Meta lanza Muse Wonder, modelos para agentes que recuerdan y retoman tareas

Un reclamo de seguro puede ocupar más de una conversación: hay que leer documentos, revisar condiciones, avanzar con un trámite y volver cuando llega una respuesta. Meta quiere que sus agentes puedan sostener trabajos así. El 12 de octubre presentó Muse Wonder y Muse Wonder Full, dos modelos diseñados para recordar información útil entre sesiones y continuar una tarea cuando aparece un obstáculo. La pregunta ya no es sólo qué responde un modelo, sino si puede retomar el trabajo sin perder el hilo ni actuar fuera de permiso.

De la respuesta a una tarea que sigue

Meta describe dos funciones para esa transición. Active Memory conserva detalles relevantes sobre una persona y los recupera cuando sirven; Active Focus permite que el agente pruebe otro camino, se recupere de errores y pida aclaraciones. En su anuncio, la compañía propone casos como entender un contrato de alquiler, navegar un reclamo de seguro o construir una aplicación. Son ejemplos de uso, no resultados independientes de una prueba con clientes.

La diferencia se entiende con una tarea cotidiana. Un chatbot puede explicar qué documentación pide una aseguradora. Un agente tendría que leer los papeles disponibles, detectar qué falta, preparar el siguiente paso y volver sobre el caso después. Para eso necesita combinar memoria, herramientas y reglas sobre cuándo puede avanzar solo. Meta presenta Wonder como el modelo que hará posible ese trabajo prolongado; la empresa dice que puede planificar, usar herramientas en paralelo y cambiar de estrategia si algo falla.

Memoria no es lo mismo que contexto

La ficha técnica informa que Muse Wonder admite una ventana de contexto de hasta un millón de tokens. Dicho de forma sencilla, esa ventana es el espacio de información que el modelo puede considerar durante una ejecución. No equivale por sí sola a una memoria que persiste entre conversaciones.

Meta evaluó esa segunda capacidad con MemoryBench, una prueba interna sobre conversaciones extensas —de 64.000 a 100.000 tokens— que mezcla datos relevantes con distracciones y actualizaciones contradictorias. Así se puede comprobar si el sistema recupera un detalle después de mucho texto. Pero una prueba interna de memoria no demuestra que el agente vaya a recordar correctamente cada dato de un correo, un calendario o una cuenta real.

También hay que leer con cuidado las comparaciones de rendimiento. La propia ficha combina resultados de terceros, informes de los proveedores y pruebas internas; algunas comparaciones usan herramientas distintas. Meta reconoce que el modelo aún puede equivocarse al encadenar pasos y que los resultados dependen de las instrucciones, las herramientas y el sistema que lo rodea. Para acciones con consecuencias, recomienda resguardos adicionales y aprobación humana.

El modelo todavía no es el producto

Meta ya había presentado Muse en septiembre como un agente personal capaz, según la empresa, de navegar sitios, completar formularios y seguir una tarea después de cerrar la aplicación. El producto puede pedir autorización antes de enviar un correo o hacer una compra y mostrar un registro de sus acciones. Hasta ahora funciona con Muse Spark; Meta dice que Wonder pronto impulsará experiencias de Muse, primero para suscriptores. Son dos capas distintas: el modelo aporta capacidad, mientras que el producto define conexiones, permisos y confirmaciones.

Desde el día del anuncio, Muse Wonder está disponible para desarrolladores a través de Meta Model API y Muse Code. Wonder Full, la versión más avanzada, queda incluida en planes pagos de Muse Code. La API lista un precio de 4 dólares por millón de tokens de entrada y 20 por millón de salida. La compañía no anunció que la familia Wonder vaya a descargarse con sus pesos; la cobertura de Axios destaca que el lanzamiento prueba si Meta puede competir con los laboratorios que hoy lideran los modelos de frontera, luego de reorganizar su trabajo de IA y sumar a Alexandr Wang.

Qué tendría que demostrar en un negocio

El anuncio importa porque traslada la competencia hacia agentes que no sólo contestan, sino que conservan contexto y operan durante más tiempo. Para una pyme, eso podría servir para preparar un seguimiento de ventas o revisar documentación que llega por etapas. También amplía el costo de un permiso mal definido: el agente podría conservar información personal y usar herramientas con acceso a correo, archivos o sistemas del negocio.

La ficha del modelo de Meta recomienda que cada despliegue agregue controles adecuados a su caso y confirme con una persona las acciones irreversibles. Es el criterio que aplicamos en nuestro trabajo de automatización de procesos y agentes para pymes, y que desarrollamos en esta guía sobre permisos, evidencia y revisión humana.

Por ahora, el cambio concreto es que los desarrolladores ya pueden probar Muse Wonder por API y que Meta prepara su llegada al agente Muse. La promesa de memoria y trabajo prolongado tendrá valor cuando se compruebe en tareas reales: que el agente recuerde lo necesario, muestre qué hizo y se detenga antes de cruzar un límite. La capacidad de seguir trabajando sólo sirve si la persona todavía puede entender y corregir el proceso.