Der Suchtraffic schrumpft, und das Web baut sich um die Agenten herum neu
Verlage verlieren Empfehlungen aus der Suche, während zwei neue Arbeiten und eine Welle von Agenten-Infrastruktur auf ein Web setzen, in dem die Antwort das Produkt ist und nicht der Klick. Die aktuelle Computing-Ausgabe von IEEE Spectrum vom 29. September beginnt mit der Sicht eines Dichters auf die Oberfläche; das Geschäftsmodell dahinter wird schwieriger.

Am 29. September veröffentlichte die Computing-Rubrik von IEEE Spectrum ein Gedicht von Ralph Earle, einem früheren Senior Software Engineer bei IBM. Es handelt davon, wie sich „trockener und unerbittlicher Code“ in eine Benutzeroberfläche übersetzen lässt. Das ist ein kleines Fundstück eines großen Wandels: Die Oberfläche ist der Ort, an dem das Geld jetzt fließt, und immer häufiger antwortet sie, statt weiterzuverlinken.
Die Zahlen hinter diesem Wandel kamen in derselben Woche. Eine im September 2026 veröffentlichte Arbeitsarbeit des National Bureau of Economic Research schätzt, dass KI von November 2022 bis Dezember 2025 den vom Markt erwarteten Gegenwartswert der Produktivität in der Softwareentwicklung um das Äquivalent eines dauerhaften Zuwachses von 32,6% erhöht hat. Der entsprechende BIP-Effekt liegt im Basisszenario bei 3,6% und bei 6,5%, wenn höhere Softwareproduktivität auch die Forschungs- und Entwicklungsproduktivität steigert. Die Autoren Alex Blumenfeld, Jonathon Hazell, Chen Lian und Andreas Schaab ergänzen, dass sich dieser Effekt bis Mitte 2026 angesichts rascher Fortschritte bei Coding-Agenten gegenüber Ende 2025 mehr als verdoppelt hatte. Das ist eine makroökonomische Größe, keine medienpolitische, aber sie beschreibt das Kapital, das in jene Systeme fließt, die heute zwischen Nutzern und Inhalten stehen.
Volltextsuche funktioniert noch, erledigt die Aufgabe aber nicht mehr
Manticore Search veröffentlichte einen langen Beitrag im eigenen Blog, der erklärt, warum die Stichwortsuche nicht kaputt ist und warum das nicht reicht. Das Unternehmen verweist auf Googles eigene Angabe vom Mai 2026, wonach der AI Mode die Marke von einer Milliarde monatlicher Nutzer überschritten hat. Es argumentiert, dass Anfragen wie „Ich brauche schwarze wasserdichte Laufschuhe für tägliche Läufe auf nassem Asphalt“ mehrere Aufgaben enthalten: Bedingungen herausfiltern, Absicht verstehen, Preis und Verfügbarkeit prüfen und dann den Unterschied zwischen den Optionen erklären. Manticores Antwort ist ein Hybrid: Volltext- und Vektorsuche, über ein Ergebnisranking verbunden, mit einem Sprachmodell, das obenauf eine Antwort erzeugt. Getestet wurde das an ConvApparel, einem Konversationsdatensatz, der nach der Bereinigung 82.524 Produkte aus Schuhen, Hosen, Oberteilen und Oberbekleidung enthielt; dazu entstand eine Demo namens Manticore Apparel Shop. Der Beitrag benennt das Risiko deutlich: Wenn das System sagt, ein Modell tauge für Regen, sollte der Nutzer das Produkt öffnen und die Quelle dieser Aussage prüfen können. Dieser letzte Satz ist das Problem der Verlage, formuliert von einem Infrastrukturanbieter.
Wie Metas Shopping-Agent entscheidet, was er zeigt
Am 28. September veröffentlichte ein Forscher unter dem Namen Kalan auf caeliai.com eine Reverse-Engineering-Studie zu Muse, Metas neuem KI-Agenten. Muse startete Anfang September 2026 und überschritt nach der im Beitrag zitierten Zählung von Apptopia in den ersten 12 Tagen weltweit 2.800.000 Installationen, bei etwa 642.000 täglichen Nutzern in den USA, schneller als der frühe Mobilstart von ChatGPT. Die Studie ist ungewöhnlich konkret, was die Retrieval-Ebene betrifft. Kalan berichtet, das Katalogprogramm unter /opt/hatch/bin/meta-catalog-search gefunden zu haben, einen geschützten Worker-Socket unter /run/hatch/privsep/meta-catalog-search.sock, Einkaufsanweisungen in einer Datei namens shopping-SKILL.md und einen ranking_score, der jedem Produkt angehängt ist. In den beschriebenen Einkaufsaufgaben lieferte Muse 40 bis 71 Produkte mit Bewertungen, prüfte sie über einen Browser auf den Seiten der Händler selbst und zeigte dem Nutzer zwei oder drei Karten.
Kalan merkt außerdem an, dass die rohen Katalogergebnisse interne Debug-Links auf Metas internes Netzwerk enthielten und dass der eine geöffnete Link am 28. September nur Metas interne Anmeldeseite zeigte.
Ich habe keinen Meta-Zugang, also habe ich nur die Adressen, nicht das, was dahinter liegt.
Der Beitrag legt offen, dass der Decoder geschrieben wurde, um ein kompiliertes Rust-Programm von 11,7 MB zu lesen, ohne es auszuführen, und dass die Experimente jeweils eine Variable änderten und dreimal wiederholt wurden. Man sollte das als Bericht eines einzelnen Forschers lesen, nicht als Offenlegung von Meta. Metas eigene Beschreibung, veröffentlicht am 8. September 2026 und im Beitrag zitiert, besagt, dass jeder Muse eines Nutzers in einem eigenen isolierten Abschnitt einer dedizierten virtuellen Maschine läuft, mit Browser, Arbeitsordner, Kommandozeilenwerkzeugen, Skills und Hilfsagenten, und dass eingebaute Konnektoren in getrennten geschützten Workern laufen.
Die kommerzielle Folge liegt auf der Hand. Wenn ein Shopping-Agent 40 bis 71 Kandidaten liefert und zwei oder drei zeigt, entscheidet die Ranking-Funktion, wer gesehen wird. Verlage und Händler haben darauf keinen Einfluss.
Die Bewertung von Suche ist weiterhin schwierig, und das betrifft alle nachgelagerten Stellen
Doug Turnbulls viel gelesener Beitrag über die Bewertung durch LLM-as-Judge, am 28. September in seinem Blog erneut veröffentlicht, ist eine nützliche Korrektur für alle, die annehmen, diese Rankings seien geklärt. Beim Test paarweiser Relevanz auf dem WANDS-Möbeldatensatz fand er, dass eine erzwungene Wahl zwischen links und rechts bei 1.000 Paaren 75,08% Präzision bei 100% Trefferquote ergab. Erlaubte man dem Modell die Antwort „Keines von beiden“, stieg die Präzision auf 85,38%, die Trefferquote fiel aber auf 17,10%. Seine Korrektur ist einfach und lohnt das Wiederholen: dieselbe Frage mit vertauschten Produkten stellen und das Urteil nur annehmen, wenn das Modell in beide Richtungen gleich entscheidet. Es ist die Art methodisches Detail, das eine Produktankündigung selten übersteht.
Etwa zur selben Zeit kündigte MongoDB am 29. September MongoDB 9.0, Atlas Infinite und Atlas Agent Engine an, begleitet von einer Notiz des Interims-CEO im Firmenblog am selben Tag. Den Anbieterangaben zufolge liefert Atlas Agent Engine Gedächtnis, Laufzeitumgebung und Governance für Agenten im Produktivbetrieb. Die Engine ist offen für jedes Modell und jedes Framework und aufgebaut auf Standards wie dem Model Context Protocol für Werkzeuge, A2A für die Delegation zwischen Agenten und OpenTelemetry für Traces. Die Preise gelten für die öffentliche Vorschau und können sich ändern, teilt das Unternehmen mit.
Zwei weitere Beiträge vom 29. September füllen die Leitungen. Unblocked veröffentlichte Details zu einem adaptiven Router, der LLM-Traffic zwischen Baseten, Fireworks und CoreWeave bewegt, die alle GLM 5.2 anbieten. Bei Round-Robin übernahm Fireworks 51% der Aufgaben und Baseten 49%, obwohl Fireworks 25% teurer war und Baseten schneller, schreibt das Unternehmen; bei fester Reihenfolge bediente Baseten 98,5%. CoreWeaves Listenpreise lagen etwa 45% unter denen von Baseten. Und Loro veröffentlichte das Argument, dass CRDTs allein für Local-First-Sync nicht ausreichen, mit einem Fall, in dem ein Konversationsindex synchronisiert wurde, der Nachrichtentext aber nicht, sodass ein Nutzer auf eine Benachrichtigung starrte, hinter der nichts stand.
Woher die Leser kommen sollen
Nichts davon beweist, dass die Empfehlungen aus der Suche zusammenbrechen. Es zeigt, wohin das Geld fließt. Die NBER-Arbeit ist ein marktimplizites Maß, keine Messung des Outputs, und die Autoren stellen sie auch so dar. Die Beiträge von Manticore und MongoDB sind Argumente von Anbietern. Die Muse-Studie ist der Bericht eines unabhängigen Forschers, mit dem ausdrücklichen Hinweis, dass er keinen Zugang zu Metas internen Systemen hat.
Für Verlage ist die praktische Lesart enger. Die Antwortschicht wird von Unternehmen gebaut, deren Anreiz es ist, die Anfrage zu erledigen, nicht den Leser weiterzuleiten. Wenn der Katalog hinter einem Shopping-Agenten bewertet, gefiltert und als zwei oder drei Karten dargestellt wird, verschwindet der Traffic, der früher von einer Suchergebnisseite kam, nicht auf einmal. Er wird eine Anfrage nach der anderen absorbiert.
Quellen
15- 01Poetry for Engineers: User Interface DesignEN
- 02The Macroeconomic Effect of AI: Sizing the Software Engineering ChannelEN
- 03Full-Text Search Still Works. It Just Doesn't Get You to an AnswerEN
- 04Reverse Engineering How Meta's Muse ShopsEN
- 05Check twice, cut once with LLM search relevance evalEN
- 06The Intelligent Data Platform for the AI EraEN
- 07The MongoDB Agent Platform | Atlas Agent EngineEN
- 08Routing LLM traffic across inference providers by cost, speed and reliabilityEN
- 09CRDTs are not enough: From CRDTs to a local-first sync engineEN
- 10OpenJev: An open-source, Jev-compatible System One decision engineEN
- 11Branch Target Reuse: Spectre-v2 Attacks in JIT EnginesEN
- 12Agencies publish resolution plan feedback letters for 15 banking organizationsEN
- 13VDE Figures: Electrical Engineering Programs Are Popular InternationallyEN
- 14We Are Hiring Engineers Because of AI, Not Despite It: Inside Picnic's AI TransformationEN
- 15What makes software development engineeringEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.