Meta anunció el 12 de octubre de 2026 Muse Wonder y Muse Wonder Full, 2 modelos orientados a agentes de IA para el trabajo y la vida cotidiana. Muse Wonder está disponible mediante Meta Model API y Muse Code, mientras que Wonder Full se ofrece a suscriptores de Muse Code. La integración más amplia en Muse sigue prevista para después, empezando por los suscriptores.
Una tarea no siempre termina con una respuesta. Un asistente debe recordar decisiones, continuar tras un fallo y saber cuándo parar y preguntar. Meta presenta Active Memory y Active Focus como base de ese cambio. Son descripciones de capacidades de la empresa, no promesas de completar cualquier proceso sin errores ni supervisión.
Quién puede acceder ahora
La entrada inmediata a Muse Wonder se concentra en el entorno de desarrollo: una API para integrar el modelo en un producto y Muse Code para quienes utilizan la herramienta de programación de la compañía. Muse Wonder Full está disponible para suscriptores de Muse Code. Son vías de acceso que conviene distinguir.
Meta afirma que Muse Wonder pronto impulsará más experiencias dentro de Muse, primero para suscriptores. También menciona la generación de productos digitales y procesos que requieren mayor capacidad, seguida de modelos especializados para un público más amplio. Son planes futuros, no disponibilidad actual para todos los usuarios de Meta AI.
Un desarrollador puede examinar la vía anunciada y sus condiciones; quien busque un asistente personal listo para usar debe comprobar qué ofrece realmente su cuenta. No hay razón para cambiar un plan de trabajo solo porque una capacidad aparezca en una demostración si todavía no está accesible en el producto utilizado.
El anuncio no confirma por separado cada función en Israel ni aporta una evaluación específica del rendimiento en hebreo. Una descripción general de un asistente personal no demuestra que sirva para cualquier documento local o conversación en hebreo. Un equipo israelí puede probar sus tareas lingüísticas cuando tenga acceso, sin asumir que el lanzamiento resuelve de antemano esa adecuación.
Active Memory pretende recordar lo relevante
Según Meta, Active Memory conserva contexto importante entre conversaciones y recupera detalles anteriores cuando ayudan a la tarea actual. No se trata solo de almacenar más historial. Un asistente útil debe distinguir qué sigue siendo relevante, qué ha cambiado y qué información no pertenece a la petición.
Un ejemplo de planificación aclara su valor: en una conversación anterior, un equipo fijó público, presupuesto y elementos que no deben cambiar. En la siguiente reunión pide actualizar el resultado. Una memoria útil evita introducir de nuevo esas decisiones, pero también debe reconocer una corrección posterior.
Que una información anterior sea relevante no autoriza automáticamente a enviarla a otra persona o servicio externo. Una organización debería definir qué datos pueden pasar entre tareas, quién puede utilizarlos y qué acciones necesitan otra aprobación. La memoria no sustituye una política de acceso ni una responsabilidad clara sobre la información.
Antes de ampliar el uso puede hacerse una prueba sencilla: dar varias decisiones al sistema, corregir una y pedir una tarea que dependa de esa corrección. Así se comprueba no solo si recuerda, sino también si prioriza la información actualizada y explica en qué basa su respuesta.
Active Focus busca continuar cuando algo falla
Meta describe Active Focus como la persistencia ante un objetivo difícil: probar alternativas, recuperarse de errores y adaptarse a información nueva. Añade que el modelo debe pedir aclaraciones cuando las necesite y consultar antes de acciones importantes. El objetivo no es insistir a ciegas, sino seguir trabajando respetando la intención y los puntos de decisión del usuario.
Una corrección de código aparentemente acertada puede fallar una prueba, y modificar un archivo puede exigir cambios en otro. Meta dice haber entrenado ambos modelos con tareas prolongadas y variadas para apoyar ese proceso. La calidad debe juzgarse por las pruebas, requisitos y revisión del proyecto concreto, no por cuánto tiempo ha seguido actuando el agente.
El blog de investigación de Meta cita FocusBench para evaluar la persistencia y SWE-Marathon para proyectos de software prolongados. Incluso cuando una empresa presenta resultados líderes, sus condiciones de prueba difieren del repositorio, permisos y herramientas de otro equipo.
Un ensayo práctico puede empezar por una tarea reversible que se pueda detener, con criterios de éxito claros. Conviene observar la reacción ante información ausente, una prueba fallida o requisitos cambiantes, y cuánta intervención hace falta. Contar acciones no basta: importa si la persistencia acerca al resultado correcto dentro de los límites acordados.
Más capacidad también exige límites claros
Meta sitúa los modelos en ámbitos como derecho, finanzas y salud, para comprender información y ejecutar tareas. Eso no autoriza a convertir una salida del modelo en una decisión profesional sin revisión. Una organización puede evaluar si localiza determinadas cláusulas; una decisión con consecuencias sigue requiriendo a la persona cualificada y el contexto adecuado.
La compañía afirma haber entrenado Muse Wonder para evitar revelar información privada sin permiso, rechazar ayuda en actos dañinos y mantener usos de ciberdefensa. Vincula el lanzamiento a Meta Superintelligence Scaling Framework, su marco de evaluación y requisitos de seguridad. Son prácticas de desarrollo y protección declaradas, no pruebas de que todo riesgo real esté resuelto.
Meta anuncia para más adelante un informe completo con evaluaciones de seguridad adicionales. Conviene distinguir las medidas ya descritas de los detalles todavía no publicados en el anuncio. Las organizaciones pueden empezar con material no sensible y tareas definidas, evaluando resultados antes de ampliar los permisos.
El movimiento de Meta plantea un criterio más útil: ¿recuerda el asistente la decisión correcta, cambia de rumbo tras un fallo y pide aprobación cuando corresponde? Muse Wonder y Wonder Full son su respuesta al reto. Su valor se determinará al encontrarse con el trabajo real, las condiciones de acceso y las comprobaciones necesarias para confiar en el resultado.