Was Meta Muse tatsächlich tut, wenn du es recherchieren lässt
Ich baue bei eesel Integrationen, und Recherche-Pipelines gehören zu meinem Arbeitsalltag. Unser AI-Blogwriter führt vor jedem Entwurf einen Recherche-Schritt aus, und ein Team, das ihn nutzt, fährt eine Pipeline vom Keyword bis zur Veröffentlichung mit 360+ Beiträgen im Monat. Die Lehre daraus ist einfach: Ein Recherche-Agent scheitert leise. Er stürzt selten ab. Er liefert dir einen selbstsicheren Absatz mit einer Zahl, die niemand nachvollziehen kann. Deshalb lese ich Muse durch diese Brille: wie es Dinge findet und wie du prüfst, was es gefunden hat.
Meta Muse ist Metas persönlicher AI-Agent, gestartet am 8. September 2026 und angetrieben von Muse Spark. Für die Recherche sind drei Teile wichtig.
Eine eigene Recherche-Fähigkeit. Metas Hilfeseite zu Skills führt „compiling research“ neben dem Entwerfen von Dokumenten, dem Erstellen von Dashboards und dem Surfen im Web auf. Diese Skills sind eingebaut, und im Aktivitätsprotokoll siehst du, welche Muse verwendet hat. Metas eigene FAQ nennt „researching topics“ als alltäglichen Anwendungsfall.
Ein eigener Browser. Muse bekommt einen vollständigen Browser in seiner isolierten virtuellen Maschine. Laut dem Hilfeartikel zum Surfen im Web kannst du ein Ansichtsfenster öffnen, um zuzusehen, die Kontrolle übernehmen oder die Aufgabe stoppen.
Hintergrundzeit. Muse arbeitet weiter, nachdem du die App geschlossen hast, und kann wiederkehrende Aufgaben nach Zeitplan ausführen, „like daily check-ins or weekly summaries.“ Das ist die Funktion, die es von einem Chatfenster unterscheidet.
Meta beschreibt die Recherchegewohnheit des Modells in seinem Beitrag zu Muse Spark 1.3: Es „uses tools to generate its own context across messy and conflicting sources“ und „keeps track of what it has learned to produce a final deliverable.“ Das entspricht dem, was ich mir von einem Nachwuchsrechercheur wünschen würde. Ob es hält, hängt davon ab, womit du es fütterst.
Die Eingaben sind breiter als bei den meisten Recherche-Tools. Muse verbindet sich mit Box, Dropbox und Notion (hinzugefügt mit Muse for Small Business, laut muse.ai/business), liest mit deiner Erlaubnis lokale Dateien auf einem Mac und holt Meeting-Notizen von Granola oder Zoom. Mein Beitrag zu Muse für den Vertrieb listet alle Konnektoren auf. Was du nicht findest: Google Scholar, PubMed, Zotero oder irgendeinen Konnektor zu einer wissenschaftlichen Datenbank. Für Literaturübersichten ist das eine echte Lücke.
Wo sind die Quellen?
Das hat mich am meisten überrascht. Muse setzt standardmäßig keine Quellenangaben in seine Antworten. Metas Hilfeartikel zu Genehmigungen nennt es als Option: „You can also ask your Muse to provide the sources it based its response on.“
Du kannst auch nach dem Browserverlauf fragen. Der Artikel zum Surfen gibt den genauen Prompt an: „Show all URLs you have visited in the last week.“ Das ist ein nützlicher Prüfpfad. Es ist aber nicht dasselbe wie eine Fußnote neben jeder Aussage.
Ich habe jede Muse-Seite geprüft, die Meta veröffentlicht (muse.ai, die 13 Hilfecenter-Artikel, den Launch-Beitrag, introducing.muse.ai). Keine beschreibt einen Deep-Research-Modus oder standardmäßige Quellenangaben im Text. Vergleiche das mit ChatGPT Deep Research oder Perplexity, wo die Quellenliste das Produkt ist.
Muse kann trotzdem Fußnoten erzeugen, wenn die Ausgabe ein Dokument ist. Ein Reddit-Nutzer bat Muse, ein Bartproblem zu recherchieren, und bekam einen vollständigen Web-Ratgeber mit „Ten footnotes.“ Das Problem zeigte sich woanders:
"the chat gave me a $53 buy list with three products, and the website it built recommends five completely different ones. The website even calls the products on my buy list "unverified" and "not presented as recommendations here." Same session, same AI."
Das ist der Fehlermodus, für den ich planen würde. Die Chat-Antwort und das fertige Artefakt können sich widersprechen, und nur eines von beiden hatte Quellen. Wenn Muse dir im Chat eine Zusammenfassung gibt, frag nach, aus welchem Dokument oder welcher URL jede Zahl stammt, bevor du sie weiterverwendest.
Die unabhängigen Zahlen stützen die Vorsicht. Auf Artificial Analysis erreicht Muse Spark 1.3 (Max) 43.6% Genauigkeit beim AA-Omniscience-Wissenstest mit einer Halluzinationsrate von 32.9%. Dieser Test bestraft falsche Antworten und bestraft „Ich weiß es nicht“ nicht. Einfach gesagt: Wenn das Modell eine Tatsache nicht kennt, antwortet es manchmal trotzdem.
Wie gut ist Muse bei der Recherche, in Zahlen?
Meta hat mit dem Launch von Muse Spark 1.3 eine Benchmark-Scorecard veröffentlicht. Zwei Zeilen sind für die Recherche wichtig: eine zum Surfen im Web, eine zum Lesen langer Dokumente.
| Benchmark (aus Metas Scorecard) | Was er testet | Muse Spark 1.3 | GPT 5.6 Sol | Opus 5 |
|---|---|---|---|---|
| DeepSearchQA (F1) | 900 Browsing-Fragen mit Listenantworten | 90.3 | 93.1 | 90.4 |
| GDPval-AA v2 (Elo) | 220 berufliche Aufgaben mit Berichten und Tabellen | 1754 | 1710 | 1824 |
| MRCR 256K-512K | Fakten in sehr langen Eingaben finden | 98.5 | 91.5 | Nicht angegeben |
| MRCR 512K-1M | Dasselbe, bis zu 1M Tokens | 98.1 | 73.8 | Nicht angegeben |
Zwei Einschränkungen. Das sind Metas Zahlen bei maximalem Reasoning, und Metas Methodikbericht sagt, dass jedes Modell sein bestes vergleichbares Ergebnis bekommt. Außerdem testen sie das Modell, nicht die Muse-App mit ihren Konnektoren und Genehmigungen.
Trotzdem ist das Bild klar. Bei der Webrecherche ist Muse auf Augenhöhe mit Opus 5 und einen Schritt hinter GPT 5.6 Sol. Bei langen Dokumenten ist es von den dreien mit großem Abstand das beste. Wenn deine Recherche lautet „lies diese fünf PDFs mit je 200 Seiten und finde jede Erwähnung von X“, ist das der beste Fall für Muse. Mein Deep Dive zu Muse Spark 1.3 enthält das ganze Modellbild.
Fünf Rechercheaufgaben, die Muse gut erledigt
Hier würde ich Muse tatsächlich einsetzen, geordnet danach, wie sehr ich der Ausgabe vertrauen würde.
1. Ein Thema wochenlang beobachten
Das ist die Aufgabe, die Muse kann und ein Chat-Tool nicht. Einmal einrichten, und es schaut von selbst wieder nach. Ein Hacker-News-Nutzer beschreibt genau das:
"Muse I use for general research and monitoring my Ig/Facebook/Threads conversations and posts. Research here meaning stuff I need a browser for, like the other day I asked Muse to monitor the Apple website every few hours to tell me when iPhones in my area are back in stock."
Für die Arbeit ersetzt du das iPhone durch die Preisseite eines Wettbewerbers, das Mitteilungsbrett einer Behörde oder ein Changelog. Muse sagt dir, wenn sich etwas ändert, und du liest die Änderung selbst.
2. Lange Dateien lesen, die du schon hast
Muse liest PDF, DOCX, Nur-Text, Markdown, XLSX und CSV, laut der Hilfeseite zu Artefakten. Du kannst Folgefragen wie „What's on page 3?“ stellen und es bitten, ein Dokument zu lesen und eine separate Zusammenfassung zu schreiben, „all in one request.“ Meta veröffentlicht keine Dateigrößengrenze, nur den Hinweis „Large or complex files may take a moment to process.“ PowerPoint steht nicht auf der Liste der unterstützten Formate, exportiere Präsentationen also zuerst als PDF.
3. Wöchentliche Recherche-Digests
Wiederkehrende Aufgaben laufen weiter, bis du sie abbrichst. Ein früher Nutzer richtete sie am Starttag ein:
"I asked Muse to schedule repeating tasks that only involve web search e.g., every other morning find sci-fi movies playing in my city, 3pm EST stock market summary, etc."
Ein Freitags-Digest zu „was hat sich diese Woche in meinem Markt geändert“ ist die berufliche Version davon. Es ist dieselbe Idee wie die proaktive Recherche in OpenAIs dots, mit den Konnektoren von Muse dahinter.
4. Recherchieren, was schon in deinem Postfach und deinen Notizen steckt
Verbinde Gmail, Notion oder Box, und Muse kann sie durchsuchen, ohne alles herunterzuladen („it won't download your whole inbox (unless you tell it to)“, laut der Konnektoren-Hilfe). „Hol jede Kunden-E-Mail, die in diesem Quartal Preise erwähnt, und gruppiere die Beschwerden“ ist eine Rechercheaufgabe, zu der die meisten nie kommen. Es ist dieselbe Aufgabe, die ich in Muse für die Analyse von Kundenfeedback behandelt habe.
5. Ergebnisse als Dokument aufbereiten
Muse macht aus Recherche PDFs, Word-Dateien, Tabellen und einseitige Web-Tools. Metas Design-Beitrag zeigt Beispiele, darunter „an interactive study guide.“
Artefakte bleiben privat, bis du das Teilen genehmigst. Ein Tipp von der Artefakte-Seite, dem ich folgen würde: „If you need a PDF instead of a word document file, say so.“
Eine Gewohnheit, auf die du bei allen fünf Aufgaben achten solltest. Muse ist darauf gebaut zu handeln, und das zeigt sich, sobald die Recherche etwas berührt, das man kaufen könnte:
"it still consistently wants to spend money; research a trip? as soon as it has any results it prompts to start booking stuff."
Käufe brauchen immer deine Genehmigung, es wird also nichts ohne dich gekauft. Wenn du aber nur die Recherche willst, sag es gleich in der ersten Nachricht.
Was die Bedingungen von Muse zur Recherche sagen
Die Supplemental Terms von Muse, aktualisiert am 8. September 2026, enthalten vier Zeilen, die jeder kennen sollte, der recherchiert. Geschäftliche Nutzung ist erlaubt. Das sind die Grenzen.
| Klausel | Was sie sagt | Was sie für die Recherche bedeutet |
|---|---|---|
| Abschnitt 4, Punkt 06 | Du darfst nicht „circumvent any third party's terms of service... including but not limited to circumventing any paywalls or CAPTCHAs“ | Keine Paywall-Umgehungen und kein Scraping einer Website, deren Bedingungen Bots verbieten |
| Abschnitt 11, Accuracy Warning | Ausgaben „may be inaccurate, incomplete, or contain material errors even when they appear accurate“ | Prüfe jede Zahl, bevor sie deinen Schreibtisch verlässt |
| Abschnitt 12, No Professional Advice | Muse „does not provide, and should not be relied upon for, legal, financial, investment, medical, tax, or other professional advice“ | Medizinische, rechtliche und Anlagerecherche ist nur Hintergrund |
| Meta AI Terms | Du darfst nicht „Deceive or mislead others, including but not limited to activity related to plagiarism“ | Gib Muses Bericht nicht als dein eigenes Originalwerk ab |
Die Klausel zur Genauigkeit würde ich mir an die Wand hängen. Die ganze Zeile sagt, dass Ausgaben Fehler enthalten können „even when they appear accurate due to their level of detail or specificity.“ Genau das ist die Falle bei der Recherche. Eine detaillierte Antwort fühlt sich geprüft an. Das ist sie nicht.
Du behältst das Eigentum an dem, was du mit Muse erstellst (Abschnitt 2.1), und kannst unter Data Controls dem AI-Training widersprechen. Die Meta AI Terms gehen bei regulierten Themen weiter: „IT IS YOUR SOLE RESPONSIBILITY TO VERIFY OUTPUTS.“
Übergeben, prüfen, behalten
Wenn du die Benchmarks, das Quellenverhalten und die Bedingungen zusammenlegst, ergibt sich die Aufteilung von selbst.
Übergeben: Aufgaben, bei denen die Eingabe feststeht und du eine schlechte Antwort schnell erkennst. Beobachten, eigene Dateien zusammenfassen, wöchentliche Digests.
Jedes prüfen: Aufgaben, bei denen Muse die Fakten im offenen Web findet. Quellenlisten, Marktgrößen, Wettbewerbsbriefings. Frag jedes Mal nach Quellen und öffne dann mindestens die, von denen deine Schlussfolgerung abhängt.
Selbst behalten: alles hinter einer Paywall, alles Regulierte und die endgültige Quellenliste in allem, was du veröffentlichst.
Mit diesen Prompts würde ich anfangen:
| Rechercheaufgabe | Prompt zum Ausprobieren | Folgeprüfung |
|---|---|---|
| Wettbewerbsbeobachtung | "Every Monday, check these three pricing pages and tell me what changed since last week." | Öffne die Seite bei jeder gemeldeten Änderung |
| Lange PDFs prüfen | "Read these two reports and list every figure on churn, with the page number." | Drei Seitenzahlen stichprobenartig prüfen |
| Marktüberblick | "Find the five most-cited sources on this market and summarize each in two lines." | "Show me the sources you based this on" |
| Postfach-Recherche | "Group every customer email about refunds this quarter by reason." | Fünf E-Mails aus der größten Gruppe lesen |
| Endgültiges Briefing | "Turn this into a two-page PDF with a source list at the end." | Jeden Link in der Quellenliste anklicken |
Das Aktivitätsprotokoll hilft beim Prüfen. Es zeigt eine Zeitleiste jeder Aktion und jedes Skills, den Muse genutzt hat, sodass du sehen kannst, ob es die Seiten, die es zusammengefasst hat, wirklich geöffnet hat.
Wann ein anderes Recherche-Tool besser passt
Muse ist nicht der einzige Agent, der recherchiert, und für manche Aufgaben würde ich etwas anderes wählen.
- Du brauchst heute einen belegten Bericht. ChatGPT Deep Research erstellt einen Plan, liest breit und liefert einen Bericht mit angehängten Quellen. Perplexity antwortet standardmäßig mit Quellenangaben.
- Deine Recherche lebt in einem Team-Workspace. Notion Research Mode arbeitet in den gemeinsamen Seiten, in denen dein Team ohnehin schreibt. Muse hat keinen Team-Tarif, kein gemeinsames Gedächtnis und keine Admin-Konsole.
- Du willst eine andere Art von Agent. Mein Claude-Cowork-Test behandelt einen Desktop-Arbeitsagenten. Für andere persönliche Agenten siehe Instinct AI vs Meta Muse.
Muse gewinnt, wenn die Recherche laufend, persönlich und über dein eigenes Postfach, deine Dateien und das Web verteilt ist. Das ganze Feld steht in meiner Übersicht zu Meta-Muse-Alternativen.
Was Muse für die Recherche kostet
Muse wird pro Woche in „Muse-Tokens“ abgerechnet. Das sind die Tarife auf Metas Abo-Seite:
| Tarif | Preis | Wöchentliche Nutzung | Gut für |
|---|---|---|---|
| Free | 0 $ | 100M Muse-Tokens, laut Mark Zuckerberg zum Start | Leichtes Beobachten, ein paar Dateizusammenfassungen |
| Power | 20 $/Monat | 500M Muse-Tokens | Wöchentliche Digests plus regelmäßiges Lesen langer Dateien |
| Maximum | 100 $/Monat | 3B Muse-Tokens | Tägliche Rechercheläufe über viele Quellen |
Recherche ist eine schwere Nutzung. Lange Dokumente füllen das Kontextfenster, und das Modell ist gesprächig: Im Lauf des Artificial-Analysis-Index erzeugte Muse Spark 1.3 170M Tokens bei einem Median von 81M. Rechne damit, dass die Recherche das Gratis-Limit früher erreicht als der Chat. Es gibt keinen Team- oder Jahrestarif, also zahlt jeder Rechercheur über sein eigenes Meta-Konto. Der Beitrag zu Meta-Muse-Preisen hat die Details, und die API-Preise des Modells stehen unter Muse Spark 1.3 Preise.
Von der Recherche zum veröffentlichten Beitrag: eesels AI-Blogwriter
Wenn deine Recherche als Blogbeitrag endet, beginnt der schwere Teil, nachdem Muse aufgehört hat. Jede Zahl braucht einen Quelllink, jedes Zitat einen Permalink, und der Entwurf muss klingen, als hätte ein Mensch ihn geschrieben. Für diese Aufgabe wurde der AI-Blogwriter von eesel eingestellt.
Er ist einer von eesels AI-Teammates: ein einsatzbereiter Neuzugang für eine Aufgabe, kein allgemeiner Agent, den du steuern musst. Er recherchiert Primärquellen zu einem Thema, behält an jeder Aussage den Quelllink und entwirft einen langen Beitrag mit Infografiken, Produkt-Screenshots und FAQs. Eine deutsche Ecommerce-Marke lässt ihn mit einem Keyword laufen und bekommt in etwa 12 bis 20 Minuten einen Beitrag mit 2,000 bis 2,900 Wörtern zurück. Der Blogwriter-Workflow zeigt jeden Schritt, und mein Leitfaden zum Recherchieren von Blogthemen behandelt den Teil davor. Wenn du lieber aus Muse heraus briefst, siehe Muse für SEO-Briefings.
Nutze Muse, um deinen Markt zu beobachten und deine Dateien zu lesen. Wenn es ans Veröffentlichen geht, probiere eesel und bekomm einen belegten Entwurf, den du bearbeiten kannst, statt einer Zusammenfassung, die du Zeile für Zeile neu prüfen musst.