Mitä Meta julkaisi ja miksi se on uutinen?
Meta julkaisi 12.10.2026 kaksi uutta tekoälymallia, Muse Wonderin ja Muse Wonder Fullin, ja sanoo niiden pärjäävän samalla tasolla kuin OpenAI:n ChatGPT ja Anthropicin Claude. Uutinen ei ole yksittäinen malli vaan se, että saman tason mallia myy nyt yksi yhtiö lisää — ja samalla hinnalla.
Ylen mukaan (13.10.2026) toimitusjohtaja Mark Zuckerberg kuvasi uutta mallia X-palvelussa "paljon suuremmaksi ja kehittyneemmäksi" kuin keväällä julkaistua Muse Sparkia. Taustalla on vuoden mittainen panostus: kesäkuussa 2025 Meta sijoitti 14 miljardia dollaria Scale AI -yhtiöön ja palkkasi sen perustajan Alexandr Wangin johtamaan tekoälykehitystään. Heinäkuussa yhtiö kertoi, että sen tekoälyinvestoinnit voivat nousta tänä vuonna 145 miljardiin dollariin.
TechCrunch (12.10.2026) täydentää sen, mikä yritykselle on olennaisinta:
- Muse Wonder on saatavilla Metan rajapinnan kautta hintaan 4 dollaria
miljoonalta syötetokenilta ja 20 dollaria miljoonalta tulostokenilta — TechCrunchin mukaan suunnilleen sama kuin OpenAI:n ja Anthropicin vastaavilla malleilla.
- Muse Wonder Full on vain Metan omien tilaajien käytössä, ei rajapinnassa.
- Suorituskykyväitteet ovat Metan omasta testauksesta. Riippumattomat
arvioijat ovat Fortunen (13.10.2026) mukaan varovaisen myönteisiä: Artificial Analysis kutsui mallia selväksi harppaukseksi Metan aiemmista, ja Vals sijoitti sen kärkeen tietoturvatehtävissä.
Kolme päivää myöhemmin Meta julkaisi vielä avoimen painotuksen mallin Muse Spark Openin, jonka voi TechCrunchin (15.10.2026) mukaan ajaa omalla koneella — tosin kone tarvitsee vähintään teratavun muistia.
Pitääkö yrityksen vaihtaa tekoälymallia, kun uusi julkaistaan?
Ei. Mallia vaihdetaan silloin, kun mitattu tulos omassa tehtävässä paranee, ei silloin kun otsikko vaihtuu. Paras malli on vaihtunut tänä vuonna useita kertoja, ja jokaisen vaihdon perässä juokseminen maksaa enemmän kuin se tuottaa.
Syitä on kolme:
- Valmistajan testi ei mittaa sinun tehtävääsi. Metan vertailuluvut
ovat Metan omia, kuten OpenAI:n ovat OpenAI:n. Se, että malli on paras koodaustehtävissä, ei kerro mitään siitä, kuinka hyvin se luokittelee suomenkielisen tarjouspyynnön tai tiivistää puhelun.
- Hinta on sama. Kun kolme valmistajaa myy saman tason mallia
samaan hintaan, malli on hyödyke. Hyödykettä ei valita merkin vaan vaihdettavuuden perusteella.
- Vaihto ei ole ilmainen. Jokainen malli reagoi kehotteisiin hieman
eri tavalla. Jos ohjeet, testit ja integraatio on tehty yhden mallin ympärille, vaihto on projekti — ja projekti jää tekemättä juuri silloin kun se kannattaisi.
Käytännön sääntö: mallin saa vaihtaa, kun sama testijoukko ajetaan uudella mallilla ja tulos on parempi tai sama halvemmalla. Jos testijoukkoa ei ole, vaihdon hyötyä ei voi tietää — eikä silloin kannata vaihtaa.
Mikä tekoälymalli yritykselle kannattaa valita?
Se, jonka voi vaihtaa. Merkkiä tärkeämpää on, että malli on yhden rajapinnan takana ja että yrityksen tieto pysyy yrityksen omassa järjestelmässä, ei mallin toimittajalla.
| Mitä yrityksessä tehdään | Mitä mallilta vaaditaan | Mitä ei tarvita |
|---|---|---|
| Yhteydenoton luokittelu ja kiireellisyys | nopeus, suomen kieli, halpa hinta | kärkimalli |
| Viestiketjun tiivistys ennen puhelua | luotettava tiivistys, ei keksimistä | muisti valmistajalla |
| Luonnos vastauksesta ihmisen hyväksyttäväksi | sävyn noudattaminen, selkeä raja lupauksille | sopimuksen teko |
| Pitkä analyysi (tarjous, raportti) | päättelykyky, iso konteksti | reaaliaika |
Taulukosta näkyy, että suurin osa pk-yrityksen tehtävistä ei tarvitse kärkimallia lainkaan. Ne tarvitsevat mallin, joka tekee rajatun tehtävän luotettavasti ja halvalla — ja ne ovat juuri niitä tehtäviä, joissa kilpailu painaa hintaa alaspäin nopeimmin.
Metan markkinoinnissa korostuu "aktiivinen muisti": malli muistaa mitä käyttäjä on kertonut viikkojen ja kuukausien ajan. Henkilökohtaiselle avustajalle se on hyvä ominaisuus. Yrityksessä muistin paikka on toinen. Asiakashistorian, viestien ja sopimusten kuuluu olla yrityksen omassa CRM-järjestelmässä, josta malli saa kontekstin jokaiseen tehtävään erikseen. Silloin muisti ei ole sidottu yhteen toimittajaan, ja sen voi tarkistaa, korjata ja poistaa ilman että kysyy keneltäkään.
Sama koskee rajoja. Mitä kyvykkäämpi malli, sitä tärkeämpää on päättää etukäteen, mitä se saa tehdä ilman ihmisen lupaa — siitä kirjoitimme tekoälyagentin rajoista syyskuussa. Kärkimalli ei tee rajoista tarpeettomia; se tekee niistä tärkeämpiä.
Mitä mallien kilpailu tarkoittaa hinnalle ja riskeille?
Samasta kyvystä maksetaan vähemmän, mutta riski siirtyy mallista rakenteeseen: siihen, onko yrityksen prosessi sidottu yhteen toimittajaan ja missä yrityksen tieto on.
Hinnan suunta on selvä. Kun kolme yhtiötä myy saman tason mallia, mikään niistä ei voi nostaa hintaa yksin. Avoimen painotuksen mallit painavat samaan suuntaan toisesta päästä: Muse Spark Open ei ole pk-yrityksen omalle koneelle tarkoitettu, mutta se antaa palveluntarjoajille vaihtoehdon, joka ei ole kenenkään kolmen suuren rajapinta.
Riskit eivät katoa, ne vaihtavat paikkaa:
- Lukkiutuminen. Jos automaatio puhuu suoraan yhden valmistajan
rajapinnalle, hinnan tai ehtojen muutos on sinun ongelmasi. Jos se puhuu omalle kerrokselle, joka kutsuu mallia, vaihto on asetus.
- Tieto. Mallille annettu konteksti on tietoa, jonka käsittelystä
yritys vastaa. Se mitä mallille lähetetään ja mitä se saa muistaa, on päätös, ei oletusarvo.
- Vauhti. Fortunen (13.10.2026) mukaan Zuckerberg torjui ajatuksen
siitä, että toimiala hidastaisi kehitystään yhdessä. Kehitysvauhti ei siis hidastu — ja yrityksen rakenteen on kestettävä se, että paras malli vaihtuu taas.
Yhteenveto yhdessä lauseessa: kilpailu tekee mallista halvan ja vaihdettavan, ja juuri siksi yrityksen ei kannata rakentaa prosessiaan yhden toimittajan ominaisuuden varaan. Myynnin automaatiossa mallin osuus on pieni ja vaihdettava; prosessi, tieto ja rajat ovat se osa, joka pysyy.
Mistä liikkeelle
- Listaa, missä yrityksessä käytetään tekoälyä nyt — myös ne kokeilut,
jotka joku otti käyttöön ja jotka jäivät päälle.
- Merkitse jokaisen kohdalle, mitä mallia se käyttää ja miten se
vaihdettaisiin. Jos vastaus on "ei tiedetä", se on ensimmäinen asia selvitettäväksi.
- Tarkista, mitä tietoa mallille lähetetään ja jääkö se toimittajalle.
Asiakastieto kuuluu omaan järjestelmään, josta malli saa sen tehtävä kerrallaan.
- Kokoa pieni testijoukko omista tehtävistä: kymmenen oikeaa
yhteydenottoa, kymmenen tiivistettävää ketjua. Sillä mitataan jokainen tuleva vaihto, eikä valmistajan taulukolla.
Katsotaanko, mihin teidän tekoälynne on sidottu
20 minuutin keskustelussa käydään läpi, mitä malleja yrityksessä on käytössä, missä asiakastieto kulkee ja mitä mallin vaihto vaatisi. Usein arvokkain tulos on lista siitä, mikä on sidottu yhteen toimittajaan ja mikä ei.
Lähteet
- Yle: Meta esitteli uudet tekoälymallinsa, 13.10.2026 (lähteenä AFP). yle.fi
- TechCrunch: Meta releases its first frontier model, Muse Wonder, 12.10.2026 — rajapintahinnat ja saatavuus. techcrunch.com
- Fortune: Meta's Muse models reach the AI frontier — and kill any hopes to 'pace' it, 13.10.2026 — riippumattomat arviot ja Zuckerbergin kanta kehitysvauhtiin. fortune.com
- TechCrunch: Meta launches an open-weight model that runs on Macs, 15.10.2026 — Muse Spark Open ja sen laitevaatimus. techcrunch.com