Muse Wonder als Computer-Use-Agent: Was Meta liefert, was Unternehmen selbst bauen müssen und welche Daten anfallen

Der Beitrag richtet sich an IT-Leitungen, Automatisierungs-Teams und Datenschutzverantwortliche, die prüfen, ob ein KI-Agent Bildschirmabläufe übernehmen kann. Die Grundlagen zu Muse Wonder als Modell stehen im Beitrag Muse Wonder im Unternehmen. Hier geht es um eine Fähigkeit, die Meta für Muse Wonder ausdrücklich nennt: einen Rechner anhand von Screenshots zu bedienen. Sinnvoll beginnt man nicht mit dem Modell, sondern mit der Frage, welcher Ablauf wirklich nur über eine Oberfläche erreichbar ist.

Wo Computer Use im Meta-Angebot steht

Meta bietet seine Muse-Modelle über drei Wege an, die auf der Seite Meta für Unternehmen eingeordnet sind: die Meta Model API für eigene Anwendungen, das Abonnement Muse Code für Programmieraufgaben und offene Gewichte zum Selbstbetrieb. Computer Use gehört zur Model API. Laut Dokumentation läuft es nur über die Responses API und mit dem eingebauten Computer-Werkzeug. Die Anleitung nutzt Muse Wonder, das laut Meta leistungsfähigste Modell, derzeit als Vorschau. Muse Spark und Muse Ember können dieselbe Schleife günstiger fahren.

Was Meta nicht liefert, ist ebenso wichtig: Es gibt keine von Meta betriebene virtuelle Maschine, keinen Browser und keinen Treiber. Das Modell berührt laut Meta nie einen Bildschirm. Es bekommt ein Bild und gibt eine Liste von Aktionen zurück, etwa Klick an Position x, y, Text eingeben, scrollen oder warten. Ausführen, absichern, protokollieren und stoppen muss die Anwendung des Unternehmens. Wer Computer Use einsetzt, baut also immer ein eigenes kleines Automatisierungssystem.

Wie die Schleife aus Beobachten und Handeln funktioniert

Meta beschreibt fünf Schritte. Die Anwendung schickt Aufgabe und ersten Screenshot. Das Modell antwortet mit einem Aufruf des Computer-Werkzeugs, der eine oder mehrere Aktionen enthält. Die Anwendung führt sie aus, macht einen neuen Screenshot und schickt ihn zurück. Das wiederholt sich, bis das Modell statt einer Aktion eine normale Antwort gibt: Aufgabe erledigt oder nicht machbar, etwa weil ein Konto oder eine Berechtigung fehlt.

Redaktionelle, schematische Darstellung von AI-Fabrik nach der Meta-Dokumentation „Build a computer-use agent“, kein Produkt-Screenshot. Die eigenen Regeln und die Schrittgrenze legt die Anwendung des Unternehmens fest; Meta empfiehlt eine Schrittgrenze, nennt aber keinen Wert.

Drei Einzelheiten der Dokumentation sind für den Betrieb wichtig. Erstens beziehen sich alle Koordinaten auf den zuletzt gesendeten Screenshot, die Bildgröße muss deshalb über den ganzen Ablauf gleich bleiben. Zweitens soll die Anwendung eine Aktionsfolge abbrechen, wenn eine Aktion scheitert oder sich die Oberfläche unerwartet ändert, und dem Modell den neuen Zustand zeigen. Drittens soll ein „erledigt“ nur gelten, wenn das Ergebnis auf dem Bildschirm sichtbar ist. Eine Bestätigung, die nach einem Klick auf „Absenden“ noch aussteht, ist kein Erfolg.

Sicherheitsprüfungen: ein Entscheidungspunkt, kein Formularfeld

Für heikle Aktionen hängt die API sogenannte Pending Safety Checks an den Werkzeugaufruf, jeweils mit Kennung, Code und Text. Die Anwendung darf die Aktion nur ausführen, wenn sie die Prüfung in der Antwort ausdrücklich bestätigt. Meta schreibt dazu, die Bestätigung erkläre, dass die Aktion geprüft und akzeptiert wurde, und rät, sie als Entscheidungspunkt zu behandeln und nicht automatisch auszufüllen. Welche Aktionen solche Hinweise auslösen, legt die Dokumentation nicht offen.

Daraus folgt nach unserer Einordnung: Die Hinweise von Meta sind eine zusätzliche Bremse, aber keine, auf die sich ein Unternehmen allein verlassen kann. Die eigentlichen Grenzen gehören in die Umgebung. Ein Agent, der nur eine Testinstanz erreicht, kann keine echte Bestellung auslösen, egal was das Modell vorschlägt. Dazu kommen eigene Regeln im Treiber, etwa dass Klicks auf Schaltflächen wie „Senden“, „Bezahlen“ oder „Löschen“ immer eine Freigabe durch einen Menschen brauchen, der Aktion, Ziel und Folgen sieht und ablehnen kann.

Welche Daten bei Meta anfallen

Im Standardweg hält der Server den Verlauf: Die Anwendung verweist mit einer Antwortkennung auf den vorigen Schritt und schickt nur den neuen Screenshot. Das ist bequem, bedeutet aber, dass Meta die Screenshots des Ablaufs speichert. Laut Preisseite nutzt Meta Inhalte im Standardmodus nicht zum Training. Wer aus Kostengründen die Contributor-Variante von Muse Spark wählt, erlaubt dagegen genau das, also auch die Nutzung der Screenshots. Für Muse Wonder gibt es keine Contributor-Variante. Die Unterschiede der Modi haben wir im Beitrag zum Contributor-Modus der Model API eingeordnet.

Die Null-Speicherung gibt es für qualifizierte Konten auf Antrag beim Vertrieb, nicht per Schalter. Mit ihr sind gespeicherte Verläufe, Hintergrundanfragen, Datei-Uploads, Websuche und der Contributor-Modus abgeschaltet. Für Computer Use bleibt dann der zustandslose Weg: Die Anwendung schickt bei jedem Schritt den ganzen bisherigen Ablauf mit. Die Dokumentation nennt dafür eine Obergrenze von 29 Paaren aus Aktion und Screenshot. Längere Abläufe muss die Anwendung aufteilen. Auch unter Null-Speicherung kann Meta Ein- und Ausgaben bis zu zwei Jahre aufbewahren, wenn eine Anfrage als Verstoß gegen die Nutzungsrichtlinie markiert wird.

Eine zugesagte Verarbeitung in der EU haben wir in den Meta-Unterlagen nicht gefunden. Ob Screenshots mit Personendaten an die Model API gehen dürfen, ist deshalb eine eigene Prüfung von Rechtsgrundlage, Zweck und Drittlandübermittlung. Am einfachsten wird sie, wenn der Pilot nur mit Testkonten und Testdaten läuft und dabei gar keine Personendaten auf den Bildschirm kommen.

Was ein Ablauf kostet und wann sich Computer Use lohnt

Muse Wonder kostet laut Meta 4 US-Dollar je Million Eingabetokens, 0,20 US-Dollar für zwischengespeicherte Eingaben und 20 US-Dollar je Million Ausgabetokens. Muse Spark 1.3 liegt im Standardmodus bei 1,25 und 4,25 US-Dollar, Muse Ember bei 0,10 und 0,50 US-Dollar bis 200.000 Eingabetokens je Anfrage. Weil bei jedem Schritt ein Bild mitgeht und der Verlauf wächst, steigen die Kosten mit der Zahl der Schritte. Meta selbst schreibt, dass Screenshots bei langen Abläufen den Großteil der Tokens ausmachen. Ein belastbarer Preis je Ablauf lässt sich daraus nicht ableiten, er hängt von Bildgröße, Schrittzahl und Modell ab. Ein Pilot sollte ihn deshalb messen, nicht schätzen.

Meta nennt selbst eine Alternative: Ist ein Ablauf vorher bekannt, etwa ein festes Formular oder eine Massenänderung, kann das Modell ein Automatisierungsskript schreiben, das in der eigenen Sandbox läuft. Das spart Runden und Bilder. Computer Use passt laut Meta, wenn das Modell auf jeden Bildschirm neu reagieren muss und jede Aktion einzeln geprüft werden soll. Nach unserer Einordnung kommt eine dritte Option vor beiden: Hat die Zielanwendung eine Schnittstelle, ist ein direkter Aufruf fast immer billiger, schneller und leichter abzusichern als ein Agent, der Pixel deutet.

Pilotfragen vor dem ersten Computer-Use-Agenten

1. Gibt es für den Ablauf wirklich keine Schnittstelle, und wäre ein festes Skript nicht einfacher?
2. Läuft der Agent in einer isolierten Umgebung mit Testkonten, ohne gespeicherte Passwörter und mit Netzwerkzugriff nur auf die Zielanwendung?
3. Können Screenshots Personendaten zeigen, und wenn ja: Gibt es eine Rechtsgrundlage für die Übermittlung an Meta, oder bleibt der Pilot bei Testdaten? Null-Speicherung allein beantwortet das nicht.
4. Welche Aktionen brauchen immer eine Freigabe durch einen Menschen, wer bestätigt Sicherheitsprüfungen von Meta, und welche Schrittgrenze bricht den Ablauf ab?
5. Mit welchen Aufgaben und Kennzahlen nehmen wir den Agenten ab, und was kostet ein Ablauf im Mittel?

Fazit: Erst die Umgebung bauen, dann dem Modell den Bildschirm geben

Quellen

Weiterführende Artikel auf AI-Fabrik