Wayfair hat bewiesen, dass moderne KI-Entwicklungswerkzeuge nicht nur die Produktivität steigern, sondern massive Kosteneinsparungen ermöglichen. Mit Hilfe von Cursor automatisierte das Applied Research Team bisher zeitaufwändige Experimente im Machine-Learning-Bereich und erzielte in zwei aufeinanderfolgenden Sprints Kostensenkungen von jeweils über 90 Prozent. Wie das Unternehmen Monate an Forschungsarbeit auf wenige Tage komprimierte und was andere Unternehmen daraus lernen können, erfahren Sie hier.

Von Monaten auf Tage: Die Experimentier-Sprints bei Wayfair

Das Applied Research Team von Wayfair nutzt Cursor, um aufwändige Machine-Learning- und KI-Forschungsprozesse drastisch zu beschleunigen. Während herkömmliche Methoden die manuelle Umsetzung und Bewertung von Experimenten über Wochen oder Monate ziehen können, erledigte ein Team aus nur fünf Forschenden im Dezember 2025 innerhalb von vier Tagen die Entwicklung und Erprobung von 110 substantiell unterschiedlichen Modellvarianten. Das Ergebnis: eine Kostensenkung der Inferenz für zentrale E-Commerce-Workflows um satte 94 Prozent.

Bereits im März 2026 wiederholte Wayfair diesen Erfolg mit einem weiteren Sprint. Unter Verwendung aktueller Modelle in Cursor und einem nun ausgereiften Framework gelang eine weitere Reduktion der Kosten um 90 Prozent. Junior-Engineers ohne Vorkenntnisse in der Tag-Validierung konnten bereits am ersten Tag eigene Modellvarianten entwickeln und testen.

Katalog-Anreicherung als Kernherausforderung

Wayfairs Produktkatalog gehört zu den größten der Welt im Bereich Homegoods. Jedes der zehn Millionen Produkte wird durch strukturierte Attribute wie Material, Abmessungen oder Farbe beschrieben – insgesamt über 47.000 verschiedene Tags. Diese Daten treiben Suche, Filter, Empfehlungen und Werbung an.

Das Applied AI Team entwickelte ein Validierungsmodell, das jedes Tag anhand von Bildern, Beschreibungen und Kundenbewertungen prüft. Die Genauigkeit stimmte, doch die Kosten für den flächendeckenden Einsatz über den gesamten Katalog waren prohibitiv hoch. Das Ziel: das Modell so kosteneffizient zu gestalten, dass es für den kompletten Bestand eingesetzt werden konnte.

Der Cursor-Workflow: Forscher denken, KI implementiert

Der entscheidende Wandel bestand in der Arbeitsteilung zwischen menschlicher Forschung und künstlicher Intelligenz. Die Forschenden konzentrierten sich auf das Entwickeln von Hypothesen, die Interpretation von Ergebnissen und die Verfeinerung vielversprechender Ansätze. Cursor übernahm die technische Umsetzung: das Bauen der Experimente, die Integration in das Test-Framework und die Messung der Resultate.

Der langsame Teil der Forschung ist das manuelle Bauen und Bewerten jedes Experiments, erklärt das Team. Wir haben diesen Loop automatisiert und Cursor die Implementierung und Ausführung überlassen. Was sonst Monate gedauert hätte, passte in vier Tage.

Standardisierte Evaluierung für vergleichbare Ergebnisse

Bevor die eigentliche Modellentwicklung begann, legte das Team fest, wie Cursor Experimente ausführen und bewerten sollte. Jede Variante lief auf demselben Testdatensatz und demselben Evaluations-Benchmark. Erst nach dieser Standardisierung konnten die Forschenden gezielt den Design-Raum erkunden: unterschiedliche LLMs, Prompts, Output-Strukturen oder Bildauswahl-Strategien.

Ein Senior Machine Learning Scientist beschreibt den Prozess so: Ich beschrieb eine Idee, manchmal im Voice Mode fünf Minuten lang, und Cursor startete die Variante, führte die Evaluierung durch und veröffentlichte die Ergebnisse. Das Framework übernahm Datensampling, Evaluation und Metrik-Reporting.

Technische Erfolgsfaktoren: Was Cursor bei Wayfair leistet

Mehrere Fähigkeiten von Cursor erwiesen sich für den ML-Betrieb als besonders wertvoll. Das Team nutzte diese gezielt, um die Experimentiergeschwindigkeit zu maximieren.

Skalierte Agenten-Parallelisierung

Während der Sprints liefen regelmäßig 20 oder mehr Cursor-Agenten parallel. Diese parallele Ausführung machte die Vielzahl von Tests innerhalb der kurzen Zeitfenster überhaupt erst möglich. Statt sequentiell zu warten, konnten Dutzende Hypothesen gleichzeitig geprüft werden.

Cloud-Agenten für durchgehende Läufe

Forschende mussten ihre Experimente nicht mehr an ihren lokalen Rechner gebunden lassen. Normalerweise unterbricht das Schließen des Laptops das Experiment. Mit Cursor kann ich pendeln, in Meetings gehen oder Ideen an einem Whiteboard entwickeln, während Cloud-Agenten weiterarbeiten. So laufen Experimente 24 Stunden am Tag, sieben Tage die Woche, so ein Teammitglied.

Plattformübergreifende Nutzung und Modellzugang

Einige Forschende arbeiteten primär mit der Desktop-App, andere mit dem Cursor CLI. Bei Bedarf konnten direkt Terminals oder Dateien in der Umgebung geöffnet werden. Zudem bot Cursor Zugriff auf verschiedene Modelle für unterschiedliche Aufgaben – ein Faktor, der die Iterationsgeschwindigkeit weiter erhöhte.

Ausblick: Agent-first-Forschung als Unternehmensstandard

Cursor ist mittlerweile in der gesamten Applied Research Organisation bei Wayfair etabliert. Über das ML-Team für Katalog-Anreicherung hinaus entwickeln Forschende interne Repositories mit Skills für ML-Experimente, die den Entwicklungsprozess weiter beschleunigen.

Das Unternehmen treibt diese neue Art der Forschung gezielt voran und ermutigt auch Stakeholder ohne Programmiererfahrung, Agenten zu nutzen. Der Rat des Teams ist einfach: Sagen Sie einfach, was Sie erreichen wollen, und überschreiten Sie dann kontinuierlich die Grenzen.

Die Zahlen sprechen eine deutliche Sprache: Wer KI-gestützte Entwicklungsumgebungen konsequent einsetzt, kann nicht nur Kosten dramatisch senken, sondern auch Innovationszyklen von Monaten auf Tage verkürzen.

Quelle: https://cursor.com/blog/wayfair