Meta racionó tokens y ahora vende GPU: el coste real de la IA interna

Meta ha empezado a poner topes internos al consumo de tokens de IA porque el gasto se acercaba a cifras de miles de millones de dólares solo en 2026. Al mismo tiempo, la compañía está construyendo un negocio cloud para vender su capacidad computacional sobrante a clientes externos, siguiendo el manual de SpaceX con Starlink. Dos noticias que parecen contradictorias pero que en realidad narran la misma historia: escalar IA en producción es extraordinariamente caro, y nadie —ni siquiera Meta con 145.000 millones de dólares de inversión planificada este año— está exento de la presión de los costes de inferencia.

Cuando el mayor evangelista de la IA open source frena el gasto interno

Que Meta, la empresa que ha apostado más agresivamente por democratizar los modelos de lenguaje con Llama, tenga que imponer racionamiento interno de tokens dice mucho más de lo que el comunicado oficial sugiere. No estamos ante un problema de eficiencia puntual: estamos ante la confirmación de que la fase de experimentación masiva interna ha generado una cultura de consumo descontrolado de cómputo que ahora toca disciplinar.

El paralelismo con AWS es inevitable. Amazon tardó años en convertir su infraestructura interna —construida para soportar los picos de demanda propios— en un negocio externo rentable. Meta está intentando comprimir ese ciclo. Con 145.000 millones de dólares invertidos en infraestructura de IA solo en 2026, tener capacidad ociosa es un lujo que ningún CFO puede defender ante el consejo. La solución: monetizarla vendiéndola a terceros.

El problema real, que el anuncio oficial no menciona, es que esto convierte a Meta en competidor directo de AWS, Azure y Google Cloud en el segmento de inferencia a escala. No como proveedor de modelos (eso ya lo hace vía API), sino como proveedor de infraestructura cruda de computación acelerada. Un movimiento que NVIDIA lleva meses preparando el terreno para facilitar, precisamente con su programa de apertura a socios de capital para construir "AI factories" de operación continua.

NVIDIA y las AI Factories: la infraestructura que nadie ha presupuestado correctamente

El blog de NVIDIA lo llama "la próxima era de la inferencia en producción". La traducción directa para un CTO español es: el coste de tener tus modelos corriendo 24/7 generando tokens a escala empresarial es un orden de magnitud mayor de lo que tu equipo estimó durante la fase piloto.

NVIDIA está invitando activamente a socios de capital a cofinanciar estas infraestructuras porque sabe que la demanda existe pero la inversión inicial es una barrera de entrada real. Las AI Factories —centros de cómputo dedicados exclusivamente a inferencia masiva, multiusuario y de alta disponibilidad— son la respuesta de la industria al problema que Meta acaba de reconocer públicamente: no puedes tratar el cómputo de IA como un recurso ilimitado.

Para las empresas medianas y grandes que están evaluando llevar sus proyectos piloto a producción, esto tiene implicaciones directas. El modelo de "pago por token" de las APIs públicas deja de ser económico a cierta escala. Pero construir o acceder a infraestructura dedicada requiere compromisos de capex que la mayoría de los equipos de producto no tienen autorización para aprobar. Es exactamente el tipo de análisis coste-beneficio que una buena consultoría de IA debería estar haciendo con sus clientes antes de que firmen cualquier contrato cloud.

Kimi K2.7 y Senior SWE-Bench: el benchmark que cambia la conversación sobre agentes de código

Mientras se debate sobre infraestructura, en la capa de modelos hay novedades relevantes. Kimi K2.7 Code está ahora disponible de forma general en GitHub Copilot para todos los usuarios, lo que significa que Microsoft ha decidido diversificar su dependencia de OpenAI en su producto estrella de desarrollo. No es un movimiento menor: Copilot tiene decenas de millones de usuarios activos y es la puerta de entrada de muchos equipos de ingeniería a la IA asistida.

El problema con este tipo de anuncios es siempre el mismo: ¿qué significa "disponible" en términos de rendimiento real? Aquí entra Senior SWE-Bench, el benchmark de código abierto que merece más atención de la que está recibiendo. A diferencia del SWE-Bench original, este evalúa a los agentes de IA frente a tareas que un ingeniero senior consideraría no triviales: refactorizaciones complejas, debugging en sistemas legacy, diseño de APIs con restricciones de compatibilidad. Es decir, el tipo de trabajo que realmente diferencia a un equipo de ingeniería productivo de uno mediocre.

Los agentes autónomos de desarrollo de software están siendo vendidos con benchmarks que miden tareas de nivel junior. Senior SWE-Bench es el primer intento serio de medir lo que importa a nivel empresarial. Cualquier agencia o equipo que esté evaluando soluciones de automatización de código debería exigir resultados en este benchmark, no en los estándar.

El ecosistema de agencias de IA en Barcelona que trabaja con equipos de producto tech —especialmente en el sector fintech y e-commerce— está viendo cómo sus clientes preguntan cada vez más por agentes de código que puedan trabajar en bases de código reales, no en tutoriales. Senior SWE-Bench pone por fin un número a esa pregunta.

La apuesta de 30 millones contra Microsoft Office: ruido o señal real

Bhavin Turakhia, el empresario detrás de Zeta y Flock, lanza Neo con 30 millones de dólares propios para crear una alternativa a Microsoft Office basada en IA. El anuncio es visualmente atractivo: fundador serial, capital propio (lo que elimina la presión de VC a corto plazo), mercado objetivo enorme.

Pero seamos directos: atacar a Microsoft Office en 2026 es una de las empresas más difíciles del sector tecnológico. Google lleva quince años intentándolo con recursos prácticamente ilimitados y Office sigue siendo el estándar corporativo en el 80% de las grandes empresas europeas. La diferenciación vía IA es real pero insuficiente si no va acompañada de una estrategia de gestión del cambio brutal. Las empresas no abandonan Office por tener mejores sugerencias de redacción; lo abandonan cuando el coste total de propiedad hace insostenible la renovación de licencias.

30 millones es suficiente para construir un producto convincente y captar early adopters, pero no para mover la aguja en enterprise. Interesante como señal de que el espacio de productividad AI-first sigue atrayendo capital serio. Irrelevante como amenaza para Microsoft en el horizonte de los próximos tres años.

Para quienes buscan soluciones de integración de IA en entornos de trabajo ya instalados, la realidad práctica sigue siendo: optimizar y extender Microsoft 365 con Copilot o conectores custom es más rentable que migrar plataformas.

El problema de fondo que todas estas noticias comparten

Hay un hilo conductor entre el racionamiento de tokens de Meta, las AI Factories de NVIDIA, el benchmark Senior SWE-Bench y el coste de infraestructura que ningún proveedor menciona en sus demos: la brecha entre lo que la IA promete en un piloto y lo que cuesta sostener en producción es todavía enorme.

Meta gastó miles de millones en tokens internamente antes de decidir que necesitaba un sistema de control. NVIDIA construye un programa de capital compartido porque sabe que nadie puede costearse solo una AI Factory. Senior SWE-Bench existe porque los benchmarks actuales no reflejan el coste real de debugging en producción.

Las agencias de IA en Madrid y en el resto de España que están asesorando a empresas en transición de piloto a producción tienen una oportunidad real aquí: la conversación ya no es "¿funciona la IA?" sino "¿cuánto cuesta mantenerla funcionando y a qué escala se vuelve rentable?". Quien sepa responder esa pregunta con datos —no con demos— va a liderar el mercado de consultoría IA en los próximos doce meses.

La predicción más probable para el segundo semestre de 2026: veremos la primera oleada de proyectos de IA enterprise que se pausan o se revierten no por fracaso técnico, sino por incapacidad de las organizaciones para gestionar el coste operativo de la inferencia a escala. Meta acaba de darnos el primer dato público de lo que eso significa en números reales. El resto del mercado tardará en reconocerlo, pero la señal está ahí.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

• Directorio de agencias de automatización con ia
• Agencias de IA en Sevilla y en Zaragoza
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real