Suchtraffic schrumpft, das Web wird um Agenten herum neu gebaut

Am 29. September veröffentlichte die Computing-Sektion von IEEE Spectrum ein Gedicht von Ralph Earle, einem früheren Senior-Software-Engineer bei IBM. Es geht darum, wie sich „trockener und unerbittlicher Code“ in eine Benutzeroberfläche übersetzen lässt. Das ist ein kleines Fundstück einer großen Verschiebung: An der Oberfläche bewegt sich heute das Geld, und immer öfter antwortet diese Oberfläche, statt nach außen zu verlinken.

Die Zahlen hinter dieser Verschiebung kamen in derselben Woche. Ein Working Paper des National Bureau of Economic Research vom September 2026 schätzt, dass KI von November 2022 bis Dezember 2025 den vom Markt erwarteten Gegenwartswert der Software-Engineering-Produktivität um das Äquivalent eines dauerhaften Zuwachses von 32,6 Prozent gesteigert hat. Der entsprechende BIP-Effekt liegt im Basisszenario bei 3,6 Prozent und bei 6,5 Prozent, wenn höhere Software-Engineering-Produktivität auch die F&E-Produktivität hebt. Die Autoren Alex Blumenfeld, Jonathon Hazell, Chen Lian und Andreas Schaab ergänzen, dass sich der Effekt bis Mitte 2026 gegenüber Ende 2025 mehr als verdoppelt hatte, mitten in schnellen Fortschritten bei Coding-Agenten. Das ist eine Makrozahl, keine Medienzahl. Sie beschreibt aber das Kapital, das in die Systeme fließt, die heute zwischen Nutzern und Inhalten sitzen.

Volltextsuche funktioniert noch, erledigt die Aufgabe aber nicht mehr

Manticore Search veröffentlichte einen langen Beitrag im eigenen Blog. Darin erklärt das Unternehmen, warum die Stichwortsuche nicht kaputt ist und warum das nicht reicht. Es verweist auf Googles eigene Angabe vom Mai 2026, wonach der AI Mode eine Milliarde monatliche Nutzer überschritten hat. Anfragen wie „Ich brauche schwarze wasserdichte Laufschuhe für tägliche Läufe auf nassem Asphalt“ enthalten demnach mehrere Aufgaben: Einschränkungen herausziehen, die Absicht verstehen, Preis und Verfügbarkeit prüfen und dann den Unterschied zwischen den Optionen erklären. Manticores Antwort ist ein Hybrid: Volltext- und Vektorsuche kombiniert über ein Ergebnisranking, darüber ein Sprachmodell, das eine Antwort erzeugt. Getestet wurde das an ConvApparel, einem Konversationsdatensatz, der nach der Bereinigung 82.524 Produkte aus Schuhen, Hosen, Oberteilen und Outerwear enthielt. Daraus entstand eine Demo namens Manticore Apparel Shop. Der Beitrag benennt das Risiko klar: Wenn das System sagt, ein Modell tauge für Regen, muss 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 zwölf Tagen 2.800.000 Installationen weltweit. In den USA zählte Apptopia rund 642.000 tägliche Nutzer, schneller als der frühe mobile Start von ChatGPT. Die Studie wird bei der Retrieval-Ebene ungewöhnlich konkret. Kalan berichtet, das Katalogprogramm unter /opt/hatch/bin/meta-catalog-search gefunden zu haben, dazu einen geschützten Worker-Socket unter /run/hatch/privsep/meta-catalog-search.sock, Shopping-Anweisungen in einer Datei namens shopping-SKILL.md und einen ranking_score an jedem Produkt. In den beschriebenen Shopping-Aufgaben lieferte Muse 40 bis 71 Produkte mit Scores, 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 Netz enthielten. Der eine geöffnete Link zeigte am 28. September nur Metas interne Anmeldeseite.

Ich habe keinen Meta-Login, also habe ich nur die Adressen, nicht das, was dahinter liegt.

Der Beitrag sagt offen, dass der Decoder geschrieben wurde, um ein kompiliertes Rust-Programm von 11,7 MB zu lesen, ohne es auszuführen. Die Experimente änderten jeweils eine Variable und wurden dreimal wiederholt. Das ist der Bericht eines einzelnen Forschers, keine Offenlegung von Meta. Metas eigene Beschreibung, veröffentlicht am 8. September 2026 und im Beitrag zitiert, besagt, dass Muse bei jedem Nutzer in einem eigenen isolierten Abschnitt einer dedizierten virtuellen Maschine läuft, mit Browser, Arbeitsordner, Kommandozeilenwerkzeugen, Skills und Hilfsagenten. Die eingebauten Konnektoren laufen demnach in getrennten geschützten Workern.

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 kontrollieren sie nicht.

Die Bewertung von Suche bleibt schwierig, und das betrifft alle nachgelagerten Stufen

Doug Turnbulls viel gelesener Beitrag zur Bewertung mit LLM-as-judge, am 28. September in seinem Blog erneut veröffentlicht, ist eine nützliche Korrektur für alle, die diese Rankings für geklärt halten. Beim Test paarweiser Relevanz auf dem WANDS-Möbeldatensatz ergab eine erzwungene Wahl zwischen links und rechts 75,08 Prozent Präzision bei 100 Prozent Recall über 1.000 Paare. Erlaubte er dem Modell die Antwort „Keines von beiden“, stieg die Präzision auf 85,38 Prozent, der Recall fiel aber auf 17,10 Prozent. Sein Gegenmittel ist einfach und lohnt das Wiederholen: dieselbe Frage mit vertauschten Produkten stellen und das Urteil nur akzeptieren, wenn das Modell in beide Richtungen gleich entscheidet. Es ist die Art methodisches Detail, die eine Produktankündigung selten übersteht.

Etwa zur selben Zeit kündigte MongoDB am 29. September MongoDB 9.0, Atlas Infinite und Atlas Agent Engine an, dazu am selben Tag eine Notiz des Interims-CEO im Firmenblog. Atlas Agent Engine, so der Anbieter, liefere Gedächtnis, Laufzeitumgebung und Governance für Agenten im Produktivbetrieb. Das Angebot ist offen für jedes Modell und Framework und gebaut 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 Verrohrung auf. Unblocked veröffentlichte Details zu einem adaptiven Router, der LLM-Traffic zwischen Baseten, Fireworks und CoreWeave bewegt, die alle GLM 5.2 ausliefern. Im Round-Robin übernahm Fireworks 51 Prozent der Aufgaben und Baseten 49 Prozent, obwohl Fireworks 25 Prozent teurer war und Baseten schneller arbeitete, schreibt das Unternehmen. Bei fester Reihenfolge bediente Baseten 98,5 Prozent. Die Listenpreise von CoreWeave lagen etwa 45 Prozent unter denen von Baseten. Und Loro veröffentlichte das Argument, dass CRDTs allein für Local-First-Sync nicht reichen. Beschrieben wird ein Fall, in dem ein Konversationsindex synchronisiert wurde, der Nachrichtentext aber nicht, sodass ein Nutzer auf eine Benachrichtigung blickte, hinter der nichts stand.

Woher die Leser kommen sollen

Nichts davon beweist, dass Empfehlungen aus der Suche einbrechen werden. Es zeigt, wohin das Geld fließt. Die NBER-Arbeit ist ein marktimplizites Maß, keine Messung des Outputs, und die Autoren präsentieren sie auch so. Die Beiträge von Manticore und MongoDB sind Anbieterargumente. 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 Firmen gebaut, deren Anreiz es ist, die Anfrage aufzulösen, nicht den Leser weiterzuleiten. Wenn der Katalog hinter einem Shopping-Agenten bewertet, gefiltert und als zwei oder drei Karten gerendert wird, verschwindet der Traffic, der früher von einer Suchergebnisseite kam, nicht auf einmal. Er wird Anfrage für Anfrage absorbiert.