Dopo il passo falso di Llama 4, che non aveva convinto, Meta è ritornata alla carica con un nuovo modello di IA (chiuso). Si chima Muse Spark ed è un modello multimodale che punta a competere direttamente con OpenAI, Google e Anthropic.
Nel mio ultimo video ho voluto metterlo alla prova con una serie di stress-test (dalla logica pura alla scrittura di codice), ma ciò che è emerso va ben oltre la semplice valutazione di un chatbot. Muse Spark nasconde delle potenzialità strutturali che potrebbero cambiare radicalmente il modo in cui analizziamo i dati e costruiamo i nostri flussi di lavoro.
Luci e ombre sulla logica
Nelle mie prove il modello ha fallito clamorosamente nel comprendere l’umorismo di una barzelletta nonsense, perdendosi in una verbosità quasi accademica. Eppure, si è riscattato un attimo dopo, risolvendo in modo impeccabile un test di associazione di parole in stile “Ghigliottina”.
Ma le vere sorprese sono arrivate quando l’ho messo alla prova su compiti analitici. Dandogli in pasto un file CSV con i dati di 1.000 campagne advertising, Muse Spark ha non solo compreso il contesto, ma ha generato in pochi istanti una dashboard HTML interattiva (usando Plotly), restituendo visualizzazioni complesse al pari di quanto fanno i modelli di frontiera.
Il vero vantaggio competitivo: API interne e agenti
Il punto di svolta, quello che rende questo strumento una risorsa formidabile per chi fa strategia, è la sua capacità non documentata di interrogare direttamente le API interne dell’ecosistema Meta (Facebook, Instagram).
Fino ad oggi, i modelli linguistici si affidavano a motori di ricerca esterni per analizzare i trend, ottenendo spesso fotografie parziali. Muse Spark, invece, gioca in casa. Gli ho chiesto di analizzare le conversazioni italiane su un tema divisivo dell’ultima settimana e il sistema ha sguinzagliato autonomamente diversi sotto-agenti in parallelo: uno per la ricerca, uno per la sentiment analysis dei commenti e uno per la visualizzazione dei dati, restituendo un network graph interattivo formidabile.
È l’essenza stessa dei flussi di lavoro agentivi: non stiamo più solo dialogando con un’IA, stiamo orchestrando un team virtuale che lavora in parallelo su task complessi.
Prototipazione rapida e “Vibe Coding”
L’ultimo test ha riguardato le capacità di programmazione, ed è qui che l’approccio orientato al vibe coding trova la sua massima espressione. Ho fornito al modello tre semplici screenshot (un mockup statico) di un’ipotetica app per il tracciamento nutrizionale. In pochissimo tempo, Muse Spark ha scritto il codice necessario per trasformare quelle immagini in un prototipo web funzionante e navigabile.
Poter passare da un’intuizione visiva a un artefatto interattivo in pochi minuti è un acceleratore pazzesco per chiunque debba testare idee, dimostrare concetti ai clienti o validare progetti senza dover passare subito dalla fase di sviluppo intensivo.
In conclusione
Muse Spark ha ancora dei margini di miglioramento, ma l’integrazione profonda con i dati proprietari di Meta e la sua architettura multi-agente lo rendono uno strumento da presidiare con attenzione. La transizione verso una vera e propria intelligenza aumentata passa proprio da qui: dalla capacità di governare ecosistemi complessi e far dialogare i dati.