliezen
Wat betreft talent volgt het rapport de voortdurende spraakmakende werving, voortbouwend op de deal van $14,3 miljard met Scale AI van vorig jaar die Alexandr Wang binnenhaalde. Dit omvat onder meer het aannemen van medeoprichter Andrew Tulloch van Thinking Machines, samen met verschillende kernleden van dat startup-team, en voormalig OpenAI-onderzoekers Jason Wei, Hyung Won Chung en Zhiqing Sun. Meta haalde ook Dina Powell McCormick binnen als President en Vice Chairman om te helpen bij het uitbouwen van de rekenkrachtvloot, en kaapte in april het driekoppige leiderschapsteam voor rekenkracht van OpenAI weg. Het rapport merkt echter op dat een van die drie nieuwe krachten alweer is vertrokken, onder verwijzing naar interne cultuurproblemen bij Meta binnen de infrastructuurorganisatie. Dit herinnert eraan dat het op papier samenstellen van een superteam geen garantie biedt voor cohesie in de praktijk.
SemiAnalysis is voorzichtig met het temperen van het optimisme. "We prijzen hen voor het mobiliseren van de middelen en de durf die nodig zijn om een serieuze poging te wagen tot het bouwen van RSI, maar nu moeten ze het eigenlijke werk verzetten", schrijven de auteurs. Ze voegen eraan toe dat elk teken van afzwakkende vastberadenheid, zoals het tekenen van een langetermijncontract voor de verkoop van rekenkracht zonder terugvorderingsclausules of het laten vertrekken van toponderzoekers, "gelijk zou staan aan een doodvonnis voor MSL."
Muse Spark 1.1: bijbenen, nog niet ingehaald
Wat het product zelf betreft, kregen de analisten vroegtijdig toegang tot Muse Spark 1.1 voorafgaand aan de officiële release. Ze beoordelen het als ruwweg vergelijkbaar met Anthropic's Opus 4.6 of Zhipu's GLM 5.2 voor algemene agent-use cases. Dit is een opmerkelijke verbetering ten opzichte van de oorspronkelijke lancering van Muse Spark in april, die op de meeste benchmarks achterbleef bij open-source concurrenten DeepSeek v4 Pro en Kimi K2.6. Het bedrijf gelooft dat de prijsstelling van Meta voor het model, net onder GLM 5.2, waarschijnlijk een bewuste positioneringskeuze was. Desondanks wijst het rapport op functionele tekortkomingen, waaronder de neiging om codewaarschuwingen te negeren in plaats van ze op te lossen en onjuist gebruik van bewerkingstools. Het stelt onomwonden dat geen van de interne tokenvolumes van SemiAnalysis zal overstappen naar Muse Spark 1.1. Het bedrijf verwacht niet dat Meta vóór het einde van 2026 pariteit zal bereiken met Anthropic of OpenAI, zelfs niet in het meest optimistische scenario.
De "verliezersmentaliteit" van Google en de strijd om de derde plek
De scherpste bewoordingen in het rapport zijn gereserveerd voor Google. Ondanks dat Gemini 3 Pro en Nano Banana Google kortstondig in het gesprek over frontier AI brachten, stelt SemiAnalysis dat DeepMind structureel wordt uitgehongerd van de rekenkracht die nodig is om te concurreren. Het merendeel van de incrementele datacenter-capaciteit van Google voor de komende twee jaar zal naar verwachting dienen voor de infrastructuur-als-dienst en API-activiteiten voor derden, in plaats van voor interne modeltraining. Het bedrijf merkt op dat Google onlangs voor $85 miljard aan aandelen heeft uitgegeven om extra AI-infrastructuur te financieren, maar gelooft dat het grootste deel van die nieuwe capaciteit uiteindelijk zal worden verhuurd aan klanten, waaronder Anthropic. "Dit is een verliezersmentaliteit van Google", schrijven de auteurs, eraan toevoegend dat DeepMind in de toekomst minder trainingsrekenkracht zal hebben dan OpenAI, Anthropic en MSL, en dat Google belangrijke reinforcement learning-onderzoekers blijft verliezen aan Anthropic omdat de RL-inspanningen te gedecentraliseerd blijven.
Verwijzend naar de recente podcast-opmerkingen van Alexandr Wang dat echte frontier labs gebouwd zijn op de overtuiging dat superintelligentie aanstaande is en dat alle zakelijke beslissingen uit die overtuiging moeten voortvloeien, stelt het rapport dat het leiderschap van Google die overtuiging niet oprecht deelt, in tegenstelling tot de door oprichters gedreven urgentie bij OpenAI en Anthropic. Het advies van SemiAnalysis aan Google, en in het verlengde daarvan aan Microsoft AI en Amazon AGI, is om onmiddellijk veel meer rekenkracht om te buigen naar interne modelontwikkeling en ingenieurs in te zetten voor het genereren van RL-taken, in plaats van de trainingsruns van concurrenten te blijven subsidiëren. Het rapport sluit af met een scherpe herordening van het concurrentielandschap: naar hun mening gaat de race om de derde plek in frontier AI nu tussen Meta en xAI van SpaceX, niet Google.