El lunes 9 de noviembre Meta Superintelligence Labs sacó un modelo que no pelea por ningún podio de razonamiento. Meta Muse Ember va por otra cosa: ser el más barato que todavía sirve para mover agentes de IA en producción. Cuesta 0.10 dólares por millón de tokens de entrada y 0.50 por millón de salida, y en el índice de inteligencia de Artificial Analysis empata con Claude Haiku 5.5 a cerca de un tercio del costo por tarea.
Si nunca pusiste un agente a correr todo el día, ese número suena a detalle contable. Si ya lo hiciste, sabes que es justo ahí donde se muere la mitad de los proyectos.
Qué anunció Meta exactamente
Muse Ember es el modelo más pequeño de la familia Muse. Meta lo describió sin rodeos: está hecho para "el trabajo que los agentes repiten todo el día" —llamadas a herramientas, subtareas de código, enrutamiento, extracción y lectura de documentos largos—. No es el modelo que le vas a pedir que diseñe tu arquitectura; es el que ejecuta los 40 pasos aburridos que vienen después.
Lo concreto de la ficha técnica:
- ▸Precio: 0.10 USD por millón de tokens de entrada y 0.50 por millón de salida. El caché queda en 0.004 contra los 0.01 de Haiku 5.5.
- ▸Ventana de contexto de 1 millón de tokens, pero el precio base aguanta hasta 200K de entrada (en Haiku el escalón llega a los 100K).
- ▸Multimodal de nacimiento: acepta texto, imágenes, audio y video, así que un agente puede leer una captura de pantalla, un PDF escaneado o una grabación de reunión sin montar un segundo modelo al lado.
- ▸Disponible en la Meta Model API como muse-ember-1.0 y dentro de Muse Code. Soporta la Responses API.
- ▸Puntaje 36 en el Intelligence Index de Artificial Analysis con esfuerzo máximo, el mismo de Claude Haiku 5.5, a unos 0.14 USD por tarea frente a 0.41.
En AutomationBench, una prueba centrada en tareas de agente, Meta reporta 37.8% contra el 13.9% de su propio modelo anterior. Ojo con cómo leer eso: es Meta comparándose consigo misma, no contra el resto del mercado. El dato que de verdad vale es el de Artificial Analysis, que es independiente.
Por qué el precio decide más de lo que la gente cree
Un chat con un LLM consume una llamada por pregunta. Un agente no. Un agente con 6 herramientas y memoria hace entre 8 y 30 llamadas para resolver una sola solicitud, y cada paso vuelve a arrastrar el historial completo. He visto flujos de clasificación de tickets donde el 80% del gasto no estaba en la respuesta final al usuario, sino en los pasos intermedios que nadie mira.
Haz la cuenta con números redondos. Un agente que procesa 5,000 solicitudes al mes, con 12 pasos promedio y unos 8,000 tokens de entrada por paso, quema cerca de 480 millones de tokens de entrada. A 0.10 el millón son 48 dólares. Con un modelo de 1.00 por millón, 480. Mismo flujo, misma lógica, diez veces la factura. Esa diferencia es exactamente la que define si el piloto pasa a producción o se queda en la demo bonita del comité.
La pregunta ya no es qué modelo es más inteligente, sino cuál es el modelo más barato que todavía resuelve este paso sin equivocarse.
Dónde sí y dónde no lo pondría
Un puntaje 36 en el índice de Artificial Analysis está lejos de los modelos frontera. Tratarlo como reemplazo universal es la forma más rápida de que tu agente empiece a inventar llamadas a herramientas que no existen. Lo que funciona es repartir: el modelo caro decide y el barato ejecuta.
Candidatos buenos para Muse Ember: clasificar y enrutar un mensaje entrante, extraer campos de una factura o un contrato, resumir un hilo de correo antes de pasarlo al modelo grande, decidir cuál de tus herramientas toca ahora, releer un documento de 150 páginas que ya tienes indexado. Candidatos malos: planificación multipaso sin supervisión, escritura de código que va directo a producción, cualquier razonamiento donde un error se propaga sin que nadie lo vea.
Y hay una letra chica que conviene mirar: el precio base aguanta hasta 200K tokens de entrada. Pasado ese umbral entras a otro escalón. Si tu agente mete todo el historial en cada paso sin podarlo, el ahorro se te evapora solo. Esto es context engineering puro y duro: no es un detalle de optimización, es el diseño.
Cómo se aterriza en tu arquitectura
La buena noticia es que no tienes que reescribir nada si tu agente está armado con un grafo de estados. En LangGraph asignas el modelo por nodo: el nodo que planifica usa Opus o GPT-6, el que extrae campos usa Muse Ember, y el estado compartido no se entera. En un esquema multiagente con CrewAI pasa lo mismo por agente: el investigador caro, los ejecutores baratos.
Si tu agente es un flujo visual en n8n, el cambio es todavía más corto: apuntas el nodo de modelo a la Meta Model API y mides. Lo que no te ahorra ninguna herramienta es la parte seria, que es tener una forma de saber si el modelo barato bajó la calidad. Sin un set de 50 o 100 casos con la respuesta esperada, cambiar de modelo es apostar a ciegas.
Lo que nadie te dice de estos anuncios: el modelo barato casi nunca falla de forma escandalosa. Falla en el margen —se salta un campo, elige la herramienta número dos en vez de la uno— y eso solo lo ves si lo estás midiendo. Esa disciplina de evaluar, versionar prompts y monitorear en producción es, a estas alturas, la diferencia real entre alguien que arma demos y un AI Agentic Engineer.
Qué haría esta semana
Abre el log de tu agente y ordena los pasos por tokens consumidos. Casi siempre hay dos o tres nodos que se comen la mitad del gasto y que, leídos con calma, son tareas mecánicas: clasificar, extraer, resumir. Esos son los que mueves a Muse Ember primero, uno por uno, comparando contra tu set de casos. Si la calidad aguanta, te quedaste con el mismo agente y una factura bastante más chica. Si no aguanta, lo revertiste en cinco minutos y aprendiste dónde está el límite real del modelo, que vale más que cualquier benchmark.
Un apunte de contexto: Muse Ember sale la misma semana en la que Gemini 4 Carbon llegó a disponibilidad general y Anthropic publicó Fable 5.2. La capa de modelos se mueve cada quince días. Lo que no caduca es saber diseñar el agente que los usa.
Dónde aprender a construir esto
Si quieres llegar al punto de elegir modelo por nodo con criterio, la ruta AI Agentic Engineer cubre justamente eso: arquitectura, memoria, RAG, evaluación y puesta en producción. Si prefieres empezar por una pieza concreta, el curso de agentes con LangGraph es el camino más corto para entender el grafo de estados, y el resto del catálogo de cursos te deja armar la ruta a tu medida.
Y si lo tuyo es probar estas cosas mientras están calientes, en la Comunidad AI Builders hacemos un taller en vivo cada semana con lo que acaba de salir, desde 19 USD al mes. Suele ser el mejor lugar para quemarse los dedos con un modelo nuevo antes de meterlo a un proyecto que factura.
