Zuckerberg gab zu. Die Agenten funktionieren nicht. Warum das wichtig ist.

Wenn Mark Zuckerberg in einer internen Townhall zugibt, dass Metas KI-Agenten noch nicht so funktionieren, wie das Unternehmen sie braucht, ist das kein PR-Event. Niemand präpariert so einen Satz. Er rutscht raus, weil er wahr ist, und weil die Leute im Raum das längst wissen.

Solche ungefilter­ten Geständnisse sind selten. Das meiste, was wir über Agenten hören, kommt aus Launch-Ankündigungen, Funding-Decks und Keynotes, die alle einen strukturellen Anreiz haben zu übertreiben. Ein CEO, der mit seinen eigenen Ingenieuren ehrlich ist, das ist ein so sauberes Signal, wie diese Industrie es produziert.

Nutzen wir es also.

Was Zuckerberg wirklich sagte

In einem internen Q&A 2025 räumte Zuckerberg ein, dass Metas Pläne, KI-Agenten als Ersatz für bestimmte Engineering- und Operations-Rollen einzusetzen, nicht wie geplant aufgegangen sind. Die Agenten arbeiten, aber nicht in der Qualität oder Zuverlässigkeit, die das Unternehmen erwartet hatte, als es diese Personalentscheidungen traf.

Meta ist nach außen hin sehr deutlich über seine Ambitionen mit Agenten gewesen. Das Unternehmen will, dass KI in den nächsten Jahren einen bedeutenden Teil seiner Software-Engineering-Arbeit übernimmt. Zuckerberg hat dieses Ziel in Earnings Calls und Medieninterviews beschrieben. Die Lücke zwischen dieser öffentlichen Formulierung und dem internen Geständnis ist aufschlussreich.

Es ist nicht so, dass die Agenten kaputt sind. Es ist vielmehr, dass autonome, mehrstufige Task-Completion auf Production-Qualität schwerer ist, als die Demos suggerieren. Diese Unterscheidung ist wichtig.

Warum Agenturen hier besonders exponiert sind

Agenturen gehörten zu den lautesten Adoptern der Agent-Erzählung. Das Pitch ist intuitiv: repetitive Produktionsarbeit durch autonome Pipelines ersetzen, menschliche Stunden in Richtung Strategie und Creative Direction umlenken, Delivery-Timelines zusammenpressen.

Die Logik ist im Prinzip sinnvoll. Das Problem ist, dass die meisten Agent-Demos, die diese Erzählung stützen, Agenten zeigen, die saubere, begrenzte Tasks unter idealen Bedingungen abschließen. Eine Research-Aufgabe mit klarem Output-Format. Ein Code-Generation-Job auf gut umrissenes Problem. Ein Single-Tool-Workflow, bei dem Fehler leicht zu erkennen sind.

Agenturen-Arbeit sieht fast nie so aus. Sie beinhaltet mehrdeutige Briefs, Mid-Project-Pivots, Multi-Stakeholder-Feedback und Outputs, die nach Geschmack beurteilt werden, nicht nur nach Korrektheit. Das sind genau die Bedingungen, unter denen aktuelle Agenten am schnellsten degradieren.

Mehrstufige agentic Chains verstärken Fehler. Jede Übergabe zwischen Model Calls ist eine Stelle, an der Context degradiert oder eine falsche Annahme weitergegeben wird. Eine einzige schlechte Inference früh in der Chain kann zu einem Output führen, der plausibel aussieht, aber strukturell falsch ist. Das zu erkennen erfordert einen Menschen, der die Arbeit versteht, nicht nur den Output.

Meta hat hunderte von Ingenieuren, die diese Arbeit verstehen. Sie kämpfen immer noch. Agenturen mit kleineren Teams und dünnerem KI-Infrastruktur nehmen mehr Risiko auf sich, als sie vielleicht realisieren.

Was jetzt wirklich funktioniert

Das ist kein Argument gegen die Nutzung von Agenten. Es ist ein Argument für Präzision darüber, wo sie funktionieren.

Single-Step Agenten mit deterministischen Outputs arbeiten zuverlässig. Ein Modell, das einen Brief liest, strukturierte Daten extrahiert und sie in ein spezifisches Format schreibt. Eine Pipeline, die einen Feed monitort, eine Klassifizierung anwendet und das Ergebnis routet. Diese funktionieren, weil es einen einzigen Fehlerpunkt und eine klare Success-Bedingung gibt.

Retrieval-Augmented Agenten, bei denen ein Modell Fragen gegen eine feste Knowledge Base beantwortet, sind zu einem praktischen Tool für interne Dokumentation und Client-facing Q&A geworden. Die Obergrenze ist niedriger als bei der offenen Version, aber das Unterste ist viel höher.

Agenten, die mit einem Menschen in der Schleife an definierten Checkpoints arbeiten, was manche Forscher Interrupt-Driven oder Supervised Agentic Workflows nennen, sind dort, wo echte Produktivitätszuwächse erscheinen. Der Agent kümmert sich um Volumen und First-Pass-Qualität. Ein Mensch bestätigt, passt an oder eskaliert in strukturierten Intervallen. Das ist weniger dramatisch als volle Autonomie, aber es ist das, was sich tatsächlich ausschifft.

Die Implikation für Agenturen ist spezifisch. Die Teams, die mit Agenten gerade gewinnen, sind nicht diejenigen, die am meisten automatisiert haben. Es sind die Teams, die die klarsten Handoff-Punkte zwischen Modell und Mensch designt haben.

Die Organisations-Frage, die niemand stellt

Zuckerbergs Geständnis deutet auf ein Problem hin, das über Model-Capability hinausgeht. Meta hat Workforce-Entscheidungen basierend auf einem Capability-Timeline getroffen, das die Technologie nicht erfüllt hat. Das ist ein Organisations-Versagen genauso wie ein technisches.

Agenturen machen leisere Versionen derselben Wette. Hiring Freezes gerechtfertigt durch Agent Pipelines, die noch nicht zuverlässig sind. Versprechungen an Clients über Delivery Speed oder Kosten, die Agent-Performance auf Levels voraussetzen, die die Tools nicht konsistent erreichen. Org Structures designt um autonome Workflows, die immer noch signifikante menschliche Korrektur erfordern.

Die Frage, die es wert ist, gestellt zu werden, bevor man eine andere Agent Pipeline baut: Wie sieht dieser Workflow aus, wenn der Agent 15 Prozent der Zeit falsch liegt? Für manche Tasks ist diese Fehlerquote ok. Für andere invalidiert sie die ganze Prämisse.

Diese Audit in die Design-Phase einzubauen ist unglamourös. Es ist auch das, was einen Workflow, der sich ausschifft, von einem trennt, der nach einem Client-Incident stillschweigend ins Regal gestellt wird.

Meta hat die Ressourcen, um die Lücke zwischen Ambition und Realität zu absorbieren, während die Technologie aufholt. Die meisten Agenturen haben diesen Puffer nicht. Das bedeutet, dass Zuckerbergs Geständnis für diese Industrie weniger eine Vorsichtsgeschichte als vielmehr ein praktisches Briefing ist: design für die Agenten, die du hast, nicht für diejenigen, die du erwartest.

Wo das die Agent-Roadmap lässt

Agenten werden besser. Die Trajectory von Model Capability über die letzten drei Jahre macht das zu einer vernünftigen Wette. Context Windows sind länger, Tool Use ist zuverlässiger, und Multi-Agent-Koordinations-Frameworks reifen schnell.

Aber die Timeline-Kompression, die viele Agenturen in ihre Pläne eingebaut haben, die Annahme, dass Production-Grade Autonomie in zwölf Monaten ist, wird durch die verfügbaren Evidenzen nicht gut unterstützt. Der klarste Datenpunkt, den wir von einem gut-ausgestatteten Team haben, das Agenten im großen Maßstab läuft, sagt, dass die Lücke real ist und breiter als die öffentliche Erzählung suggeriert.

Eine nützliche Kalibrierung. Behandle Agenten als produktive Junior-Collaborators, nicht als autonome Operatoren. Sie brauchen klare Task-Definitionen, observable Outputs, und einen Menschen, der die Arbeit checkt. Das ist kein Failure Mode. Das ist der aktuelle Zustand einer Technologie, die immer noch herausgefunden wird, bei Meta und überall sonst.

Design deine Workflows dementsprechend.