Un año después de la reorganización de la IA en Meta: la ambición de la superinteligencia bajo las tres ventajas de datos, talento y computación.

Antecedentes de la industria: El primer año de reconstrucción de IA de Meta

A mediados de 2025, el lanzamiento de Llama 4 se convirtió en un gran revés en la historia de la IA de Meta. El rendimiento del modelo no cumplió con las expectativas, lo que llevó al CEO Mark Zuckerberg a decidir reorganizar completamente la organización de IA y establecer el Meta Superintelligence Lab (MSL). En el año siguiente, MSL pasó de su formación a los primeros resultados. Su último modelo, Muse Spark, fue lanzado en abril de 2026. Aunque se quedó rezagado frente a los modelos de código abierto contemporáneos DeepSeek v4 Pro y Kimi K2.6 en evaluaciones comparativas principales, los evaluadores generalmente creen que el rendimiento actual refleja un 'pago de deuda' de la fase inicial de reconstrucción, no un límite de capacidad a largo plazo.

Impacto en el mercado: De 'campeón de código abierto' a 'persecución a puerta cerrada'

Meta solía ser conocido por sus modelos de código abierto de la serie Llama; Llama 3 70B y 3.1 405B eran ambos SOTA de código abierto en el momento de su lanzamiento. Sin embargo, Muse Spark de MSL optó por una ruta de código cerrado y su rendimiento no alcanzó el nivel superior. Este cambio envió una señal clara al mercado: Meta ha renunciado temporalmente a su posición de liderazgo en código abierto para concentrar recursos en la búsqueda de capacidades de vanguardia. Los inversores y clientes deben prestar atención a la pendiente, no a la intersección, es decir, la velocidad de mejora de capacidades de MSL en los próximos seis meses, no el rendimiento de referencia actual.

Panorama competitivo: OpenAI vs Anthropic, dos gigantes, Meta como posible disruptor

Actualmente, la carrera de IA de vanguardia se ha concentrado claramente entre OpenAI y Anthropic. Google's Gemini 3 Pro y Nano Banana perdieron rápidamente impulso después de un breve destello; su adquisición de Windsurf no se tradujo en un producto competitivo de codificación de agentes; Microsoft tampoco mantuvo su ventaja pionera en GitHub Copilot. Según el análisis de SemiAnalysis, MSL posee tres ventajas que otros laboratorios difícilmente pueden replicar:

1. Datos: Meta, al rastrear las actividades de pantalla, teclado y mouse de sus empleados, obtuvo uno de los conjuntos de datos de entorno de RL más valiosos del mundo. Más crucialmente, en la reorganización de Meta de mayo de 2026, alrededor de 3000 ingenieros (incluyendo un 70% de recién graduados y muchos empleados senior) fueron asignados a la recién creada 'Organización de Ingeniería de IA Aplicada', dedicados a tiempo completo a la creación de tareas y entornos de RL. Esta escala supera con creces a cualquier empresa de datos externa; por ejemplo, la principal empresa de entorno de RL, Mercor, registró solo 4800 horas equivalentes a tiempo completo de trabajo experto en el segundo trimestre de 2026.

2. Talento: MSL invirtió 1.43 mil millones de dólares de Scale AI para, en esencia, despojar a su CEO Alexandr Wang y al equipo central de su laboratorio de seguridad, evaluación y alineación (SEAL), y ofreció paquetes de compensación del orden de decenas a cientos de millones de dólares para atraer a los mejores investigadores de IA.3. Potencia computacional: Meta ha adoptado un innovador diseño de centro de datos en forma de "tienda de campaña", logrando una agresiva expansión de la capacidad computacional. Según el nuevo modelo Tokenomics de SemiAnalysis, la tasa de crecimiento de la inversión en computación de IA de Meta es la más rápida entre los principales fabricantes.

Lecciones empresariales: Los datos del entorno RL se convierten en un nuevo recurso escaso

Para los tomadores de decisiones empresariales, la estrategia de Meta revela la clave de la próxima competencia en capacidades de IA: entornos RL de alta calidad y datos de grabación de pantalla. Los datos tradicionales de SFT y benchmarks se están devaluando aceleradamente, mientras que los datos de grabación de pantalla que reflejan flujos de trabajo reales (especialmente en áreas profesionales como finanzas, derecho, publicidad, etc.) se convierten en activos estratégicos para entrenar sistemas de agentes. Las empresas deben evaluar el valor potencial de sus propios datos de flujo de trabajo y considerar establecer colaboraciones de datos con laboratorios de IA.

Además, la decisión de Meta de formar un equipo de 3000 personas a tiempo completo para entornos RL demuestra que, incluso con abundantes recursos computacionales generales, la construcción de entornos RL personalizados aún requiere una gran inversión de recursos humanos. Esto sugiere a las empresas: el cuello de botella para la implementación de IA se ha desplazado de la potencia computacional a la ingeniería de datos y la capacidad de diseño de tareas.

Perspectivas futuras: ¿Podrá MSL superar a Google en 12-24 meses?

SemiAnalysis cree que MSL tiene todas las posibilidades de superar la capacidad de IA de Google en 6 meses. Las variables clave son: la madurez del ciclo de datos (el período de retroalimentación de los datos de grabación de pantalla en el entrenamiento del modelo), la eficiencia de producción de tareas del equipo de 3000 personas, y la ejecución planificada de la expansión de la potencia computacional. Si todo va bien, MSL se ubicará entre los tres principales (OpenAI, Anthropic, Meta) antes de 2027, mientras que Google podría caer al segundo escalón.

A largo plazo (3 años), si MSL mantiene continuamente niveles de clase mundial en datos, talento y computación, tendrá la oportunidad de desafiar el liderazgo de OpenAI y Anthropic. Pero la premisa clave es: si la cultura interna puede tolerar una fase de alta inversión y baja visibilidad que dure varios años, y si las controversias sobre la privacidad de los datos afectarán la cooperación de los empleados.