Laut einem Bericht der Financial Times setzen Meta-Mitarbeitende für bestimmte Aufgaben vermehrt auf Googles KI Gemini statt auf eigene Llama-Modelle. Wegen hoher Nachfrage aus dem Konzern hat Google den Zugriff offenbar eingeschränkt – interne Projekte sollen sich verlangsamt haben.
Gemini-Einschränkungen treffen Meta-Teams
Berichten zufolge nutzen Teams bei Meta Gemini, weil es für Aufgaben wie die Abwehr von Betrugsversuchen und Chatbots im Werbegeschäft zuverlässiger arbeite als interne Lösungen. Google habe aufgrund des hohen Aufkommens den Zugang begrenzt; Mitarbeitende seien angewiesen worden, Token einzusparen. Das habe die Arbeit an mehreren Projekten verlangsamt.
Warum Mitarbeitende zu Konkurrenz-Tools greifen
Die parallele Nutzung externer KI ist nicht ungewöhnlich: Neben Gemini soll Meta auch Claude von Anthropic verwenden. Ähnlich hatte Microsoft Entwickelnden zeitweise den Einsatz von Claude erlaubt und die Lizenzen später aus Kostengründen beendet; intern setzt man dort nun auf Copilot CLI. Für Meta bleibt der Spagat zwischen Leistungsfähigkeit, Kosten und Kontrolle zentral.
Meta hofft auf eigenes Modell Muse Spark
Um die Abhängigkeit von Drittanbietern zu reduzieren, setzt Meta laut den Berichten auf das eigene multimodale Modell Muse Spark. Perspektivisch könnte dies Kapazitätsengpässe externer Anbieter abfedern und interne Workflows stabilisieren – vorausgesetzt, die Leistungsfähigkeit stimmt.
Werktäglich um 7:30 Uhr · jederzeit abbestellbar · Double-Opt-in · Datenschutz
Google als Schlüsselpartner auch andernorts
Gemini unterstützt nicht nur Meta-Teams: Die KI soll auch in der kommenden Siri-AI-Version auf iPhone, iPad und Mac zum Einsatz kommen, nachdem Apples eigene Modernisierungsversuche der Sprachassistenz zu Verzögerungen geführt hatten. Bei Meta kommt erschwerend hinzu, dass im Mai 2026 rund 8.000 Stellen gestrichen und 7.000 Mitarbeitende in KI-Fokusteams versetzt wurden; intern ist von gedrückter Stimmung die Rede. Führungskräfte stellen Stabilität und neue Benefits in Aussicht.
Fazit
Der Fall zeigt, wie stark große Unternehmen selbst für zentrale Arbeitsprozesse auf externe KI-Modelle zurückgreifen – und welche Risiken damit verbunden sind. Kapazitätsgrenzen, Token-Limits und Priorisierungen durch Anbieter können Projekte unmittelbar ausbremsen, selbst bei Tech-Konzernen. Für den Markt bedeutet das: Leistungsfähigkeit allein reicht nicht, es zählen auch Verfügbarkeit, Kostenkontrolle und verlässliche Prozesse. Werbetools, Betrugsprävention und produktive Assistenten sind erfolgskritisch; sie benötigen robuste, planbare KI-Infrastruktur. Anbieterunabhängigkeit wird damit zu einem Wettbewerbsfaktor. Gleichzeitig unterstreicht die Entwicklung den Trend zur Multimodalität: Mit Modellen wie Muse Spark sollen Bild-, Text- und andere Eingaben zusammengeführt werden, um Anwendungsfälle breiter abzudecken. Auch die Kooperationen – etwa der Einsatz von Gemini bei Siri – verdeutlichen, dass Ökosysteme wichtiger werden als Einzelprodukte. Für Unternehmen ist das ein Weckruf, KI-Strategien auf Ausfallsicherheit, Datenschutz und vertragliche Zusagen auszurichten und bei Bedarf mehrere Modelle parallel einzuplanen. So lassen sich Leistungs- und Kapazitätsrisiken besser managen und Innovationsprojekte stabil vorantreiben.
Handlungsempfehlung
- Mehrgleisig planen: Zwei bis drei KI-Modelle für kritische Workflows evaluieren und als Fallbacks integrieren.
- Kapazitäten absichern: SLAs, Rate-Limits und Priorisierungen mit Anbietern vertraglich klären und regelmäßig testen.
- Token-Budgets managen: Nutzungsprofile, Kontingente und Kosten-Limits je Team definieren und überwachen.
- Daten-Governance festlegen: Sensible Daten klassifizieren, Richtlinien für Drittanbieter-Nutzung und Logging umsetzen.
- Vendor-Risiko üben: Notfallplan mit Modellwechsel, Prompt-Portierung und Evaluationsbenchmarks vorbereiten.
Beitragsbild: Campaign Creators / Unsplash
