Meta lanserer Muse Ember: en billig AI-modell for agentenes rutinearbeid

Kort oppsummert: Meta lanserte 9. november Muse Ember, selskapets minste og billigste AI-modell. Den er laget for de små, gjentatte stegene AI-agenter gjør hele dagen: verktøykall, uthenting av data fra dokumenter, ruting av saker og mindre kodeoppgaver. Prisen er 0,10 dollar per million tokens inn og 0,50 dollar per million tokens ut. Meta mener modellen gir mer for pengene enn konkurrentene Claude Haiku 5.5 og GPT-6 Luna, men mange av tallene er Metas egne. For bedrifter er den viktigste nyheten ikke selve modellen, men oppskriften den bygger på: la en stor modell planlegge, og en liten gjøre volumarbeidet.

Når en AI-agent jobber, er det sjelden ett stort, smart svar som koster mest. Det er de hundrevis av små stegene: lese en fil, slå opp en kunde, fylle ut et felt, kjøre en test. Det er dette markedet Meta nå sikter mot.

Hva er Muse Ember?

Ifølge Metas lansering er Muse Ember bygget for «arbeidet agenter gjentar hele dagen». Modellen forstår tekst, bilder, lyd og video, slik at en agent kan lese skjermbilder, skannede dokumenter og møteopptak uten å bytte modell. Den kan ta inn opptil én million tokens i én forespørsel, nok til en hel kodebase eller en stor bunke dokumenter.

Ember er den fjerde modellen i Metas Muse-familie. TechCrunch skriver at den følger mellomstore Spark (april), den åpne varianten Glimmer (august) og toppmodellen Wonder (oktober). Meta oppgir at Ember er trent med hjelp av Muse Wonder Full.

Modellen er tilgjengelig via Meta Model API og Muse Code under navnet muse-ember-1.0. Meta skriver også at Muse-modellene nå finnes på Google Cloud og Oracle Cloud.

Pris og resultater

Prisen er den store nyheten. For forespørsler under 200 000 tokens koster Ember 0,10 dollar per million tokens inn og 0,50 dollar per million tokens ut. Til sammenligning koster Metas egen Spark 1.3 1,25 og 4,25 dollar, ifølge Metas tabell.

Et enkelt eksempelregnestykke (våre egne forutsetninger, ikke Metas): Skal en agent lese 10 000 e-poster på rundt 2 000 tokens hver og skrive et kort sammendrag på 300 tokens, blir det 20 millioner tokens inn og 3 millioner ut. Med listeprisen blir det omtrent 3,50 dollar, før eventuelle ekstra kostnader for resonnering og gjentatte forsøk.

Meta viser også til testresultater fra analyseselskapet Artificial Analysis og egne målinger:

• Samlet indeks: Ember får 36 på Artificial Analysis Intelligence Index, likt med Claude Haiku 5.5 og over GPT-6 Luna (28). Meta oppgir en kostnad på rundt 0,14 dollar per testoppgave.
• Forretningsflyt: På AutomationBench-AA, som måler hele arbeidsflyter i bedriftssystemer, får Ember 37,8 prosent mot 13,9 for Haiku og 20,2 for Luna.
• Koding: Ember leder på Terminal-Bench 4.0 og Coding Agent Index, men taper til Haiku på FrontierCode 2.0, som måler om kodeendringer faktisk er gode nok til å tas i bruk (27,2 mot 34,9 prosent).

Partnere som Box, Cloudflare og Cline har testet modellen på forhånd. Cloudflare sier at Ember var opptil 30 prosent raskere i de tregeste tilfellene enn modellen de sammenlignet med.

Ta tallene med en klype salt

Flere av resultatene er fra Metas egne tester, blant annet OSWorld, PerceptionBench og en intern indeks Meta kaller Personal Superintelligence Index. Meta skriver selv at kostnadene i sammenligningen er beregnet ut fra foreslått pris. Sitatene fra partnere er valgt ut av Meta til en lansering. Uavhengige tester over tid vil vise om modellen holder det den lover.

Lav pris per token betyr heller ikke automatisk lav pris per jobb. En modell som må prøve tre ganger, eller som gjør feil et menneske må rette, kan bli dyrere enn en dyrere modell som treffer første gang. Det er også verdt å huske at selv de beste agentene fortsatt feiler ofte på krevende arbeid, slik vi skrev om i saken om GDPx-testen.

Hva betyr dette for norske bedrifter?

Meta oppsummerer ideen slik: «Muse Wonder plans, Muse Ember handles the volume.» En stor modell lager reglene og planen, og en liten modell bruker dem på tusenvis av saker. Det mønsteret fungerer uavhengig av leverandør, og det er det mest nyttige å ta med seg.

1. Del jobben i to. Bruk en sterk modell til å lage instruks og regler, og en billig modell til å gjøre det samme mange ganger, for eksempel å sortere henvendelser eller hente ut fakturafelt.
2. Test på egne data før du bytter. Ta 50–100 ekte saker, kjør dem gjennom både dagens løsning og en billigere modell, og sammenlign feil og tid brukt på retting.
3. Mål kostnad per ferdig oppgave, ikke per token. Ta med retting og nye forsøk. Vi har skrevet om hvordan du måler om agenten lønner seg.
4. Sjekk personvern og databehandling. Finn ut hvor dataene behandles, og om leverandøren tilbyr databehandleravtale, før du sender kundedata eller personopplysninger gjennom en ny modell.
5. Behold mennesket der det betyr noe. En billig modell som håndterer volum, gjør det enda viktigere at noen godkjenner det som går ut til kunder.

Vil du i gang på en trygg måte, har vi en egen guide til hvordan bedriften kan ta i bruk AI-agenter.

Kilder

• Meta: Introducing Our Smallest, Most Efficient Model: Muse Ember
• TechCrunch: Meta releases Muse Ember, a new lightweight model for agent execution

Agentposten skriver om AI-agenter, vibe coding og AI-verktøy på norsk. Abonner gratis for å få ukens viktigste nyheter hver torsdag.