Meta convierte a 3.000 empleados en una fábrica de datos de RL mientras compite por superar la capacidad de cómputo de OpenAI y Anthropic
Informe de progreso de un año de SemiAnalysis sobre Meta Superintelligence Labs, publicado el 9 de julio de 2026
Un año después de que la desastrosa recepción de Llama 4 obligara a Mark Zuckerberg a desmantelar y reconstruir toda la organización de IA de Meta, SemiAnalysis ha publicado un informe de progreso detallado sobre Meta Superintelligence Labs (MSL) que replantea cómo los inversionistas deberían considerar la posición de Meta en la carrera de la IA de frontera. El informe, elaborado por Max Kan, Julien Martin-Prin, Jeremie Eliahou Ontiveros y Dylan Patel, sostiene que Meta está ensamblando silenciosamente la única infraestructura entre los proveedores de hiperescala que es de clase mundial en los tres insumos necesarios para construir IA de frontera: datos, talento y cómputo. El hallazgo más sorprendente no es una puntuación de referencia, sino una política corporativa: Meta ha comenzado a rastrear las pantallas, teclados y movimientos del mouse de sus empleados, convirtiendo efectivamente a su propia fuerza laboral en una operación de datos de aprendizaje por refuerzo (RL, por sus siglas en inglés) patentada.
El programa de vigilancia de empleados de Meta se convierte en una mina de oro oculta de RL
SemiAnalysis enmarca la iniciativa de seguimiento interno, que provocó una reacción significativa de los empleados y prensa negativa cuando salió a la luz, como uno de los movimientos más valiosos y subestimados que Meta ha realizado en todo el año. La lógica se basa en cómo los laboratorios de IA modernos construyen entornos de aprendizaje por refuerzo. Los laboratorios de frontera ya no mejoran los modelos simplemente prediciendo el siguiente token; entrenan modelos para completar tareas completas, lo que requiere entornos, herramientas y verificadores realistas. El informe argumenta que las grabaciones de pantalla de trabajo administrativo real son insumos excepcionalmente valiosos para este proceso porque son, por definición, representativos de tareas económicas reales y no de los escenarios "artificialmente sobreespecificados" que se encuentran en benchmarks como GDPval de OpenAI, los cuales los autores critican directamente, señalando que algunas tareas vienen con instrucciones que un humano "jamás escribiría" en la práctica.
Lo que convierte esto en una ventaja estructural genuina para Meta, según el informe, es la escala. Proveedores de datos externos como Mercor, Surge y Handshake han superado cada uno los $1.000 millones en ingresos recurrentes anuales mediante la contratación de expertos para construir estos entornos, con Mercor registrando 2,517 millones de horas de expertos solo en el segundo trimestre de 2026, lo que equivale aproximadamente a 4.800 trabajadores a tiempo completo. Meta, argumenta el informe, "ya está en el mismo nivel" utilizando a su propio personal, con una calidad promedio posiblemente mayor, y puede recurrir a un grupo de aproximadamente 70.000 empleados adicionales si el enfoque resulta efectivo. A finales de mayo, Meta formalizó esto en una nueva "organización de ingeniería de IA aplicada", reasignando a aproximadamente 3.000 ingenieros, incluido el 70% de los recién graduados, para construir tareas y entornos de RL a tiempo completo. SemiAnalysis es directa sobre la importancia estratégica: "Creemos que esta es una ventaja extremadamente subestimada para MSL".
El aumento del cómputo: cinco titanes de un gigavatio simultáneos
Más allá de los datos, el informe detalla lo que denomina la construcción de centros de datos más agresiva jamás observada en la industria. Meta está construyendo simultáneamente cinco clústeres que superan el gigavatio cada uno: Prometheus en Ohio, Hyperion en Luisiana y tres campus sin nombre en El Paso, Iowa e Indiana. SemiAnalysis señala que ninguna empresa había construido previamente más de un campus de un gigavatio a la vez, siendo el precedente más cercano el Proyecto Rainier de 800 megavatios de AWS en Indiana. Meta tiene actualmente dos sitios a escala de gigavatio bajo construcción simultánea. En Hyperion, Meta está construyendo lo que el informe denomina los edificios individuales más grandes del mundo con 400 megavatios cada uno, con 1,5 gigavatios en construcción hoy. En Iowa, las imágenes satelitales citadas en el informe muestran a Meta pasando de un sitio vacío a un gigavatio completo en construcción en un solo año.
El modelo de tokenomics de SemiAnalysis proyecta ahora que Meta tendrá más cómputo de IA total que OpenAI y Anthropic para finales de 2026. La firma advierte que una parte significativa de esta capacidad seguirá sirviendo a los sistemas de recomendación y publicidad generativa en lugar del entrenamiento de modelos de frontera, pero incluso bajo supuestos conservadores que aíslan sitios específicos de centros de datos de alto perfil para MSL, el cómputo de entrenamiento de Meta es comparable al de OpenAI y Anthropic hasta 2027. El contraste financiero con Google es explícito: Meta carece de un negocio de alquiler en la nube que compita por las mismas GPU, y la disposición de Zuckerberg a operar con un flujo de caja libre negativo le otorga a Meta una flexibilidad que ni Microsoft ni Google ejercen actualmente para el entrenamiento de modelos internos.
Resolviendo la escala transversal: AI-Backbone y la red de 2.000 kilómetros
El informe ofrece un nivel poco común de detalle técnico sobre cómo Meta está conectando estos campus, un problema que la industria denomina "escala transversal" (scale-across). Prometheus, en lugar de ser un solo sitio, se describe como una constelación de 27 centros de datos repartidos en seis campus, cinco agrupados a menos de 6 kilómetros entre sí y un sexto a unos 75 a 80 kilómetros de distancia. La respuesta de Meta es una nueva arquitectura llamada AI-Backbone, una evolución de su red 10X Backbone existente, que utiliza centros de agregación y superspine en capas para entregar aproximadamente 22 petabits por segundo de ancho de banda bidireccional en todo el clúster Prometheus. Las conexiones entre campus dependen de una combinación de óptica de largo alcance y sistemas de multiplexación por división de onda densa, dependiendo de la distancia de la fibra.
Esta arquitectura no está exenta de compensaciones. SemiAnalysis señala que la latencia dentro de una sola región de escalado oscila entre 1 y 10 microsegundos, pero llegar a un sitio a 100 kilómetros de distancia no puede caer por debajo de unos 500 microsegundos debido a los límites físicos de la propagación de la luz en la fibra, lo que obliga a Meta a ejecutar el preentrenamiento de forma síncrona dentro de una sola región mientras distribuye las cargas de trabajo de aprendizaje por refuerzo de forma asíncrona en todo el mundo. El informe indica que los futuros sitios titán llevarán este diseño más allá, vinculando campus a hasta 2.000 kilómetros de distancia.
Ensamblando, y ocasionalmente perdiendo, al super equipo
En cuanto al talento, el informe rastrea una contratación continua de alto perfil más allá del acuerdo de $14.300 millones con Scale AI del año pasado que trajo a Alexandr Wang, incluyendo la contratación del cofundador de Thinking Machines, Andrew Tulloch, junto con varios miembros del equipo fundador de esa startup, y los ex investigadores de OpenAI Jason Wei, Hyung Won Chung y Zhiqing Sun. Meta también incorporó a Dina Powell McCormick como Presidenta y Vicepresidenta para ayudar a construir su flota de cómputo y reclutó al equipo de liderazgo de cómputo de tres personas de OpenAI en abril. Sin embargo, el informe señala que uno de esos tres contratados ya se ha marchado, citando problemas de cultura interna de Meta dentro de la organización de infraestructura, un recordatorio de que reunir a un super equipo sobre el papel no garantiza la cohesión en la práctica.
SemiAnalysis tiene cuidado de moderar su optimismo. "Los felicitamos por reunir los recursos y el valor necesarios para intentar realmente construir RSI, pero ahora tienen que hacer el trabajo real", escriben los autores, añadiendo que cualquier señal de debilitamiento de la determinación, como firmar una venta de cómputo a largo plazo sin cláusulas de rescisión o dejar que los mejores investigadores se vayan, sería "equivalente a una sentencia de muerte para MSL".
Muse Spark 1.1: alcanzando, pero no alcanzado
Sobre el producto en sí, los analistas tuvieron acceso temprano a Muse Spark 1.1 antes de su lanzamiento oficial y lo evalúan aproximadamente a la par con Opus 4.6 de Anthropic o GLM 5.2 de Zhipu para casos de uso de agentes generales, una mejora notable respecto al lanzamiento original de Muse Spark en abril, que quedó rezagado frente a competidores de código abierto como DeepSeek v4 Pro y Kimi K2.6 en la mayoría de los benchmarks. La firma cree que el precio de Meta para el modelo, justo por debajo de GLM 5.2, fue probablemente una elección de posicionamiento deliberada. Aun así, el informe señala deficiencias funcionales, incluida una tendencia a ignorar las advertencias de código en lugar de corregirlas y el uso inadecuado de herramientas de edición, y afirma claramente que ninguno de los volúmenes internos de tokens de SemiAnalysis cambiará a Muse Spark 1.1. La firma no espera que Meta alcance la paridad con Anthropic u OpenAI antes de finales de 2026, incluso en su escenario más optimista.
La "mentalidad de perdedor" de Google y la lucha por el tercer lugar
El lenguaje más duro del informe está reservado para Google. A pesar de que Gemini 3 Pro y Nano Banana pusieron brevemente a Google en la conversación de frontera, SemiAnalysis argumenta que DeepMind está siendo estructuralmente privado del cómputo necesario para competir, con la mayoría de la capacidad incremental de centros de datos de Google en los próximos dos años proyectada para servir a sus negocios de infraestructura como servicio y API de terceros en lugar del entrenamiento de modelos internos. La firma señala que Google emitió recientemente $85.000 millones en capital para financiar infraestructura de IA adicional, pero cree que la mayor parte de esa nueva capacidad terminará siendo alquilada a clientes, incluidos Anthropic. "Esta es una mentalidad de perdedor por parte de Google", escriben los autores, añadiendo que DeepMind tendrá menos cómputo de entrenamiento que OpenAI, Anthropic y MSL en el futuro, y que Google ha seguido perdiendo investigadores clave de aprendizaje por refuerzo ante Anthropic porque sus esfuerzos de RL siguen estando demasiado descentralizados.
Citando los comentarios recientes de Alexandr Wang en un podcast de que los verdaderos laboratorios de frontera se construyen sobre la convicción de que la superinteligencia es inminente y que todas las decisiones comerciales deben fluir de esa creencia, el informe argumenta que el liderazgo de Google no tiene genuinamente esa convicción, a diferencia de la urgencia impulsada por los fundadores en OpenAI y Anthropic. El consejo de SemiAnalysis para Google, y por extensión para Microsoft AI y Amazon AGI, es redirigir de inmediato mucho más cómputo al desarrollo interno de modelos y poner a los ingenieros a trabajar en la generación de tareas de RL en lugar de seguir subsidiando los entrenamientos de los competidores. El informe cierra con una reordenación puntual del panorama competitivo: en su opinión, la carrera por el tercer lugar en la IA de frontera es ahora entre Meta y xAI de SpaceX, no Google.