Meta y Llama — la adopción más silenciosa del mundo

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?