Meta ha esteso il proprio Contributor Plan per Muse Spark, introducendo un modello tariffario che riduce fino a circa il 95% il costo di utilizzo dell’AI per gli utenti che accettano di condividere con l’azienda i prompt inviati e gli output generati dal modello. La nuova formula riguarda Muse Spark 1.3 e punta a utilizzare le interazioni reali degli utenti come fonte di dati per il miglioramento dei modelli, associando quindi il consenso alla condivisione delle informazioni a un vantaggio economico diretto. A differenza delle modalità adottate comunemente dai provider AI, che permettono o impediscono l’utilizzo dei dati secondo specifiche impostazioni o condizioni contrattuali, Meta introduce così un incentivo di prezzo esplicito per favorire la disponibilità di dati provenienti dall’utilizzo effettivo dei propri sistemi.
Il Contributor Plan era stato introdotto inizialmente il 22 agosto con Muse Spark 1.2 attraverso OpenRouter, utilizzando il modello identificato come muse-spark-1.2-contributor. Meta ha ora ampliato l’iniziativa a Muse Spark 1.3, attraverso muse-spark-1.3-contributor, estendendone contemporaneamente la disponibilità a tutte le piattaforme. La differenza di prezzo rispetto alla tariffazione ordinaria è particolarmente elevata: il costo dei token di input passa da 1,25 dollari per milione di token a 0,10 dollari, mentre per l’output la tariffa scende da 4,25 dollari per milione di token a 0,20 dollari. Accettando quindi la condivisione sia degli input sia degli output, il costo complessivo può ridursi approssimativamente al 5% di quello previsto dalla tariffa standard.
La politica di prezzo riguarda inoltre un modello posizionato nella fascia alta delle prestazioni. Muse Spark risulta infatti al terzo posto nelle valutazioni di Artificial Analysis e viene proposto con una tariffazione che si colloca tra le più basse disponibili per modelli di livello frontier. La combinazione tra prestazioni elevate e forte riduzione del prezzo è collegata soprattutto alla necessità di Meta di ottenere dati reali sufficientemente ricchi per lo sviluppo delle successive generazioni di modelli. Questo aspetto assume particolare importanza per i sistemi agentici come Muse Spark, progettati per operare anche su attività articolate quali la programmazione e altri workflow complessi, nei quali i semplici prompt isolati rappresentano soltanto una parte delle informazioni utili all’addestramento.
Per lo sviluppo degli agenti AI assumono infatti valore non soltanto la richiesta iniziale e la risposta finale, ma anche le sequenze di interazione, i passaggi intermedi, i risultati delle singole operazioni e il modo in cui l’utente modifica progressivamente le istruzioni durante lo svolgimento di un’attività. Questo tipo di dati permette di osservare il comportamento del modello in scenari operativi reali e può essere utilizzato per migliorare capacità come pianificazione, coding, utilizzo degli strumenti e gestione di task composti da più passaggi. Nel settore viene considerata particolarmente importante proprio la disponibilità di sessioni prolungate tra utenti e agenti. Mario Zechner, sviluppatore dell’agent harness open source Pi, ha indicato come esempio Claude Code, sottolineando che la conservazione predefinita delle sessioni degli agenti di coding e il successivo utilizzo di questi dati nel reinforcement learning avrebbero contribuito in misura significativa al miglioramento delle capacità di programmazione dei modelli Claude.
L’accesso a questo tipo di informazioni incontra però un ostacolo particolare nel mercato enterprise. Le grandi organizzazioni sono generalmente più restie a condividere con i provider AI prompt, output e workflow, perché le sessioni possono contenere proprietà intellettuale, informazioni personali, dati commerciali riservati e dettagli relativi ai processi interni. Arvind Narayanan, professore di informatica alla Princeton University, ha osservato che le grandi aziende arrivano spesso a scegliere piani enterprise molto più costosi rispetto alle offerte consumer proprio per ottenere condizioni più rigorose sulla conservazione dei dati e sulla governance IT. Per i fornitori di modelli questo comportamento riduce quindi l’accesso a una parte particolarmente preziosa dei dati generati nell’utilizzo professionale dell’AI.
Il Contributor Plan di Meta tenta di ridurre questa barriera utilizzando direttamente la leva economica. Aziende e sviluppatori disposti ad autorizzare l’impiego dei dati per l’addestramento possono utilizzare Muse Spark a costi molto inferiori durante attività quali prototipazione iniziale, test di integrazione ed esperimenti su larga scala. Con un prezzo di 0,10 dollari per milione di token in ingresso e 0,20 dollari per milione di token in uscita, l’esecuzione di grandi quantità di richieste diventa quindi sensibilmente meno costosa per chi accetta le condizioni del piano.
La struttura scelta da Meta introduce così una relazione diretta tra valore economico del servizio e valore dei dati generati durante il suo utilizzo. Il Contributor Plan non si limita a chiedere all’utente se consentire o meno l’impiego delle interazioni per l’addestramento, ma attribuisce concretamente un prezzo alla disponibilità di quei dati: chi li mantiene esclusi dall’utilizzo da parte di Meta continua a pagare la tariffa ordinaria, mentre chi accetta di condividere prompt e risultati accede a un costo che può essere inferiore di circa venti volte.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)