Meta lancia Muse Wonder, i modelli AI che portano a termine i compiti

Per anni i chatbot sono stati giudicati sulla qualità delle risposte. Ora la competizione nell'intelligenza artificiale si sposta sulla capacità di portare avanti un incarico: consultare documenti, usare programmi, correggere errori e conservare le informazioni utili. In questo passaggio Meta colloca Muse Wonder e Muse Wonder Full, i nuovi modelli destinati ad attività personali e professionali. Wonder debutta attraverso Meta Model API, l'interfaccia con cui gli sviluppatori possono inserirlo nelle proprie applicazioni, e su Muse Code, l'ambiente dedicato alla programmazione. Full, la variante più avanzata, arriva agli abbonati di Muse Code. L'integrazione nell'assistente Muse seguirà, iniziando dagli utenti paganti.

Il lancio prosegue il percorso aperto da Muse Spark, presentato l'8 aprile 2026. Già allora Meta proponeva un modello capace di elaborare diversi tipi di contenuti e di coordinare più agenti, cioè programmi che svolgono compiti in autonomia. L'azienda indicava però il lavoro prolungato e la programmazione come aree da migliorare. Wonder affronta proprio la distanza tra una dimostrazione convincente e un sistema utilizzabile per progetti articolati, e segna una nuova fase della strategia AI dell'azienda.

Un assistente che ricorda

Le novità più riconoscibili sono Active Memory e Active Focus. La prima conserva il contesto importante tra una conversazione e l'altra e recupera i dettagli pertinenti quando servono. In un progetto software potrebbe richiamare una preferenza sull'interfaccia o un requisito discusso in precedenza: l'utente ripete meno informazioni e un'organizzazione mantiene continuità tra le sessioni. Questa descrizione riguarda la persistenza del contesto. Distinguerla dall'addestramento del modello è essenziale per capire quali dati vengono conservati e a quale scopo.

Active Focus riguarda la continuità dell'esecuzione. Meta descrive un sistema che prova approcci alternativi, supera gli ostacoli e adatta il lavoro alle informazioni raccolte. Nella programmazione l'esempio concreto è un ciclo di modifica, test e revisione: se una soluzione fallisce, l'agente può esplorarne un'altra. Il produttore afferma inoltre che Wonder chiede chiarimenti e consulta l'utente prima delle azioni importanti. La promessa è delegare incarichi più lunghi mantenendo momenti di supervisione.

I numeri e il loro contesto

I benchmark, i test standardizzati con cui si confrontano i modelli, indicano un progresso significativo, con differenze tra discipline. Muse Wonder Full raggiunge 56 punti nell'indice di intelligenza di Artificial Analysis. Nel confronto pubblicato da Meta supera GPT-6 Astra e Gemini 4 Argon, restando dietro Claude Opus 5.5. Le valutazioni indipendenti rilevano miglioramenti soprattutto nel lavoro agentico e nella programmazione, mentre la conoscenza fattuale resta una debolezza relativa. Le posizioni cambiano secondo il test: una buona prestazione nell'automazione aziendale e una buona risposta a domande scientifiche misurano capacità diverse.

Per chi deve scegliere uno strumento conta anche ciò che circonda il modello. La scheda tecnica riconosce che strumenti, configurazione e infrastruttura di coordinamento influenzano le prestazioni. Un agente comprende infatti il modello, i programmi che può utilizzare, la memoria disponibile e le procedure di verifica. Attribuire l'intero risultato alla sola intelligenza del modello renderebbe poco trasparente il confronto tra prodotti.

Il lavoro di Justin Young sugli agenti di lunga durata, pubblicato da Anthropic, offre un precedente utile: comprimere la conversazione per liberare spazio richiede comunque registri di avanzamento, verifiche e passaggi di consegne strutturati. L'alternativa tecnica consiste nel migliorare questi meccanismi attorno a una base esistente. Meta investe anche in modelli più capaci, sostenendo che generalizzino meglio verso compiti nuovi. La questione aperta è quanto vantaggio arrivi dall'addestramento e quanto dal sistema costruito intorno all'agente.

Il prezzo dell'autonomia

Questa distinzione ha conseguenze economiche. Nelle prove dell'indice indipendente Wonder costa 4,52 dollari per compito: una misura circoscritta a quella valutazione, lontana dal prezzo universale di un incarico reale. Il dato mostra comunque perché serva osservare insieme prestazioni e consumo. Anthropic aveva già documentato un impiego di token, le unità di testo elaborate dai modelli, molto superiore nei sistemi multi-agente rispetto alle chat.

Il costo reale di un agente comprende tentativi falliti e controllo umano

Per un'impresa, la misura utile diventa il costo del lavoro completato correttamente. Anche l'accesso distingue i prodotti: Wonder può essere usato a consumo attraverso l'interfaccia per sviluppatori, mentre Full è riservato ai piani Muse Code Power Usage e Maximum Usage, pubblicizzati rispettivamente a 50 e 200 dollari al mese. I maggiori limiti degli abbonamenti descrivono la capacità concessa, mentre il numero di progetti terminati dipenderà dalla loro complessità. Un team dovrebbe quindi provare flussi rappresentativi del proprio lavoro prima di confrontare i soli canoni.

Dove finiscono i vostri dati

La privacy introduce un ulteriore criterio di scelta. Nella modalità Standard, Meta dichiara che i contenuti inviati al servizio per sviluppatori restano esclusi dall'addestramento. Gli abbonamenti Muse Code adottano invece per impostazione predefinita la Contributor mode, che autorizza l'impiego dei contenuti per migliorare i modelli ed è disattivabile nelle impostazioni. Per chi carica codice proprietario o documenti riservati, questa scelta contrattuale conta quanto la capacità di ricordare le preferenze. Memoria del progetto e riutilizzo dei dati per l'addestramento richiedono valutazioni separate.

La scelta sull'uso dei dati pesa quanto la memoria dell'assistente

Sicurezza e regole europee

Sul fronte della sicurezza, Meta presenta valutazioni e protezioni contro i comportamenti dannosi, e nella scheda tecnica raccomanda ulteriori salvaguardie specifiche per ciascun impiego. Il National Institute of Standards and Technology, l'istituto statunitense per standard e tecnologia, documenta il rischio della prompt injection indiretta: istruzioni ostili nascoste in una pagina o in un documento possono deviare l'agente dal compito assegnato. Si tratta di un rischio della categoria, distinto da una vulnerabilità accertata di Wonder. Un sistema persistente deve poter riconoscere e correggere anche uno stato di lavoro sbagliato.

Per le imprese europee questo significa affiancare alle prestazioni controlli su dati e autorizzazioni. Il GDPR, il Regolamento generale sulla protezione dei dati, tutela i diritti delle persone; in Italia il Garante per la protezione dei dati personali ha già richiamato il diritto di opposizione all'uso dei dati per addestrare l'AI di Meta. Dal 2 agosto 2026 si applicano inoltre nuovi obblighi di trasparenza dell'AI Act, il regolamento europeo sull'intelligenza artificiale. Per un agente aziendale diventano centrali la separazione tra progetti, la tracciabilità delle azioni e la possibilità di revocare l'accesso agli strumenti durante l'esecuzione.

Una scommessa da miliardi

La scala finanziaria rende queste verifiche parte della strategia industriale. Nella guidance del 29 luglio 2026, il quadro di previsioni che l'azienda comunica agli investitori, Meta prevedeva investimenti annuali in conto capitale tra 130 e 145 miliardi di dollari, inclusi i pagamenti principali dei leasing finanziari. È una previsione complessiva dell'azienda, separata dal costo di Wonder. La famiglia di applicazioni raggiungeva mediamente 3,60 miliardi di persone al giorno nel giugno 2026: una distribuzione potenziale enorme, che misura l'uso delle app e non l'adozione dei nuovi modelli.

Il passaggio agli utenti consumer, e un'eventuale estensione agli occhiali intelligenti, renderebbe ancora più importante decidere quando l'assistente può agire e quando deve fermarsi. Sul lavoro, intanto, la verifica può partire da un incarico concreto: quali file ha modificato, quali test ha eseguito, quali informazioni ha conservato e quale autorizzazione gli resta quando il responsabile chiude il progetto.