Metas KI-Programmierung könnte einen weiteren Preiskampf im KI-Bereich auslösen

Meta stieg am 5. August mit Muse Code, einem terminalbasierten Codierungsagenten, und Muse Spark 1.2, seinem auf Codierung fokussierten KI-Modell, in den Wettlauf um KI-Programmierung ein und nahm damit Claude Code von Anthropic und Codex von OpenAI direkt ins Visier.

Meta behauptet, Muse Code sei für die Softwareentwicklung umfangreicher Codebasen konzipiert und nicht für die Erstellung einzelner Code-Snippets. Im Gegensatz zu den Open-Source-Modellen von Llama ist Muse Code eine kostenpflichtige Software für macOS und Linux, die eng mit Muse Spark 1.2 integriert ist.

CEO Mark Zuckerberg behauptete, der Agent sei in der Lage, „komplette Softwareentwicklungsaufgaben in großen Repositories auszuführen: Änderungen planen, Code schreiben, Ergebnisse validieren“. Er fügte hinzu, interne Tests hätten gezeigt, dass der Agent problemlos sechs verschiedene Spielfunktionen gleichzeitig erstellen könne, und deutete an, dass in Zukunft weitere Open-Source-KI-Softwareprodukte auf den Markt kommen würden.

Wo steht Meta in einem Markt, den es größtenteils beobachtet hat?

Meta betritt einen Markt, auf dem Unternehmen wie Anthropic und OpenAI wichtige Akteure, und einige Startups wie Cursor haben bereits den Bedarf an KI-basierten Softwareentwicklungswerkzeugen erkannt.

Meta stellte fest, dass Muse Spark 1.2 zwar in mancher Hinsicht konkurrenzfähig sein mag, aber weit davon entfernt ist, Marktführer zu sein. Im Terminal-Bench 2.1 erreichte es lediglich 82,9 % und schlug damit GPT-5.6 Terra und Grok 4.5, musste sich aber Anthropics Opus 5 in diesem Benchmark geschlagen geben. Auch im DeepSWE 1.1 Benchmark zeigte Muse Spark 1.2 nur eine mittelmäßige Leistung und belegte den dritten Platz, während Opus 5 den ersten Platz belegte.

Tests von Drittanbietern bestätigten dieses Ergebnis. Laut Artificial Analysis belegt Muse Spark 1.2 im Intelligenzindex mit 54 Punkten Platz 14 von 186 Modellen und liegt damit über dem Median von 32. Es zeichnet sich durch geringe Latenz und einen relativ niedrigen Preis aus. Dies deutet darauf hin, dass Meta den Fokus eher auf ein ausgewogenes Verhältnis von Leistung und Preis legt, als das leistungsstärkste Modell zu sein.

Wie sich Muse Spark 1.2 im Vergleich zu DeepSeek V4 preislich schlägt

Die Preisgestaltung könnte sich als einer der größten Wettbewerbsvorteile von Meta erweisen – vorausgesetzt, die Entwickler akzeptieren den Kompromiss.

Reuters berichtete unter Berufung auf Artificial Analysis, dass DeepSeek V4-Flash das kostengünstigste weit verbreitete KI-Modell für Benchmark-Tests sei, was die DeepSeek V4-Familie zu einem wichtigen Preismaßstab für konkurrierende Spitzenmodelle mache.

Muse Spark 1.2 bietet zwei verschiedene Preisoptionen. Die Standardpreise für die API-Nutzung betragen 1,25 $ pro Million Eingabe-Tokens, 0,15 $ für zwischengespeicherte Eingabe-Tokens und 4,25 $ pro Million Ausgabe-Tokens. Meta bietet außerdem einen Contributor-Preis für genehmigte Eingabeaufforderungen und Antworten an, wodurch die Preise deutlich sinken: 0,10 $ für Eingabe-Tokens, 0,01 $ für zwischengespeicherte Eingabe-Tokens und 0,20 $ für Ausgabe-Tokens.

DeepSeek berechnet für V4-Flash 0,14 $, 0,0028 $ bzw. 0,28 $ für jeweils eine Million Eingabe-, zwischengespeicherte Eingabe- bzw. Ausgabetoken. Für V4-Pro liegen die Preise je nach Spitzen- und Nebenzeiten gemäß der API-Beschreibung bei 0,435 $, 0,0145 $ bzw. 0,87 $.

Der obige Vergleich zeigt zwei unterschiedliche Preisansätze. Im regulären Preissegment ist Muse Spark 1.2 im Vergleich zu den beiden DeepSeek-Modellen teurer. Im Contributor-Tarif bietet Meta jedoch im Vergleich zu V4-Flash und V4-Pro einen niedrigeren Preis für Ein- und Ausgabe, wodurch es zu einem der günstigsten Produkte für berechtigte Nutzer wird, die bereit sind, ihre Daten zu teilen.

Der Preisvorteil von DeepSeek könnte nicht ewig anhalten. Berichten zufolge plant DeepSeek eine deutliche Preiserhöhung für seine KI-Dienstleistungen, deren Höhe noch nicht bekannt gegeben wurde. Sollten die neuen Preise eingeführt werden, könnte sich der Abstand zu anderen Branchenführerntron.

Die Wette auf persistente Hintergrundagenten

Das herausragende Merkmal des Meta-Agenten könnte eher seine Architektur als seine Benchmark-Ergebnisse sein.

Laut den technischen Dokumentationen des Unternehmens verwendet Muse persistente Hintergrundprozesse, um den Kontext der Repositories während jeder Entwicklungssitzung beizubehalten, anstatt bei jeder Anfrage von vorn zu beginnen. Bei größeren Projekten verteilt Muse die auszuführenden Aufgaben auf zahlreiche isolierte Git-Arbeitsverzeichnisse, sodass Unterprozesse ihre Aufgaben ausführen können, ohne den primären Arbeitsbereich des Entwicklers zu beeinträchtigen.

Meta legt zudem großen Wert auf Zuverlässigkeit. Jeder Modellaufruf, jeder Tool-Lauf und jede Dateibearbeitung wird in einem lokalen Ereignisprotokoll erfasst, sodass unterbrochene Sitzungen an einem Kontrollpunkt fortgesetzt werden können, anstatt von vorn beginnen zu müssen. Das Unternehmen hat dieses System in über 1.000 Tool-Aufrufen während eines 24-stündigen GPU-Kernel-Entwicklungsprojekts getestet und damit seinen Fokus auf die langfristige, autonome Softwareentwicklung unterstrichen.

Der Markteintritt von Meta verschärft den Wettbewerb im globalen KI-Sektor. Mit Meta steht Softwareentwicklern neben Anthropic, OpenAI und DeepSeek ein weiterer zuverlässiger Anbieter zur Verfügung, was den Druck auf KI-Anbieter erhöht, hinsichtlich Programmierkenntnissen und Preismodellen zu konkurrieren. Dies könnte zu schnelleren Produkteinführungen, geringeren Inferenzkosten und einer größeren Verfügbarkeit fortschrittlicher KI-Programmierwerkzeuge führen, die die Softwareentwicklung unterstützen.