Jedes Mal, wenn du Instagram oder Facebook öffnest, entscheidet ein ML-Modell — ein mathematisches System, trainiert auf Bergen von Daten — welche Werbung du siehst und was Werbetreibende dafür bezahlen. Diese unsichtbare Maschine druckt Meta etwa 160 Milliarden Dollar im Jahr. Dahinter werkelt eine Armee von Ingenieuren ständig an Ranking-Modellen: Experimente fahren, Ideen testen, Abstürze debuggen, wiederholen. Mühsam. Teuer. Langsam.

Das Problem? Jedes Modell braucht ungefähr zwei dedizierte Ingenieure, nur um es weiter zu verbessern. Skalier das mal auf Dutzende Modelle hoch, und du verbrennst Personalkapazität für repetitive Fleißarbeit, die jedes einzelne Mal dem gleichen Muster folgt.

Am 17. März 2026 veröffentlichte Metas Engineering-Blog still und leise Details zu REA — dem Ranking Engineer Agent. Kein Chatbot. Kein Code-Autocomplete. Ein autonomer KI-Agent, der den kompletten Machine-Learning-Lebenszyklus ausführt — den gesamten Prozess von der Hypothese bis zum trainierten Modell — für Ads-Ranking. Er generiert Ideen, startet Trainingsjobs, debuggt Fehler wenn was crasht und iteriert auf Ergebnissen. Tagelang. Wochenlang. Ohne dass ein Mensch die Tastatur berührt.

REA läuft auf Confucius, Metas internem Agent-Framework (stell dir vor: das Betriebssystem, das den Agenten am Leben und organisiert hält). Der Schlüsseltrick ist das, was Meta einen "Hibernate-and-Wake-Mechanismus" nennt. Wenn ein Trainingsjob startet und Stunden oder Tage braucht, fährt sich REA selbst herunter. Wenn der Job fertig ist, wacht er auf, liest die Ergebnisse und entscheidet, was als nächstes passiert. Das ist kein Chatbot, der so tut, als würde er sich an das Gespräch von gestern erinnern. Das ist ein Agent mit echter Persistenz — die Fähigkeit, Neustarts, Abstürze und wochenlange Workflows zu überleben.

Das Gehirn arbeitet auf zwei Spuren gleichzeitig. Erstens: eine Datenbank historischer Erkenntnisse — jedes vergangene Experiment, was Metriken bewegt hat, was gefloppt ist. Zweitens: ein Research-Agent, der aktuelle ML-Papers liest und Konfigurationen ans Licht bringt, auf die kein menschlicher Ingenieur allein durch Erfahrung kommen würde. REA verschmilzt beides zu Experimentvorschlägen und führt dann in drei Phasen aus: Validation (einzelne Ideen parallel testen), Combination (die Gewinner zusammenführen, nach unerwarteten Synergien suchen) und Exploitation (alles auf die besten Kandidaten setzen). Der Agent schätzt GPU-Compute-Kosten — den Preis für Berechnungen auf spezialisierter Hardware — vor jeder Phase und stoppt, wenn das Budget aufgebraucht ist. Keine unkontrollierten Cloud-Rechnungen.

Menschliche Ingenieure gibt es in dieser Schleife immer noch, aber ihr Job hat sich verändert. Sie geben die strategische Richtung vor, genehmigen Budgets und überprüfen REAs Vorschläge an Checkpoints.

Die Zahlen aus dem ersten Produktiveinsatz über sechs Modelle: REA hat die durchschnittliche Modellgenauigkeit gegenüber der Baseline verdoppelt. Drei Ingenieure mit REA lieferten Verbesserungsvorschläge für acht Modelle — Arbeit, für die vorher sechzehn Ingenieure nötig waren. Einzelne Ingenieure gingen von einem Verbesserungsvorschlag auf fünf im gleichen Zeitraum. Das ist nicht "KI hilft dir schneller zu coden". Das ist "KI macht das Engineering, während du zuschaust".

Aber reden wir über Kompromisse. Meta hat einen KI-Agenten gebaut, der das KI-System verbessert, das fast den gesamten Umsatz von Meta generiert. Die Rekursion — KI optimiert KI, die Geld druckt — ist real und ein bisschen beunruhigend. Und das zeigt die Kluft zwischen Agent-Demos und Agents in Produktion. Die meisten Agent-Frameworks — das Gerüst, mit dem Entwickler KI-Agenten bauen — kollabieren nach einer einzigen Sitzung. REA läuft wochenlang. Die meisten Agents halluzinieren, wenn sie auf Fehler stoßen. REA debuggt Trainingsabstürze und versucht es erneut. Das Hibernate-and-Wake-Pattern ist die langweilige, aber entscheidende Innovation: Ein Agent, der einen Server-Neustart nicht überlebt, ist Spielzeug.

Wenn du KI-Agenten baust oder sie für dein Team evaluierst, geht die Lektion nicht um Intelligenz. Das schwierige Problem war nie "mach die KI schlau". Es war "mach, dass die KI von Dienstag bis Freitag funktioniert, ohne dass jemand Babysitter spielt". REA löst das mit bewusstem Hibernation und strukturiertem Aufwachen — nicht indem ein Prozess für immer am Leben gehalten wird.

Meta hat gerade bewiesen, dass autonome Agenten nachhaltiges, wochenlanges Engineering an dem System leisten können, das das gesamte Unternehmen finanziert. Nicht in einer Demo. Nicht auf einem Benchmark. In Produktion, an der 160-Milliarden-Dollar-Ads-Maschine. Die KI engineert jetzt die KI. Und die Ingenieure, die diese Arbeit früher gemacht haben? Die wurden zu Aufsehern befördert — ob sie darum gebeten haben oder nicht.