A finales de febrero de 2023, un investigador de Meta AI Research —FAIR— publicó un paper titulado "LLaMA: Open and Efficient Foundation Language Models". El acceso al modelo era restringido: investigadores académicos debían llenar un formulario y firmar un acuerdo de uso. Cinco días después de la publicación, alguien filtró los pesos del modelo en 4chan. Un link de BitTorrent recorrió Twitter en menos de veinticuatro horas.
Dentro de Meta, la reacción inicial fue la esperable — abogados alertas, equipos de seguridad investigando. Pero en las semanas siguientes pasó algo distinto. La comunidad técnica empezó a publicar fine-tunings, optimizaciones, versiones corriendo en laptops comunes. Apareció Alpaca, apareció Vicuña, apareció una lista larga de derivados. Un ecosistema brotó sin que Meta gastara un dólar en evangelismo.
En julio de 2023, Meta tomó la decisión que redefinió su estrategia. Lanzó Llama 2 bajo licencia permisiva con derechos comerciales incluidos. No fue una disculpa por la filtración. Fue una aceptación: el accidente había mostrado cuál era el foso real.
Esa aceptación es la clave para entender por qué Meta compite de forma distinta a Anthropic y OpenAI.
La tesis de Yann LeCun
El Chief AI Scientist de Meta es Yann LeCun, premio Turing 2018 por su trabajo fundacional en redes convolucionales. LeCun ha sido la cara pública de la postura open-weights de Meta. Su argumento tiene dos patas.
La primera es técnica. LeCun sostiene —y muchos investigadores le dan la razón— que los modelos de lenguaje autoregresivos actuales (GPT-4, Claude, Llama) no son el camino a capacidades realmente generales. En su lectura, los saltos cualitativos van a venir de arquitecturas distintas. Si esa tesis es correcta, entrenar un modelo más y cobrarlo caro no es la jugada ganadora de largo plazo.
La segunda pata es estratégica. Si el modelo base termina siendo una commodity dentro de pocos años, quien lo regale hoy construye ecosistema; quien lo cobre hoy queda atado a un foso que se va a erosionar. El vocabulario técnico para esto es "commoditizar al complemento" —un concepto que Joel Spolsky popularizó en 2002 pero que Meta aplicó a IA con más consistencia que nadie. Si lo que tu rival vende caro se vuelve gratis, el rival pierde el foso.
Entre medio de estas dos lecturas, Meta decidió que los modelos base son el complemento, y que lo que hay que cuidar es la distribución —WhatsApp, Instagram, Facebook— y los datos que alimentan la publicidad.
La secuencia Llama y la infraestructura detrás
Vale la pena ver la cadencia de releases para entender el ritmo de la empresa.
Llama 1 (febrero 2023). Cuatro tamaños: 7B, 13B, 33B, 65B parámetros. Acceso restringido. Filtración en 4chan cinco días después. La comunidad open-source moderna empieza acá.
Llama 2 (julio 2023). 7B, 13B, 70B. Licencia permisiva con derechos comerciales. Hito fundacional de la industria open-weights.
Llama 3 (abril 2024). 8B y 70B inicialmente. El 70B se volvió el caballito de batalla para quienes quieren hospedar su propia IA sin depender de terceros. Meses después, llegó la versión de 405B —competitiva con GPT-4 en benchmarks principales.
Llama 3.1, 3.2, 3.3 (2024). Iteraciones sucesivas. Llama 3.3 70B igualó en muchos benchmarks al 405B original con un tercio de los parámetros — una demostración de que la eficiencia todavía tiene margen.
Llama 4 (abril 2025). Arquitectura de Mixture-of-Experts. El modelo más grande de la familia, Behemoth, se presentó con 2 billones de parámetros totales (no todos activos por token). Marcó el movimiento de Meta hacia MoE, el mismo camino que habían tomado OpenAI y Google en sus modelos de frontera.
La infraestructura que permite esa cadencia es ofensiva. Meta declaró en su conferencia de resultados del Q4 de 2024 un gasto de capital de alrededor de 65 mil millones de dólares en 2024, con proyección superior a 100 mil millones para 2025 — la inversión más agresiva del sector por orden de magnitud. Al cierre de 2024, Meta reportó tener más de 350.000 GPUs NVIDIA H100 instaladas. Esas cifras son comunicadas por la propia empresa y deben leerse como "dato de la parte interesada", como advertimos al cubrir otras métricas similares en nuestra cobertura del ecosistema.
Meta AI en WhatsApp: la otra jugada
Mientras Llama crecía como estándar open-weights, Meta ejecutó un movimiento paralelo: meter Meta AI dentro de las apps que más gente del mundo ya tiene instaladas.
Hoy Meta AI vive en tres lugares. Adentro de chats de WhatsApp (escribís "@Meta AI" y aparece). En la barra de búsqueda de Instagram. En Messenger de Facebook. La cifra que Meta comunicó en 2025 es superior a los 500 millones de usuarios activos mensuales — una cifra que, si se confirma con mediciones independientes, convertiría a Meta AI en la IA generativa con más usuarios del mundo por volumen absoluto.
Esa cifra tiene un asterisco importante. La mayoría de esos usuarios no eligieron Meta AI como herramienta. Meta AI eligió a los usuarios: apareció dentro de la app que ya tenían abierta, sin que mediara una decisión explícita. Esa es la definición técnica de ventaja de plataforma.
La fortaleza real: open-weights hospedable
Donde Meta genuinamente pega más fuerte es en un segmento específico del mercado profesional: empresas con requerimientos de privacidad que no pueden enviar datos a la nube de un tercero.
Un estudio jurídico que maneja causas bajo confidencialidad, un hospital con historias clínicas sujetas a regulación estricta, un banco con data transaccional — ninguno puede, por compliance, mandar esa información a Anthropic o a OpenAI. Con Llama, la historia es otra: descargás el modelo, lo corrés en tu propia infraestructura, y los datos nunca salen de tu red.
Llama 3.3 70B corre en hardware razonable —servidores con 4 a 8 GPUs— y entrega calidad cercana a Claude o GPT-4 en tareas de extracción, clasificación y resumen. No pagás por token. No dependés del uptime de un proveedor. No tenés vendor lock-in. Para ese perfil de cliente, Llama es la única opción viable en el mercado, y es una opción muy buena.
Las limitaciones honestas
Una lectura pro-Claude honesta tiene que nombrar lo que Meta no hace mejor.
Para el usuario profesional individual que quiere delegar trabajo de calidad —escribir un informe cuidado, analizar un contrato, razonar sobre un problema complejo en varios turnos— Meta AI y Llama no son la primera opción. Claude sigue siendo más consistente en instrucciones literales, más honesto cuando no sabe algo, y mejor en mantener coherencia en conversaciones largas. Esa es una diferencia medible en el trabajo, no un detalle teórico.
La diferencia es de prioridad. Anthropic invierte pesadamente en alineamiento y confiabilidad con Constitutional AI. Meta invierte pesadamente en escala, distribución y eficiencia. Son dos apuestas distintas. Para uso profesional serio, la apuesta de Anthropic se paga mejor. Para uso masivo ambient en tu celular y para hosting privado de empresas, la apuesta de Meta es imbatible.
Para cerrar y para seguir
Meta es la empresa más difícil de encajar en un relato único del sector. No compite en el mismo carril que Anthropic (confiabilidad profesional), ni en el mismo carril que OpenAI (aplicación masiva con suscripción), ni en el mismo carril que Google (integración profunda con suite ofimática). Meta juega su propio juego: open-weights en la capa de modelo, distribución pegada al usuario en la capa de aplicación, y capex ofensivo en la capa de infraestructura.
Esa estrategia tiene ganadores claros. Para empresas con data sensible, Llama es el único camino viable hoy. Para quinientos millones de personas que ya viven en WhatsApp, Meta AI es la IA de facto, aunque ni se enteren de que Llama existe. Para el profesional individual que produce trabajo delegable, Claude o ChatGPT siguen rindiendo más.
Si querés entender cómo se compara esta apuesta con las de los otros grandes, La carrera de las IAs arma el mapa completo. Si te interesa el tema de cómo se miden modelos de manera honesta —porque los benchmarks publicados por las propias empresas hay que leerlos con pinzas— Cómo se miden las IAs es el siguiente eslabón.
¿Tu empresa tiene datos que no pueden salir de tu red, o tu uso diario de IA es exploratorio y vive arriba del celular? Esa pregunta te dice cuál de las dos caras de Meta te sirve.
Abrí WhatsApp. Mirá la esquina inferior derecha del listado de chats. Hay un botón circular azul que dice "Meta AI".
Ese botón está en el teléfono de quinientos millones de personas que lo usan cada mes. La mayoría de esas personas nunca escuchó las palabras "Llama" ni "modelo de lenguaje". Algunas ni saben que ahí adentro hay una IA — creen que es una función más del chat, como los stickers.
Esa es, probablemente, la adopción de IA más silenciosa del mundo.
La empresa que hizo dos jugadas al mismo tiempo
Meta —la dueña de Facebook, Instagram y WhatsApp— tomó hace tres años una decisión rara. En vez de vender su IA como suscripción, la regaló.
Lanzaron Llama en febrero de 2023. Al principio era un modelo pensado para investigadores, con acceso restringido. En pocos días alguien filtró los pesos del modelo en internet. Esa filtración, en lugar de un desastre, se volvió un negocio: Meta vio que la comunidad técnica se había volcado a Llama, y decidió aceptar el accidente como estrategia. A partir de Llama 2, en julio del mismo año, abrieron los pesos de forma oficial.
¿Por qué regalar algo que cuesta miles de millones entrenar? Porque si todos los desarrolladores del mundo aprenden a trabajar con tu modelo, el ecosistema crece alrededor tuyo. No vendés el modelo. Vendés —o protegés— todo lo que viene después.
Lo que tenés adentro de tu celular
Pero Meta no vive solo de regalar modelos. La otra jugada es distribución masiva.
Meta AI está pegada adentro de WhatsApp, Instagram y Facebook. Si escribís "@Meta AI" dentro de un chat, aparece. Si tocás la lupa en Instagram, la barra de búsqueda ahora tiene IA. La fricción para usarla es cero. No tenés que crear una cuenta nueva, no tenés que bajar una app, no tenés que aprender un sitio distinto.
La consecuencia es que Meta AI se volvió la IA más usada del planeta por volumen absoluto de personas, aunque casi nadie la usa como herramienta principal de trabajo. Es IA de paso — la preguntás cuando estás ahí por otra cosa.
Para qué sí, para qué no
Meta AI en WhatsApp sirve bien para un montón de preguntas chicas del día a día. Traducí este texto. Resumime este artículo largo. Armame un brindis para el cumpleaños. Contame qué pasó hoy en una noticia. Son preguntas rápidas donde "suficiente" es mejor que "perfecto pero en otra app".
No sirve tan bien para trabajo serio. Si tenés que revisar un contrato, analizar una planilla financiera, escribir un informe que va a un cliente — ahí Claude o ChatGPT siguen siendo más cuidadosos, más honestos cuando no saben algo, más consistentes si les das instrucciones largas y específicas.
La regla práctica es simple. Meta AI para lo que estás haciendo igual dentro del celular. Claude o ChatGPT para cuando abrís la compu y decís "ahora a trabajar".
Llama, el modelo que podés descargar
Hay un uso de Meta que pocos saben y que es el más interesante para empresas: Llama es descargable.
Si sos una consultora médica, un estudio jurídico, un banco, o cualquier empresa que trabaja con datos que no pueden salir de tu red — podés bajar Llama 3.3 70B, instalarlo en tus propios servidores, y usarlo sin que nada pase por internet. Ni Meta ni nadie ve lo que le preguntás. Para esos usos, Llama es la única opción viable en el mercado. Claude y ChatGPT, por diseño, necesitan mandar los datos a sus servidores.
Eso requiere un equipo técnico que sepa instalar y mantener el modelo. No es plug-and-play. Pero para empresas con requisitos de privacidad fuertes, ese trabajo técnico rinde porque no hay alternativa.
Lo que tenés que llevarte
Tres ideas para no perder el norte:
- Meta ganó por distribución, no por calidad. Meta AI es la IA más usada del mundo por cantidad de personas, pero casi nadie la elige porque sea la mejor. La elige porque ya la tiene abierta en WhatsApp. Eso es ventaja de plataforma, no ventaja de producto.
- Llama abierto cambió el juego para empresas. Antes de 2023, si querías IA potente sin mandar datos afuera, no tenías opción. Hoy Llama existe y corre on-premise. No para vos como usuario — para tu banco, para tu clínica, para tu estudio.
- Para trabajo profesional, Meta AI no es tu primera opción. Para preguntas rápidas y traducciones dentro del celular, rinde. Para un contrato, un análisis o código que va a producción, abrí Claude o ChatGPT. Cada herramienta tiene su lugar.
A finales de febrero de 2023, un investigador de Meta AI Research —FAIR— publicó un paper titulado "LLaMA: Open and Efficient Foundation Language Models". El acceso al modelo era restringido: investigadores académicos debían llenar un formulario y firmar un acuerdo de uso. Cinco días después de la publicación, alguien filtró los pesos del modelo en 4chan. Un link de BitTorrent recorrió Twitter en menos de veinticuatro horas.
Dentro de Meta, la reacción inicial fue la esperable — abogados alertas, equipos de seguridad investigando. Pero en las semanas siguientes pasó algo distinto. La comunidad técnica empezó a publicar fine-tunings, optimizaciones, versiones corriendo en laptops comunes. Apareció Alpaca, apareció Vicuña, apareció una lista larga de derivados. Un ecosistema brotó sin que Meta gastara un dólar en evangelismo.
En julio de 2023, Meta tomó la decisión que redefinió su estrategia. Lanzó Llama 2 bajo licencia permisiva con derechos comerciales incluidos. No fue una disculpa por la filtración. Fue una aceptación: el accidente había mostrado cuál era el foso real.
Esa aceptación es la clave para entender por qué Meta compite de forma distinta a Anthropic y OpenAI.
La tesis de Yann LeCun
El Chief AI Scientist de Meta es Yann LeCun, premio Turing 2018 por su trabajo fundacional en redes convolucionales. LeCun ha sido la cara pública de la postura open-weights de Meta. Su argumento tiene dos patas.
La primera es técnica. LeCun sostiene —y muchos investigadores le dan la razón— que los modelos de lenguaje autoregresivos actuales (GPT-4, Claude, Llama) no son el camino a capacidades realmente generales. En su lectura, los saltos cualitativos van a venir de arquitecturas distintas. Si esa tesis es correcta, entrenar un modelo más y cobrarlo caro no es la jugada ganadora de largo plazo.
La segunda pata es estratégica. Si el modelo base termina siendo una commodity dentro de pocos años, quien lo regale hoy construye ecosistema; quien lo cobre hoy queda atado a un foso que se va a erosionar. El vocabulario técnico para esto es "commoditizar al complemento" —un concepto que Joel Spolsky popularizó en 2002 pero que Meta aplicó a IA con más consistencia que nadie. Si lo que tu rival vende caro se vuelve gratis, el rival pierde el foso.
Entre medio de estas dos lecturas, Meta decidió que los modelos base son el complemento, y que lo que hay que cuidar es la distribución —WhatsApp, Instagram, Facebook— y los datos que alimentan la publicidad.
La secuencia Llama y la infraestructura detrás
Vale la pena ver la cadencia de releases para entender el ritmo de la empresa.
Llama 1 (febrero 2023). Cuatro tamaños: 7B, 13B, 33B, 65B parámetros. Acceso restringido. Filtración en 4chan cinco días después. La comunidad open-source moderna empieza acá.
Llama 2 (julio 2023). 7B, 13B, 70B. Licencia permisiva con derechos comerciales. Hito fundacional de la industria open-weights.
Llama 3 (abril 2024). 8B y 70B inicialmente. El 70B se volvió el caballito de batalla para quienes quieren hospedar su propia IA sin depender de terceros. Meses después, llegó la versión de 405B —competitiva con GPT-4 en benchmarks principales.
Llama 3.1, 3.2, 3.3 (2024). Iteraciones sucesivas. Llama 3.3 70B igualó en muchos benchmarks al 405B original con un tercio de los parámetros — una demostración de que la eficiencia todavía tiene margen.
Llama 4 (abril 2025). Arquitectura de Mixture-of-Experts. El modelo más grande de la familia, Behemoth, se presentó con 2 billones de parámetros totales (no todos activos por token). Marcó el movimiento de Meta hacia MoE, el mismo camino que habían tomado OpenAI y Google en sus modelos de frontera.
La infraestructura que permite esa cadencia es ofensiva. Meta declaró en su conferencia de resultados del Q4 de 2024 un gasto de capital de alrededor de 65 mil millones de dólares en 2024, con proyección superior a 100 mil millones para 2025 — la inversión más agresiva del sector por orden de magnitud. Al cierre de 2024, Meta reportó tener más de 350.000 GPUs NVIDIA H100 instaladas. Esas cifras son comunicadas por la propia empresa y deben leerse como "dato de la parte interesada", como advertimos al cubrir otras métricas similares en nuestra cobertura del ecosistema.
Meta AI en WhatsApp: la otra jugada
Mientras Llama crecía como estándar open-weights, Meta ejecutó un movimiento paralelo: meter Meta AI dentro de las apps que más gente del mundo ya tiene instaladas.
Hoy Meta AI vive en tres lugares. Adentro de chats de WhatsApp (escribís "@Meta AI" y aparece). En la barra de búsqueda de Instagram. En Messenger de Facebook. La cifra que Meta comunicó en 2025 es superior a los 500 millones de usuarios activos mensuales — una cifra que, si se confirma con mediciones independientes, convertiría a Meta AI en la IA generativa con más usuarios del mundo por volumen absoluto.
Esa cifra tiene un asterisco importante. La mayoría de esos usuarios no eligieron Meta AI como herramienta. Meta AI eligió a los usuarios: apareció dentro de la app que ya tenían abierta, sin que mediara una decisión explícita. Esa es la definición técnica de ventaja de plataforma.
La fortaleza real: open-weights hospedable
Donde Meta genuinamente pega más fuerte es en un segmento específico del mercado profesional: empresas con requerimientos de privacidad que no pueden enviar datos a la nube de un tercero.
Un estudio jurídico que maneja causas bajo confidencialidad, un hospital con historias clínicas sujetas a regulación estricta, un banco con data transaccional — ninguno puede, por compliance, mandar esa información a Anthropic o a OpenAI. Con Llama, la historia es otra: descargás el modelo, lo corrés en tu propia infraestructura, y los datos nunca salen de tu red.
Llama 3.3 70B corre en hardware razonable —servidores con 4 a 8 GPUs— y entrega calidad cercana a Claude o GPT-4 en tareas de extracción, clasificación y resumen. No pagás por token. No dependés del uptime de un proveedor. No tenés vendor lock-in. Para ese perfil de cliente, Llama es la única opción viable en el mercado, y es una opción muy buena.
Las limitaciones honestas
Una lectura pro-Claude honesta tiene que nombrar lo que Meta no hace mejor.
Para el usuario profesional individual que quiere delegar trabajo de calidad —escribir un informe cuidado, analizar un contrato, razonar sobre un problema complejo en varios turnos— Meta AI y Llama no son la primera opción. Claude sigue siendo más consistente en instrucciones literales, más honesto cuando no sabe algo, y mejor en mantener coherencia en conversaciones largas. Esa es una diferencia medible en el trabajo, no un detalle teórico.
La diferencia es de prioridad. Anthropic invierte pesadamente en alineamiento y confiabilidad con Constitutional AI. Meta invierte pesadamente en escala, distribución y eficiencia. Son dos apuestas distintas. Para uso profesional serio, la apuesta de Anthropic se paga mejor. Para uso masivo ambient en tu celular y para hosting privado de empresas, la apuesta de Meta es imbatible.
Para cerrar y para seguir
Meta es la empresa más difícil de encajar en un relato único del sector. No compite en el mismo carril que Anthropic (confiabilidad profesional), ni en el mismo carril que OpenAI (aplicación masiva con suscripción), ni en el mismo carril que Google (integración profunda con suite ofimática). Meta juega su propio juego: open-weights en la capa de modelo, distribución pegada al usuario en la capa de aplicación, y capex ofensivo en la capa de infraestructura.
Esa estrategia tiene ganadores claros. Para empresas con data sensible, Llama es el único camino viable hoy. Para quinientos millones de personas que ya viven en WhatsApp, Meta AI es la IA de facto, aunque ni se enteren de que Llama existe. Para el profesional individual que produce trabajo delegable, Claude o ChatGPT siguen rindiendo más.
Si querés entender cómo se compara esta apuesta con las de los otros grandes, La carrera de las IAs arma el mapa completo. Si te interesa el tema de cómo se miden modelos de manera honesta —porque los benchmarks publicados por las propias empresas hay que leerlos con pinzas— Cómo se miden las IAs es el siguiente eslabón.
¿Tu empresa tiene datos que no pueden salir de tu red, o tu uso diario de IA es exploratorio y vive arriba del celular? Esa pregunta te dice cuál de las dos caras de Meta te sirve.
La decisión estratégica más consecuente de Meta en IA no fue entrenar Llama. Fue decidir, después de la filtración de febrero de 2023, que la filtración era información y no problema. Que el foso competitivo no estaba en los pesos del modelo, y que regalarlos era consistente con la estructura de valor de la empresa. Esa decisión, atribuida en parte a la lectura de Yann LeCun y ejecutada por Mark Zuckerberg con capex agresivo, definió la posición diferencial de Meta en el sector. Vale la pena desarmarla con precisión.
La tesis de "commoditizar al complemento", aplicada
El marco de Joel Spolsky en "Strategy Letter V" (2002) identifica una dinámica recurrente en mercados de tecnología. Todo producto tiene complementos: bienes que se consumen junto al producto y cuya demanda se mueve con él. La estrategia ganadora, según Spolsky, es identificar los complementos del producto propio y trabajar para que esos complementos sean commodities —baratos, abundantes, intercambiables. Porque cuando el complemento es barato, la demanda del producto propio sube.
Ejemplo clásico: IBM promovió Linux como alternativa a Windows porque el sistema operativo era complemento de los servidores IBM. Si Linux se volvía gratis y ubicuo, Windows perdía premium pricing, y los servidores IBM (el producto que IBM sí vendía) se volvían más atractivos.
El análisis análogo para Meta: los modelos base de IA son complemento de —para Meta— su plataforma de distribución y su negocio publicitario. Los clientes de Meta son los anunciantes. El valor que Meta captura viene de la atención que captura en WhatsApp, Instagram y Facebook, y de la calidad de segmentación de sus algoritmos publicitarios. Si los modelos de IA se vuelven commodities —gratis, abundantes, intercambiables— la posición de los rivales que dependen de cobrarlos caro (OpenAI, Anthropic) se debilita, y la posición de Meta —que monetiza atención y segmentación— se fortalece relativamente.
LeCun ha defendido esta lectura en charlas públicas y en threads en X con una consistencia que excede el posicionamiento corporativo. Hay una dimensión intelectual honesta en la apuesta, además de la dimensión estratégica.
Arquitectura técnica: la línea Llama
La arquitectura Llama siguió la tendencia Transformer decoder-only, con optimizaciones específicas que vale nombrar.
Llama 1 introdujo Rotary Position Embeddings (RoPE) y SwiGLU como activación en los feed-forward. Esos dos choques técnicos —ambos previamente explorados en papers académicos— pusieron a Llama 1 por encima de GPT-3 en eficiencia de entrenamiento por token.
Llama 2 añadió Grouped Query Attention (GQA) en los modelos más grandes, reduciendo memoria y acelerando inferencia sin degradación de calidad medible. La licencia Llama 2 Community License permitió uso comercial bajo restricciones específicas (más de 700 millones MAUs requieren licencia separada — cláusula anti-competitivamente-dirigida-a-Google-Amazon-Microsoft).
Llama 3 llevó la escala de datos de entrenamiento a 15 billones de tokens, un orden de magnitud superior a Llama 2. El 405B fue el primer modelo open-weights que genuinamente compitió con GPT-4 original en benchmarks principales. La crítica técnica honesta es que ese 405B, por su tamaño, no es hospedable de forma práctica sin infraestructura de clase datacenter; el modelo "útil en producción" del ecosistema open-weights sigue siendo el 70B.
Llama 3.3 70B —publicado fines de 2024— es la pieza de ingeniería más interesante de la secuencia. Con 70B de parámetros, iguala o supera al 405B original en varios benchmarks gracias a mejoras de post-training y a datos sintéticos de alta calidad. Es la evidencia empírica más clara de que la frontera ya no es puramente escala; es curaduría de datos, métodos de fine-tuning, y técnicas de destilación.
Llama 4 (abril 2025) pivota a Mixture-of-Experts. La serie incluye Scout (109B totales, 17B activos por token), Maverick (400B totales, 17B activos), y Behemoth (2T totales, 288B activos). La apuesta MoE alinea a Meta con las arquitecturas que OpenAI y Google estaban usando desde hace un ciclo de release, y permite escalar capacidad sin escalar linealmente el costo de inferencia. El trade-off es complejidad de servidos: los MoE requieren routing sofisticado y benefician menos de infraestructura modesta.
Benchmarks: régimen probatorio
Los benchmarks publicados por Meta para Llama deben leerse bajo el mismo régimen probatorio que aplicamos a cualquier dato auto-reportado por un actor interesado. Cifras orientativas del ciclo Llama 3.3 / Llama 4:
- MMLU (conocimiento general): Llama 3.3 70B y Llama 4 Maverick están en la banda 85-88%, comparable a los modelos cerrados de frontera en releases contemporáneos.
- HumanEval (codificación): Llama 3.3 70B alrededor del 88-90%.
- GSM8K / MATH (razonamiento matemático): competitivos en Llama 4, inferiores al tier o3 de OpenAI por diseño (Llama no usa inference-time chain-of-thought como modelo default).
En evaluaciones de consistencia de instrucción y ausencia de alucinaciones —las métricas donde Claude históricamente lidera— los modelos Llama quedan sistemáticamente por debajo de Claude Opus / Sonnet en la misma época. Esa brecha es menor en tareas mecánicas (extracción, clasificación estructurada) y mayor en tareas abiertas (redacción profesional, análisis con juicio).
La lectura editorial es que Meta no está invirtiendo en la misma frontera cualitativa que Anthropic. Está invirtiendo en una frontera distinta —eficiencia, escalabilidad abierta, distribución masiva— y esa elección estratégica, no un déficit técnico, explica la brecha de consistencia.
La apuesta de capex y la duda legítima
La cifra declarada por Meta para capex 2024 es cercana a 65 mil millones de dólares, con guidance superior a 100 mil millones para 2025 en su earnings call de Q4 2024. Esa es, por orden de magnitud, la inversión más agresiva del sector. El equivalente por orden de magnitud: más que el capex combinado de Anthropic, OpenAI y xAI en esos años.
¿Puede esa inversión monetizarse? La respuesta financiera honesta es que la pregunta está mal planteada. Meta no necesita que Llama genere revenue directo para que el capex rinda. Necesita tres cosas paralelas:
Primero, que Meta AI en WhatsApp / Instagram / Facebook aumente engagement y tiempo de sesión. Eso se monetiza en publicidad.
Segundo, que los algoritmos de segmentación publicitaria mejoren con modelos más capaces entrenados en infraestructura propia. Eso se monetiza en CPM más alto.
Tercero, que el ecosistema Llama capture mindshare y entrenamiento profesional en suficiente masa crítica como para que las capas de infraestructura y servicios alrededor de Llama sean defendibles contra el eventual movimiento equivalente de competidores —particularmente Alibaba con Qwen y DeepSeek con sus modelos.
Las tres proposiciones son razonables. Ninguna es certidumbre. La duda legítima sobre la apuesta Meta no es si el capex es defendible en 2026 —lo es, porque Meta puede absorberlo con cash flow operativo— sino si la ventaja de ser el líder open-weights occidental será durable frente a la presión de los laboratorios chinos que publican con más frecuencia y bajo licencias aún más permisivas.
El ecosistema open y el riesgo de balcanización
Un elemento que los análisis externos suelen subestimar es el efecto ecosistema que Llama generó. Hugging Face reporta más de 100.000 modelos derivados de Llama (fine-tunes, destilaciones, versiones en cuantización optimizada). Esa no es solo una cifra de vanidad: es infraestructura cognitiva distribuida. Cada fine-tune que resuelve un caso vertical —legal, médico, multilingüe— hace más valioso el ecosistema Llama como default.
El riesgo estratégico asociado es la balcanización. Si Qwen (Alibaba) y DeepSeek consolidan adopción en mercados asiáticos con licencias más permisivas y modelos de calidad comparable —como ya están mostrando en benchmarks contemporáneos— el ecosistema open se fragmenta. Meta como líder occidental, Qwen como líder asiático, y el moat de Meta se vuelve regional en lugar de global.
La respuesta de Meta a ese riesgo parece ser velocidad de release y escala. El capex ofensivo es, leído en ese marco, una apuesta a que la infraestructura absoluta —cómputo, datos, talento concentrado— se mantenga como ventaja durable aunque la capa de modelo se haya commoditizado.
Tesis editorial
Cierro con una tesis que excede el reporting y entra en evaluación.
El sector de IA en abril de 2026 se está estratificando en capas diferenciables con ganadores distintos. En la capa de aplicación masiva con suscripción, OpenAI lidera por mindshare y distribución vía Microsoft. En la capa de confiabilidad profesional delegable, Anthropic lidera por disciplina de alineamiento y consistencia operativa. En la capa de integración ofimática profunda, Google tiene ventaja estructural por posesión de la suite. En la capa de infraestructura y ecosistema open, Meta lidera —y es, posiblemente, el único gran actor occidental con estrategia coherente en esa capa específica.
Esa estratificación tiene una implicación útil para el profesional que decide herramientas. La pregunta correcta no es "¿qué IA es la mejor?". La pregunta correcta es "¿en qué capa vivo mi trabajo?". Si tu trabajo es producción delegable con stakes altos, Claude. Si tu trabajo es exploración con integración a Office, ChatGPT vía Copilot. Si tu trabajo es integración profunda en Workspace, Gemini. Si tu trabajo requiere hospedar IA on-premise por compliance, Llama.
La fortaleza diferencial de Meta es la cuarta categoría. Es estrecha, pero es real, y es la única categoría donde la posición de Anthropic u OpenAI es estructuralmente débil —no por falta de capacidad técnica, sino porque sus modelos de negocio dependen de que el modelo corra en su cloud. Meta jugó a ocupar el hueco que los otros no pueden ocupar sin canibalizar su propio negocio.
Esa es la apuesta que define a Meta en IA. Cinco años después del momento ChatGPT, esa apuesta está rindiendo donde tiene que rendir. Y la trayectoria de capex sugiere que Meta va a defender esa posición con una intensidad que el resto del sector va a tener que tomar en serio.
¿Cuál es la capa del stack de IA donde vive tu trabajo profesional, y qué proveedor tiene la apuesta más coherente con esa capa?
