Meta Muse Ember im Unternehmen: Kosten, Benchmarks, Datenschutz

Table of Contents

Zuletzt aktualisiert: 9. November 2026 · Version: 1.1

Redaktionshinweis: Dieser Artikel wurde mit KI-Unterstützung recherchiert und erstellt und zur Veröffentlichung freigegeben. Produkt-, Preis- und Benchmarkangaben stammen überwiegend von Meta, ein Teil der Messwerte von Artificial Analysis. Muse Ember wurde von uns nicht selbst getestet. Funktionen und Preise können je nach Region und Version abweichen. Der Beitrag ersetzt keine Rechtsberatung.

In 30 Sekunden

Neu seit 9. November 2026: Muse Ember (muse-ember-1.0) ist das kleinste Modell der Muse-Familie, gedacht für Teilaufgaben in Agenten: Tool-Aufrufe, Routing, Dokumente in großer Menge.
Preis wie die Konkurrenz: 0,10 US-Dollar je Million Eingabe- und 0,50 US-Dollar je Million Ausgabetokens, genauso viel wie Claude Haiku 5.5 und GPT-6 Luna.
Der Unterschied liegt im Verbrauch: Laut Artificial Analysis kostet eine Indexaufgabe mit Ember 0,14 US-Dollar, mit Haiku 5.5 0,41 US-Dollar, bei gleichem Indexwert.
Nur Standardmodus über die API: Einen günstigeren Contributor-Modus mit Trainingsnutzung gibt es für Ember nicht. Ab 200.000 Eingabetokens verdreifacht sich der Preis für die ganze Anfrage.

Executive Summary

Ember ist kein Modell für die schwierigsten Aufgaben, sondern für die vielen einfachen Schritte, die ein Agent tausendfach wiederholt. Die eigentliche Entscheidung lautet deshalb nicht „Ember oder Haiku“, sondern: Welche Schritte unserer Agenten dürfen an ein kleines Modell gehen, und messen wir die Kosten je erledigter Aufgabe statt je Token?

Was Unternehmen jetzt tun sollten

Plattformteam, vor dem PilotWiederkehrende Teilaufgaben bestehender Agenten auflisten, die heute ein großes Modell erledigt, und zwei davon für einen Vergleich auswählen.
Fachbereich mit IT, im PilotEmber, Haiku 5.5 und Luna mit denselben eigenen Aufgaben testen und Kosten je korrekt erledigter Aufgabe messen, nicht den Tokenpreis.
Datenschutz, vor ProduktivbetriebEmber nur über die Model API im Standardmodus freigeben; Zugang über Muse-Code-Abos gesondert prüfen, dort ist der Contributor-Modus voreingestellt.

Wer Agenten produktiv betreibt, kennt die Rechnung: Ein großes Modell plant gut, aber es erledigt auch jede Kleinigkeit zum Preis eines großen Modells. Mit Muse Ember bietet Meta jetzt ein Modell an, das genau diese Kleinarbeit übernehmen soll, und zwar zu Listenpreisen, die exakt denen der direkten Konkurrenz von Anthropic und OpenAI entsprechen. Der Beitrag richtet sich an Plattform- und KI-Teams in Unternehmen, die über die Meta Model API eigene Agenten bauen oder bauen wollen, und an Einkauf und Datenschutz, die über die Freigabe entscheiden.

Unsere Einschätzung

Bei gleichen Listenpreisen entscheidet über die Kosten, wie viele Tokens ein Modell für eine Aufgabe braucht und wie oft es sie richtig löst. Ember ist ein ernsthafter Kandidat für Volumenarbeit in Agenten, aber die Belege stammen fast vollständig von Meta. Ohne eigenen Vergleich mit eigenen Aufgaben ist jede Modellwahl hier geraten.

Was Meta mit Muse Ember veröffentlicht hat

Meta hat Muse Ember am 9. November 2026 angekündigt und nennt es sein kleinstes und effizientestes Modell. Es ist nach Muse Spark, Muse Wonder und Muse Glimmer ein weiteres Modell der Muse-Familie. Laut Meta soll es Arbeitsabläufe über mehrere Anwendungen tragen, Tools nacheinander aufrufen, Tests ausführen und gezielte Codekorrekturen vornehmen. Die Dokumentation der Model API beschreibt es nüchterner als Ausführungsmodell für wiederkehrende Arbeit: Teilaufgaben von Agenten, Tool-Aufrufe, Routing und die Verarbeitung großer Mengen an Bildern, Dateien und Datensätzen.

Die technischen Eckdaten laut Meta: ein Kontextfenster von 1.048.576 Tokens, bis zu 524.288 Ausgabetokens und native Verarbeitung von Text, Bildern, Audio und Video. Ember akzeptiert laut Dokumentation denselben Anfrageaufbau wie Muse Spark, sodass in bestehenden Anwendungen meist der Wechsel der Modell-ID genügt. Die Gewichte veröffentlicht Meta nicht; anders als Muse Glimmer oder Muse Spark Open lässt sich Ember also nicht im eigenen Rechenzentrum betreiben. Einen Status wie Vorschau oder allgemeine Verfügbarkeit nennt die Dokumentation für Ember nicht, während sie Muse Wonder ausdrücklich als Vorschau führt.

Meta empfiehlt eine Arbeitsteilung: Muse Wonder oder Muse Spark planen, Ember übernimmt das Volumen. Laut Ankündigung ist Ember zudem das erste Modell, das mit Muse Wonder Full trainiert wurde, also mit dem größten Modell der Familie als Lehrer.

Muse Ember Preise: gleiche Liste, andere Rechnung

Laut Preisseite der Model API kostet Ember 0,10 US-Dollar je Million Eingabetokens, 0,004 US-Dollar für zwischengespeicherte Eingaben und 0,50 US-Dollar je Million Ausgabetokens. Das gilt bis 200.000 Eingabetokens je Anfrage. Darüber steigen die Sätze auf 0,30, 0,012 und 1,50 US-Dollar, und zwar für die gesamte Anfrage, nicht nur für den Anteil über der Grenze. Die Rate Limits liegen bei 3.000 Anfragen und 4 Millionen Tokens pro Minute, je Team und nicht je Schlüssel.

Bemerkenswert ist der Vergleich mit der Konkurrenz. Claude Haiku 5.5 und GPT-6 Luna kosten ebenfalls 0,10 und 0,50 US-Dollar. Wer nur Preislisten vergleicht, findet keinen Unterschied. Er entsteht erst beim Verbrauch, wie die Messungen von Artificial Analysis zeigen:

Modell	Listenpreis je Mio. Tokens	Intelligence Index	Kosten je Indexaufgabe	Aufschlag bei langen Anfragen
Muse Ember (max)	0,10 $ Eingabe, 0,50 $ Ausgabe	36	0,14 $	Ab 200.000 Eingabetokens: 0,30 $ / 1,50 $
Claude Haiku 5.5 (max)	0,10 $ Eingabe, 0,50 $ Ausgabe	36	0,41 $	Ab 100.000 Eingabetokens: 0,50 $ / 2,50 $
GPT-6 Luna (max)	0,10 $ Eingabe, 0,50 $ Ausgabe	28	0,15 $	Kein Aufschlag in der Modellübersicht genannt

Indexwerte und Kosten je Aufgabe: Artificial Analysis, Intelligence Index v5, abgerufen am 9. November 2026, jeweils mit maximalem Reasoning-Aufwand und zu Listenpreisen. Preise und Aufschläge aus den Seiten der Hersteller, Stand 9. November 2026. Unternehmenskonditionen können abweichen.

Der Unterschied zu Haiku erklärt sich vor allem über die Ausgabe: Für den gesamten Index erzeugte Ember laut Artificial Analysis rund 115 Millionen Ausgabetokens, Haiku 5.5 rund 298 Millionen. Ein Modell, das weniger „nachdenkt“, ist bei gleichem Tokenpreis billiger, solange es die Aufgabe trotzdem löst. Genau diese Bedingung muss jedes Unternehmen selbst prüfen, denn ein Indexwert mittelt über sehr unterschiedliche Aufgaben. Meta selbst vergleicht Ember auch mit dem eigenen Muse Spark 1.3: Laut Ankündigung liegt Spark im Index bei 37 Punkten, kostet je Aufgabe aber 2,39 US-Dollar.

Die 200.000-Token-Grenze in Agenten

Die Preisstufe ist für Agenten wichtiger als der Grundpreis. Laut Preisseite zählen zwischengespeicherte Tokens bei der Grenze mit, und wer Unterhaltungen über previous_response_id fortsetzt, bringt den gespeicherten Verlauf ebenfalls in die Rechnung. Ein Agent, der jeden Schritt an denselben Verlauf anhängt, überschreitet die Grenze irgendwann zwangsläufig, und ab dann kostet jede weitere Anfrage das Dreifache.

Redaktionelle, schematische Darstellung mit illustrativen Tokenzahlen, kein Produkt-Screenshot. Preise laut Meta-Preisseite, Stand 9. November 2026.

Eine illustrative Rechnung mit Listenpreisen: Eine Anfrage mit 190.000 Eingabe- und 4.000 Ausgabetokens kostet rund 0,021 US-Dollar. Mit 210.000 Eingabetokens, also gut zehn Prozent mehr, sind es rund 0,069 US-Dollar, mehr als das Dreifache. Die Rechnung zeigt die Wirkung der Grenze, keinen typischen Fall: Ein einzelner Agentenschritt mit mehr als 200.000 Eingabetokens deutet meist darauf hin, dass ungefilterter Verlauf oder ganze Dokumente im Kontext landen. Für Plattformteams folgt daraus eine einfache Regel: Kontext je Schritt bewusst zusammenstellen, Verlauf kürzen oder zusammenfassen und die Eingabetokens je Anfrage überwachen, mit einem Alarm unterhalb der Grenze.

Was die Benchmarks belegen und was nicht

Meta veröffentlicht zur Ankündigung elf Vergleichswerte gegen Haiku 5.5 und Luna, dazu einen Methodikbericht. Ember liegt in den meisten Werten vorn, etwa bei AutomationBench-AA, Zapiers Satz von 657 Geschäftsabläufen in simulierten Anwendungen wie Gmail, Salesforce und Slack: 37,8 Prozent vollständig erledigter Aufgaben gegenüber 20,2 Prozent bei Luna und 13,9 Prozent bei Haiku. Diesen Wert hat Artificial Analysis gemessen. Beim Coding-Test FrontierCode 2.0, ebenfalls von Artificial Analysis, liegt Ember dagegen mit 27,2 Prozent deutlich hinter Haiku mit 34,9 Prozent.

Vorbehalt bei den Herstellerwerten: Mehrere Vergleiche hat Meta selbst erhoben, darunter Agents' Last Exam, OSWorld 2.1, PerceptionBench und der hauseigene Personal Superintelligence Index. Laut Methodikbericht liefen die Konkurrenzmodelle dabei „best-effort“, also möglicherweise nicht optimal eingestellt. Bei Terminal-Bench 4.0 stammen die Werte aus drei verschiedenen Umgebungen: Ember im mini-swe-agent, Haiku mit Anthropics eigenem Claude-Code-Ergebnis, Luna mit Codex. Diese Zahlen sind Hinweise, keine unabhängige Bestätigung.

Belastbarer sind die Werte, die Artificial Analysis selbst gemessen hat: der Gesamtindex, AutomationBench, FrontierCode, GDP.pdf und der Coding Agent Index. Für die Übertragung auf eigene Fälle hilft es, die Tests nach Aufgabentyp zu lesen:

Abläufe über Schnittstellen (AutomationBench-AA, Artificial Analysis): Ember 37,8 Prozent, Luna 20,2, Haiku 13,9. Das entspricht Agenten, die Systeme wie CRM, Postfach oder Ticketsystem per API bedienen.
Arbeit mit PDF-Dokumenten (GDP.pdf-AA, Artificial Analysis): Ember und Luna je 22,8 Prozent, Haiku 20,8. Kein Vorsprung bei der Dokumentenverarbeitung.
Code-Änderungen in echten Repositories (FrontierCode 2.0-AA, Artificial Analysis): Haiku 34,9 Prozent, Ember 27,2, Luna 25,2.
Bedienung eines Desktops (OSWorld 2.1, nur von Meta gemessen): Ember 69,5 Prozent Teilpunkte, Haiku 68,9, Luna 50,5.

Das Bild ist also kein Modell, das überall vorn liegt, sondern eines, das bei Abläufen über Schnittstellen deutlich vorn, bei Dokumenten gleichauf und beim anspruchsvollen Programmieren schwächer ist. Für Deutsch und andere Sprachen nennt keiner der Berichte eigene Werte. Geschwindigkeit und Latenz weist Artificial Analysis für Ember bisher nicht aus; die Angaben der Partner Cloudflare und You.com in Metas Ankündigung sind Anwenderaussagen ohne nachvollziehbare Methodik.

Wo Ember im Unternehmen passt

Die naheliegende Rolle ist die eines Arbeitsmodells unter einem planenden Modell. Ein hypothetisches Beispiel: Ein Großhändler verarbeitet täglich mehrere tausend Lieferscheine und Rechnungen als PDF und Foto. Ein Agent mit Muse Spark entscheidet, welcher Vorgang welche Prüfung braucht. Das Auslesen der Positionen, der Abgleich mit der Bestellung und das Ausfüllen der Buchungsvorlage laufen dagegen als einzelne, kurze Ember-Anfragen. Nur Abweichungen, etwa fehlende Bestellnummern oder Mengendifferenzen, gehen zurück an das größere Modell und danach an einen Menschen in der Buchhaltung.

Ob sich das lohnt, hängt an drei Messgrößen, die nur ein Pilot liefert: dem Anteil korrekt erledigter Teilaufgaben, den Tokens je Teilaufgabe und dem Anteil der Fälle, die zurück an das große Modell oder an Menschen gehen. Eine hohe Rückläuferquote frisst den Preisvorteil auf. Weniger geeignet ist Ember nach den bisherigen Werten für anspruchsvolle Programmierarbeit in großen Codebasen; dort liegen größere Modelle und auch Haiku 5.5 vorn.

So messen Sie die Kosten je erledigter Aufgabe

Ein eigener Vergleich braucht keine Benchmark-Infrastruktur, aber eine feste Methode. Die Kennzahl, die wir empfehlen, ist eine eigene Formel, keine Herstellerangabe:

Kosten je erledigter Aufgabe = (Tokenkosten aller Ember-Anfragen + Tokenkosten der Rückläufer an das größere Modell) ÷ Anzahl korrekt erledigter Aufgaben

Die Tokenkosten ergeben sich aus den Feldern der API-Antwort, getrennt nach Eingabe, zwischengespeicherter Eingabe (cached_tokens) und Ausgabe, multipliziert mit dem Listenpreis der jeweiligen Preisstufe. Von Meta eingefügter Steuerkontext wird laut Preisseite weder berechnet noch ausgewiesen. Damit der Vergleich trägt, sollten vier Bedingungen gelten:

Das Abnahmekriterium steht vor dem Test fest und wird von der Fachseite geprüft, etwa „alle Positionen und Beträge stimmen mit dem Beleg überein“.
Alle Modelle bekommen dieselben Fälle, denselben Prompt und dieselbe Reasoning-Einstellung, und je Antwort wird die tatsächlich genutzte Modell-ID protokolliert.
Rückläufer an ein größeres Modell oder an Menschen werden gezählt; die menschliche Prüfzeit wird getrennt erfasst, nicht in die Tokenkosten eingerechnet.
Die Fälle stammen aus dem echten Bestand, sind für den Test freigegeben und decken auch schwierige Belege ab, nicht nur saubere Beispiele.

Muse Ember und Datenschutz: Datenmodus, Zugang und DACH-Fragen

Über die Model API gibt es Ember laut Preisseite nur im Standardmodus. Den günstigeren Contributor-Modus, bei dem Meta Inhalte zum Training nutzen darf, bietet Meta dort nur für Muse Spark 1.2 und 1.3 an. Im Standardmodus handelt Meta laut Nutzungsbedingungen als Auftragsverarbeiter und trainiert nicht mit den Inhalten; die Einzelheiten dazu beschreibt unser Beitrag zum Contributor-Modus der Meta Model API. Für Unternehmen ist das eine gute Nachricht: Wer bisher aus Kostengründen über Spark im Contributor-Modus nachgedacht hat, findet mit Ember im Standardmodus einen Eingabepreis auf demselben Niveau von 0,10 US-Dollar, ohne Trainingsrechte abzugeben. Die Ausgabe kostet mit 0,50 statt 0,20 US-Dollar allerdings mehr.

Achtung beim Zugang über Muse Code: Meta nennt Muse Code als zweiten Zugang zu Ember. Die Regionalrichtlinie vom 12. Oktober 2026 legt für Coding-Abos fest, dass standardmäßig der Contributor-Modus gilt, unabhängig vom gewählten Modell. Ember selbst führt die Richtlinie noch nicht auf, und die Tarifseite von Muse Code nennt es ebenfalls nicht. Bis Meta das klarstellt, sollten Unternehmen für Muse Code die Einstellung im Konto prüfen, wie im Beitrag zu Muse Code im Unternehmen beschrieben.

Weitere offene Punkte betreffen Datenschutz und Einkauf. Die Null-Speicherung (Zero Data Retention) muss beim Vertrieb beantragt werden; ob sie für Ember gilt, sagt die Seite nicht, sie verweist nur darauf, dass die Unterstützung je Modell variiert. Eine zugesicherte Verarbeitung in der EU haben wir in den Unterlagen nicht gefunden. Vertragspartner für die europäische Region ist laut Bedingungen die Meta Platforms Ireland Limited. Ob eine Verarbeitung mit personenbezogenen Daten zulässig ist, bleibt eine eigene Prüfung nach DSGVO: Auftragsverarbeitung nach Art. 28, Übermittlung in Drittländer und gegebenenfalls eine Datenschutz-Folgenabschätzung. Wer Mitarbeitende Agenten mit Ember steuern lässt, braucht nach Art. 4 der KI-Verordnung ausreichende KI-Kompetenz im Team. Protokolle, die Modellaufrufe einzelnen Beschäftigten zuordnen, sind in Deutschland ein Fall für den Betriebsrat, sobald sie objektiv geeignet sind, Verhalten oder Leistung zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG).

Pilotfragen vor dem Einsatz

Welche wiederkehrenden Teilaufgaben unserer Agenten erledigt heute ein großes Modell, und wie viele Anfragen sind das im Monat?
Wie hoch sind mit Ember, Haiku 5.5 und Luna die Kosten je korrekt erledigter Teilaufgabe, gemessen mit unseren eigenen Fällen?
Wie viele Fälle gehen zurück an das größere Modell oder an einen Menschen, und wer prüft sie?
Bleiben unsere Anfragen sicher unter 200.000 Eingabetokens, und wer bekommt den Alarm, wenn nicht?
Läuft jeder Zugang zu Ember über die Model API im Standardmodus, oder nutzt jemand Ember über ein Muse-Code-Abo?

Für kleine Teams reicht ein Vergleich mit zwei Teilaufgaben und je hundert echten, freigegebenen Fällen. Größere Organisationen sollten den Vergleich in ihr bestehendes API-Gateway verlegen, damit Modellwahl, Tokens und Kosten je Aufgabe dauerhaft protokolliert werden.

Fazit: Billiger wird es über den Verbrauch, nicht über die Preisliste

Muse Ember macht Meta im Segment der kleinen Agentenmodelle konkurrenzfähig, und zwar ohne den Umweg über Trainingsrechte. Die Messungen von Artificial Analysis sprechen für einen echten Kostenvorteil gegenüber Haiku 5.5 bei Arbeitsabläufen mit Tools; beim Programmieren gilt das nicht. Für die meisten weiteren Vorteile gibt es bisher nur Metas eigene Zahlen.

Die nächste Entscheidung: Das Plattformteam wählt zwei wiederkehrende Teilaufgaben aus laufenden Agenten und vergleicht Ember, Haiku 5.5 und Luna mit eigenen Fällen nach Kosten je erledigter Aufgabe. Datenschutz gibt Ember vorher nur für die Model API im Standardmodus frei.

Häufige Fragen

Ist Muse Ember Open Source?

Nein. Meta hält die Gewichte von Ember wie bei den bisherigen Muse-Modellen über die API unter Verschluss. Offene Gewichte gibt es bei Meta derzeit für Muse Spark Open und Muse Glimmer.

Ist Ember günstiger als Muse Spark im Contributor-Modus?

Bei der Eingabe kosten beide 0,10 US-Dollar je Million Tokens, bei der Ausgabe ist Spark im Contributor-Modus mit 0,20 US-Dollar günstiger als Ember mit 0,50 US-Dollar. Dafür darf Meta im Contributor-Modus mit den Inhalten trainieren, bei Ember über die API nicht.

Kann ich Ember einfach gegen Muse Spark austauschen?

Technisch meist ja, laut Dokumentation reicht oft der Wechsel der Modell-ID. Fachlich ist das ein neuer Test: Ember ist kleiner, und für anspruchsvolle Aufgaben empfiehlt Meta selbst weiter Spark oder Wonder.