Metas Engineering-Blog beschreibt einen KI-Agenten, der Expertenwissen im Unternehmen konserviert: über 200 strukturierte Wissensdateien, streng getrennt von der Frage, wie der Agent schließt, und eine Verbesserungsschleife, die Expertenfeedback einarbeitet, ohne das Modell neu zu trainieren. Was Meta misst, was Selbstauskunft bleibt und warum das Prinzip auf einen Betrieb mit zehn Leuten passt.
Jeder Betrieb hat ihn: den Menschen, der die Ausnahmen kennt, die Kundenhistorie, die Regel hinter der Regel. Wenn er krank ist, stockt die Arbeit, wenn er geht, geht das Wissen mit. Meta hat dieses Problem für einen eigenen Bereich mit einem Agenten gelöst und am 2. September beschrieben, wie. Die Zahlen sind Metas eigene, das Prinzip dahinter ist übertragbar.
Der Anwendungsfall bei Meta sind Compliance-Bewertungen: Dieselben Fragen tauchen in hunderten Produktprüfungen auf, und jede Expertenantwort kostete Tage manueller Recherche. Die Lösung besteht laut den Autoren aus zwei Schichten. Die erste ist ein strukturiertes Wissenssystem aus über 200 Dateien, sortiert in Positionen, Taxonomien, Routing-Indizes und Einstiegsdateien. Es trennt ausdrücklich, „was der Agent weiß, davon, wie er schließt". Das Wissen ist damit lesbar, prüfbar und änderbar wie ein Handbuch, nicht vergraben in Modellgewichten.
Die zweite Schicht ist eine Verbesserungsschleife: Expertenfeedback wird in geprüfte Updates dieser Dateien verwandelt, ohne das Modell neu zu trainieren. Nach der Umstrukturierung der Arbeit in rezeptartige Stufen sank der Tokenverbrauch pro Durchgang laut Meta um rund 80 %. Das Ergebnis nach sechs Wochen: Die Fachleute bewerten die Ausgaben „fast immer als nützlich", einzelne Bewertungen dauern Minuten statt Tage, über die Verbesserungszyklen gab es null Rückschritte, und die Agenten erledigen „den weitaus größten Teil der analytischen Arbeit".
Alle Zahlen stammen von Meta selbst, für einen einzigen Bereich, ohne externe Prüfung und ohne Angabe, wie viele Bewertungen und Experten beteiligt waren. Die Autoren nennen auch die Grenzen: In Bereichen mit hohem Risiko bleiben menschliche Kontrollpunkte Pflicht, und das Modell lohnt nur dort, wo Fachwissen als „Stammeswissen" in Köpfen lebt und der Bedarf an Konsistenz die Kapazität der Experten übersteigt.
Die eigentliche Erkenntnis steckt nicht in der Größe, sondern in der Trennung. Die meisten Betriebe versuchen, einer KI ihr Wissen per Chat beizubringen, jedes Mal neu, oder hoffen auf ein Werkzeug, das „lernt". Metas Ansatz macht das Gegenteil: Das Wissen liegt in Dateien, die ein Mensch lesen und korrigieren kann. Preisregeln, Ausnahmen, Kundenvorgaben, die Reihenfolge einer Reklamation, die Tonalität gegenüber Stammkunden. Der Agent bekommt diese Dateien mit jeder Aufgabe und schließt daraus, statt sich zu erinnern.
Genau so arbeite ich bei AGREEMENT: Jeder meiner Agenten hat Dateien, in denen steht, was er weiß und wann er stoppen muss. Wenn ein Ergebnis falsch ist, korrigiere ich die Datei, nicht den Agenten. Das ist Metas Verbesserungsschleife im Kleinen. Für einen Betrieb heißt das: Der Kollege, der alles weiß, schreibt es nicht in ein Handbuch, das niemand liest, sondern in die Wissensdateien, die der Agent bei jeder Anfrage benutzt. Wer ihm zuhört, liest ab jetzt mit.
Erstens „Was wir wissen": Preise, Regeln, Ausnahmen, Ansprechpartner. Zweitens „Wie wir entscheiden": die Reihenfolge, in der Fälle geprüft werden, und die Punkte, an denen ein Mensch entscheidet. Drittens „Was zuletzt korrigiert wurde": jede Korrektur mit Datum, damit das Wissen mitwächst. Drei Dateien reichen für den ersten Agenten. Metas 200 sind dasselbe Prinzip, nur zwei Jahre später.
Das ist der Unterschied zwischen einem Werkzeug, dem man vertrauen kann, und einem, dem man vertrauen muss.
Ich nehme Metas Zahlen so, wie sie gemeint sind: als Bericht aus dem eigenen Haus, nicht als Studie. Was mich überzeugt, ist die Architektur, weil ich sie täglich benutze. Wissen in Dateien, Schlussfolgern im Modell, Korrekturen in den Dateien. So bleibt ein Betrieb Herr über das, was seine KI weiß, und kann es jederzeit nachlesen. Das ist auch die Antwort auf die Frage aus dem Frontier-Firm-Artikel, wie die „Personalakte" eines Agenten aussieht: genau so.
Für einen kleinen Betrieb ist das keine Zukunftsmusik, sondern ein Nachmittag Arbeit mit dem Kollegen, der alles weiß. Drei Dateien, ehrlich geschrieben, und ein Agent, der sie bei jeder Aufgabe liest. Der Kollege wird dadurch nicht überflüssig. Er wird zum Redakteur des Wissens, statt zum Engpass. Und wenn er drei Wochen im Urlaub ist, läuft der Laden trotzdem, weil sein Wissen nicht mitgefahren ist.
Quelle: Meta Engineering Blog (Shaurya Sengar, Jason Nawrocki, Jay Shah, Prashant Kommireddi, 02.09.2026). Stand: 03.09.2026.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Ich baue mit dir die ersten drei Wissensdateien und den Agenten, der sie bei jeder Aufgabe liest. Ein Nachmittag mit dem Kollegen, der alles weiß. Lass uns anfangen.