Muse Ember: Meta lanza IA a US$0,10 por millón de tokens

Qué es Muse Ember y qué lo hace distinto

Meta Superintelligence Lab presentó el lunes Muse Ember, su modelo más liviano y eficiente en costo hasta la fecha, a 10 centavos por millón de tokens de entrada. Según el anuncio, está diseñado para «ejecución de razonamiento complejo y el trabajo que los agentes repiten todo el día»: llamadas a herramientas, subtareas de código, enrutamiento, extracción y parseo de documentos largos.

Para un equipo de producto, la señal es otra: Ember no compite por ser el modelo más inteligente del mercado, sino por ser el más barato por tarea completada. Meta lo posicionó con el puntaje compuesto de Artificial Analysis, la firma independiente de benchmarks, para presentarlo como más barato y más preciso que Haiku de Anthropic y Luna de OpenAI.

Y es multimodal desde el entrenamiento: texto, imágenes y audio. En palabras de Meta, los agentes «pueden leer capturas de pantalla, gráficos y documentos escaneados, o trabajar con notas de voz, grabaciones de reuniones y video sin un modelo separado». En un flujo de soporte o back-office con documentos mixtos, eso quita una pieza de la arquitectura: deja de hacer falta un modelo de visión aparte para leer el PDF escaneado.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Por qué Meta habla de costo por tarea y no de precio por token?

Porque el precio por token ya se commoditizó y dejó de ser un diferenciador. El número de Ember (10 centavos por millón de tokens de entrada) es el mismo que listan sus rivales directos: según el relevamiento de precios de CoinCentral, GPT-6 Luna de OpenAI y Claude Haiku 5.5 de Anthropic cobran US$0,10 por millón de tokens de entrada y US$0,50 por millón de salida.

Si la entrada cuesta lo mismo en los tres, la ventaja que Meta reclama solo puede venir de cuántos tokens consume cada tarea y de cuánto cuesta la salida. De ahí que el anuncio se apoye en el costo por tarea de Artificial Analysis en lugar de la tabla de precios. Es la pregunta correcta, y es la que casi nadie hace al elegir modelo: uno barato que necesita tres reintentos y 60.000 tokens para cerrar un ticket termina saliendo más caro que uno que lo resuelve en un intento.

Meta también ubicó a Ember como competitivo en costo frente a los modelos abiertos DeepSeek V4.1 Flash y GLM 5.3 Flash, lo que confirma que la pelea no es contra los frontier, sino contra el piso de precio del mercado.

El dato del refinamiento tiene respaldo externo. Un análisis sobre la economía de los agentes publicado en Yahoo Finance cita un informe de McKinsey de julio de 2026, sobre 20 flujos de trabajo de código en producción, que ubica cerca del 60% del costo de una tarea agéntica en el ciclo de refinamiento —revisar, corregir y re-verificar la respuesta— y no en la llamada original. El mismo texto menciona la encuesta de FinOps de IA empresarial de McKinsey (mayo de 2026, 75 respuestas), donde el 93% de las organizaciones se pasó del presupuesto de IA. El token es la parte visible de la factura; el reintento es la que duele.

Una advertencia de lectura: los 10 centavos son precio de entrada. El precio de salida de Ember no aparece en el anuncio, y suele ser el que pesa más en tareas de generación larga. Pídelo antes de presupuestar.

«Muse Wonder planea, Muse Ember ejecuta»: el patrón de dos capas

La arquitectura que propone Meta no es sustituir el modelo caro por el barato, sino partir el trabajo en dos niveles. La frase del anuncio lo resume: «Muse Wonder plans, Muse Ember handles the volume».

El ejemplo que da la compañía es un agente de atención al cliente: un modelo pesado establece las reglas de cómo resolver un problema y el liviano aplica esas reglas en decenas de miles de casos. El razonamiento caro ocurre una vez; la ejecución barata ocurre diez mil veces. Ese patrón —planificador caro, ejecutor barato, contrato explícito entre ambos— es el que están adoptando los equipos con agentes en producción, porque baja el costo marginal sin tocar la calidad del criterio.

Para dimensionar la capa de arriba: Muse Wonder se lanzó el 12 de octubre y, según CNBC, acceder a él desde la app Muse requiere una suscripción de US$20 o US$100 al mes, mientras los desarrolladores lo consumen a través de Meta Model API. La variante Muse Wonder Full quedó restringida a Muse Code, con planes de US$50 o US$200 mensuales. El jefe de IA de Meta, Alexandr Wang, dijo a CNBC que el precio del API estará «significativamente por debajo» de los modelos líderes de OpenAI y Anthropic. El modelo que planifica tiene precio de herramienta premium; el que ejecuta, precio de commodity.

Cuatro modelos Muse: qué está armando Meta

Ember es el cuarto modelo de la familia Muse. El orden: Spark en abril, su gemelo open source Glimmer en agosto, el frontier Wonder en octubre y ahora Ember. En paralelo, el producto de consumo Muse Agent se lanzó en septiembre con una acogida que Meta no esperaba, y a principios de este mes sumó funciones como Spaces y videollamada.

La lógica del catálogo se entiende mirando los benchmarks de capacidad. Según el relevamiento de HackNoon con datos de Artificial Analysis al 15 de octubre de 2026, Claude Opus 5.5 lidera el índice de inteligencia con 58 puntos, Muse Wonder Full marca 56 y Muse Wonder 52. Meta no está ganando la carrera de capacidad: está construyendo la capa de ejecución barata debajo de ella. Es un negocio distinto, con otra métrica de éxito.

A eso se suma la infraestructura. SiliconANGLE reportó que Wonder se entrenó en Prometheus, el centro de datos de escala gigavatio de Meta, y que acepta prompts con texto, video, audio e imágenes en una ventana de contexto de 1 millón de tokens. La capacidad para servir volumen ya está construida; Ember es la pieza que la llena.

¿Qué significa esto para tu startup?

Tres cosas concretas.

Cambia la métrica que reportas. Si tu equipo mide costo por millón de tokens, está mirando el precio de la gasolina y no el consumo del auto. La métrica útil es costo por tarea aprobada, con dos componentes: lo que cobra el proveedor por intento y los minutos de una persona corrigiendo. Divide ambos entre las tareas que pasan tu barra de calidad. Esa cifra sí se defiende en un comité.
Instrumenta el refinamiento antes de migrar. Casi nadie registra los reintentos. Añade a tu orquestador un log de intentos por tarea y el motivo del fallo (herramienta caída, dato faltante, instrucción ambigua, salida mal formada). Sin esa línea base, cambiar de modelo el mes que viene es una apuesta, no una decisión, y vas a atribuirle mejoras que en realidad vienen de un prompt distinto.
Prueba el patrón de dos capas en una sola función. No rediseñes el producto. Toma el flujo más repetitivo —clasificar tickets, extraer campos de una factura, enrutar solicitudes— y pon un modelo grande a definir la regla una vez y un modelo liviano a aplicarla en lote. Mide tasa de acierto, tiempo hasta el resultado y costo total del lote. Si el acierto se mantiene dentro de tu umbral, tienes un caso interno para escalar.

Y una advertencia de timing: Artificial Analysis ya listaba al menos 49 modelos nuevos en agosto y septiembre y 123 en lo que va de 2026, según el recuento de HackNoon. Con ese ritmo, correr a probar cada lanzamiento es un costo real. La regla sana es mantener una capa de abstracción que permita cambiar de proveedor sin reescribir la lógica de negocio, y re-testear con tu propio set de 50 casos reales antes de mover producción.

Conclusión

Muse Ember no es una noticia sobre inteligencia: es una noticia sobre márgenes. Meta aceptó competir en el piso de precio, donde el token vale lo mismo que en OpenAI y Anthropic, y movió la conversación a la única métrica que no se copia con una tabla de precios: cuánto cuesta terminar la tarea sin que un humano la arregle.

Para un founder, la lectura práctica es que la ventaja competitiva de un agente se está mudando del modelo al enrutamiento. Quien sabe qué tarea merece razonamiento caro y cuál puede resolverse con un ejecutor liviano —y lo tiene medido— va a operar con márgenes que su competencia no puede igualar bajando precios. Ember es solo la excusa para hacer ese cálculo.