Meta AI en España: Muse, Llama, costes y modelos locales

La IA más potente de Meta y la que conviene instalar en una pyme pueden ser modelos diferentes. Muse Wonder Full es su variante más avanzada; Muse Wonder se ofrece por API; Ember busca reducir el coste de tareas repetidas. Para trabajar en local, Glimmer y Spark Open permiten descargar pesos, con requisitos y licencias muy distintos. Llama sigue siendo relevante en instalaciones existentes.

Nuestra propuesta para una pyme española es probar un modelo local pequeño para documentos internos y una API para los trabajos que justifiquen enviar datos fuera. El circuito híbrido solo tiene sentido si delimita qué información puede salir y si la mejora se comprueba con tareas propias. Comprar más memoria no convierte un modelo abierto en la versión cerrada más capaz.

Tres advertencias cambian la decisión: la política de Llama 4 multimodal limita la licencia para personas y empresas domiciliadas en la UE; no debe trasladarse esa limitación a todos los modelos de Meta. El modo Contributor de Muse Code permite utilizar el contenido para entrenar y viene activado por defecto en suscripciones. Y un agente local también puede filtrar información si dispone de herramientas conectadas. Las fuentes y las condiciones se desarrollan en cada apartado.

Información contrastada el 13 de noviembre de 2026. Distinguimos documentación del fabricante, evaluaciones independientes y cálculos propios. No hemos realizado una prueba comparativa de estos modelos en una empresa cliente ni prometemos ahorro o seguridad absolutos.

Meta AI es un asistente; Muse es un producto de agentes; Muse Code es una herramienta de programación. Los modelos que los alimentan no son intercambiables. El catálogo reciente incluye los siguientes recorridos. Investigación de Meta · Selección oficial de modelos.

Wonder admite una ventana de 1.048.576 tokens y entiende texto, imágenes, vídeo, audio y PDF, con salida de texto. Eso no equivale a generar vídeo ni a disponer automáticamente de un navegador. Ficha de Wonder. Para los modelos abiertos, comprueba el repositorio exacto: Spark Open · Glimmer.

No confundas que WhatsApp tenga Meta AI con que tu cuenta disponga de Muse, de Wonder Full o de una API facturable. Son productos y contratos diferentes. Muse ofrece una modalidad gratuita con límites y suscripciones; su aplicación de escritorio es un cliente del servicio, no una prueba de que la inferencia ocurra en tu Mac. Funciones y acceso de Muse.

La política geográfica de Model API, actualizada el 9 de noviembre, no enumera España entre los territorios restringidos. Eso no garantiza el alta ni todas las funciones en cada cuenta: Meta exige que haya habilitado el acceso en la jurisdicción y puede imponer restricciones por modelo. Wonder y Full tienen además una restricción específica para Corea del Sur. No recomendamos eludir bloqueos mediante VPN. Política geográfica oficial.

Antes de implantar, realiza una comprobación con la cuenta empresarial que contratará: modelo seleccionable, límites, moneda e impuestos, factura, contrato de datos y funciones habilitadas. Para Muse, verifica además conectores y disponibilidad regional en su propio recorrido; no deduzcas la cobertura del agente de la cobertura de Model API.

El gráfico permite cambiar de pregunta: capacidad general, trabajo jurídico exigente o modelos pequeños con pesos abiertos. No sumamos pruebas diferentes en una nota propia. La fotografía general usa el Intelligence Index v5.0.1 de Artificial Analysis, con el nivel de razonamiento indicado para cada modelo. No es un porcentaje de trabajos empresariales resueltos.

En ese índice, Meta se sitúa por debajo de los mejores resultados actuales de Claude y Gemini, y también de GPT-6 Astra y GPT-6.1 Sol en las configuraciones seleccionadas. Sin embargo, Wonder Full encabeza la selección jurídica estricta de Harvey LAB-AA v1.1. Liderar una prueba concreta no implica liderar todas las tareas. Clasificación actual y configuraciones · Prueba jurídica y metodología.

En Harvey LAB-AA, superar casi todos los criterios puede seguir dando un suspenso si aparece una alucinación material. Su mejor resultado de 13,1 % debe leerse junto a esa exigencia: no acredita que un agente esté listo para asesorar sin revisión, ni que conozca correctamente el Derecho español. La prueba utiliza documentos y tareas de su propio conjunto.

Para el uso local, la comparación independiente con Qwen3.8 27B muestra una ventaja amplia de Qwen en el índice general seleccionado. Glimmer conserva interés por tamaño, licencia y orientación al dispositivo, pero no lo elegiríamos solo por pertenecer a Meta. Comparación Qwen–Glimmer.

Ojo con las versiones: el análisis de lanzamiento de Wonder utilizaba el índice v4.3; la clasificación consultada usa v5.0.1. Sus notas no son directamente comparables. También cambian conjuntos, agentes, jueces y métricas. Un SWE-bench Verified, un Terminal-Bench 2.1 y un Terminal-Bench 4.0 miden problemas distintos. Resultados del lanzamiento y sus límites.

Agentes y continuidad. Meta ha puesto el foco en recordar contexto útil y mantener objetivos durante tareas largas. La actualización del 6 de noviembre incorpora modelos especializados para Muse y Meta AI, entrenados usando Wonder; no significa que cada conversación ejecute directamente Wonder Full. Las mejoras de memoria anunciadas son evaluaciones del fabricante, no nuestra medición. Actualización de memoria y foco.

Programación. Wonder está pensado para cambios entre archivos, pruebas y recuperación de errores. Ember tiene sentido como ejecutor de subtareas acotadas, con un modelo más potente planificando y revisando. Esa arquitectura puede abaratar volumen; también añade coordinación, reintentos y puntos de fallo. Evalúa una tarea completa: cambio correcto, pruebas que pasan y tiempo del revisor. Diseño con planificador y ejecutores.

Documentos y trabajo profesional. La ventana larga facilita reunir materiales, pero no demuestra que se recuperen todos los detalles ni que desaparezcan las contradicciones. Exige citas a páginas y fragmentos, y prueba documentos escaneados, tablas, cláusulas modificadas y anexos. La presencia de un archivo en el contexto no prueba que se haya interpretado bien.

Diseño y multimedia. Muse Image, Voice Transcribe y SAM 3.1 son productos especializados: creación de imágenes, transcripción y segmentación respectivamente. No atribuyas sus capacidades al modelo local de texto. Para vídeo realista, consulta nuestra comparativa de generadores de vídeo. Catálogo oficial de modalidades.

Puntos débiles. La ficha de Wonder reconoce errores, sesgos, limitaciones espaciales y 3D, y cobertura desigual de idiomas. Las pruebas de conocimiento y los resultados locales no sostienen una superioridad general frente a toda la competencia. Las declaraciones comerciales sobre «superinteligencia» no sustituyen una evaluación de tus documentos, permisos y criterios de aceptación. Ficha técnica y limitaciones de Wonder.

Los pesos son conjuntos de valores numéricos aprendidos durante el entrenamiento. Junto con la arquitectura, el tokenizador y el programa que los ejecuta, determinan cómo el modelo procesa una entrada. No son un listado legible de todos sus conocimientos ni una base documental que puedas corregir cambiando una fila.

Disponer de pesos permite conservar una versión, ejecutarla en infraestructura elegida y, si la licencia lo permite, adaptarla. No implica acceso al conjunto completo de entrenamiento, ausencia de sesgos, trazabilidad de cada respuesta ni disponibilidad de todo el sistema comercial del proveedor.

No usaríamos un ajuste fino para memorizar expedientes personales o tarifas que cambian a diario. Primero probaríamos recuperación con control de acceso y trazabilidad. Los adaptadores también pueden memorizar información del entrenamiento: repartirlos no equivale a compartir únicamente un «estilo» inocuo. El CEPD exige valorar caso por caso si un modelo puede considerarse anónimo. Dictamen 28/2024 del CEPD.

Para empezar una prueba local de Meta, nuestra primera candidata sería Glimmer si importa su licencia Apache y el trabajo con herramientas e imágenes; Llama pequeño para tareas sencillas o equipos existentes; Llama 3.3 70B si ya tienes memoria y un flujo textual validado. Compararíamos al menos un rival del mismo tamaño antes de comprar hardware.

Glimmer ofrece variantes cuantizadas para envolventes de 24 o 32 GB. En un Mac, la memoria es compartida con el sistema y otras aplicaciones: reservaríamos margen adicional y empezaríamos con contexto moderado y un solo usuario. Los resultados de velocidad del fabricante corresponden a equipos y motores concretos; no los trasladamos a cualquier portátil. Despliegue de Glimmer.

La cuenta bruta es parámetros × bits ÷ 8, en GB decimales. No incluye escalas de cuantización, caché de atención, imágenes, programas, activaciones ni sistema operativo. En un modelo de expertos como Spark Open, los 42B activos reducen parte del cómputo por token; no significan que baste almacenar 42B pesos. Arquitectura y despliegue documentado de Spark Open.

Dos ordenadores no suman automáticamente su RAM para una aplicación: hace falta un motor que distribuya el modelo, una conexión compatible y una versión probada del software. Tampoco deducimos que quepa un contexto de un millón de tokens porque quepan los pesos. Para dimensionar una instalación Mac con varias máquinas, ampliamos criterios en la guía de IA local para empresas con Mac.

Para una interfaz de escritorio pueden servir LM Studio u Ollama cuando su versión soporte el modelo, formato y modalidad elegidos; MLX se orienta a Apple Silicon y vLLM/SGLang a servicios con hardware compatible. Verifica el repositorio oficial y las instrucciones de la versión, incluidos visión y herramientas. Instalar una interfaz no instala un agente persistente completo. Formatos, artefactos y ficha de Glimmer.

Una solución híbrida puede redactar con fuentes internas en local y enviar a una API solo un problema desprovisto de datos identificables. Pero quitar el nombre no siempre anonimiza un expediente. El filtro de salida debe ser una regla verificable, con excepciones y responsable, no una petición de «ser discreto» al modelo.

Local tampoco significa desconectado: una búsqueda web, un complemento de OCR, un modelo de embeddings remoto, registros de errores o una copia en nube pueden sacar información. Dibuja el recorrido completo y comprueba las conexiones reales. El riesgo depende del sistema desplegado y de sus accesos, además del modelo.

Tarifas oficiales consultadas el 13/11/2026: USD por millón de tokens, sin conversión a euros ni impuestos. Entrada en caché solo cuando el proveedor la reconoce. Los tokens de razonamiento facturables forman parte del consumo de salida. Precios, herramientas y límites oficiales.

En Ember, el umbral incluye la entrada en caché y el precio superior se aplica a toda la solicitud. Una ventana de un millón de tokens puede estar disponible y aun así resultar más cara. Búsqueda web añade 2,50 USD por 1.000 consultas; Muse Image, 0,01 USD por imagen; transcripción, 0,18 USD por hora de audio. Son productos y unidades diferentes.

No publicamos un precio mensual en euros inventado: la documentación de suscripciones no muestra una tabla universal de importes y remite a la oferta regional durante el alta. Comprueba el total español y la renovación antes de contratar. Muse, Muse Code y Model API no comparten automáticamente la misma cuota. Planes y condiciones de Muse Code.

En local no hay una factura de Meta por cada token de los pesos descargados permitidos por su licencia. Sí hay equipos, servicio técnico, energía y posibles condiciones comerciales. Una API de Spark Open o Glimmer servida por un tercero usa sus propios precios y condiciones; no le atribuyas las tarifas de Spark cerrado.

Con 10.000 peticiones al mes, 2.000 tokens nuevos de entrada y 500 de salida por petición, sin caché, herramientas ni reintentos, la cuenta es 4,50 USD en Ember, 46,25 USD en Spark Standard y 180 USD en Wonder. Es un cálculo aritmético con la tabla anterior, no una carga empresarial medida ni una garantía de igual calidad.

Para comparar local, usamos un supuesto propio: equipo de 4.000 €, configuración de 600 €, reparto a 36 meses, mantenimiento de 120 €/mes y consumo medio de 120 W durante 176 horas a 0,22 €/kWh. Resultado: unos 252,42 €/mes de coste repartido. No es una oferta comercial ni el precio necesario para todos los modelos. Si ya posees el equipo, compara tanto el coste adicional como su uso alternativo.

Un minuto de revisión por cada una de esas 10.000 peticiones supone 166,7 horas. Por eso mediríamos coste por resultado aceptado, latencia y tiempo del revisor antes de atribuir rentabilidad al modelo. No convertimos horas liberadas en ahorro de caja sin un gasto efectivamente evitado.

La calculadora permite variar volumen, memoria y coste operativo. La paridad inicial de conversión es un supuesto editable, no el cambio actual USD/EUR. No incluye IVA, financiación, averías, refrigeración adicional, almacenamiento documental, copias, seguridad, integración o revisión humana; incorpóralos al presupuesto real. Para evaluar un piloto completo, consulta los errores que hacen perder dinero al implantar IA.

En Model API Standard, Meta afirma que no usa el contenido para entrenar sus modelos; Contributor sí permite ese uso. Sus condiciones distinguen Content —prompts, archivos, código y respuestas— de Customer Data, que se refiere a datos de cuenta. Leer «no entrenamos con Customer Data» sin esa definición puede conducir a una conclusión equivocada. Compromisos y definiciones de datos.

Muse Code activa Contributor por defecto en suscripciones. Desactivarlo cambia el tratamiento del contenido futuro y se configura por ordenador; conviene comprobar también ejecuciones automáticas. No enviaríamos repositorios privados ni datos de clientes antes de verificar el ajuste y el contrato aplicable. La API Standard y el agente personal Muse no deben darse por equivalentes.

La retención cero de Model API requiere habilitación separada para organizaciones elegibles. Tiene excepciones legales y de abuso, no cubre a terceros y desactiva funciones que necesitan almacenar información, como estado remoto, segundo plano, cargas de archivos y búsqueda. No es el comportamiento predeterminado del plan normal. ZDR: alcance, excepciones e incompatibilidades.

Muse describe una máquina virtual aislada, credenciales separadas y un control externo llamado Sentinel para autorizar acciones. Es una arquitectura relevante, pero no impide todos los errores. Su documentación distingue Secure VM de Confidential VM: la primera no impide por sí sola que Meta acceda a datos cuando resulte necesario para operar el servicio. No presentamos la promesa de una versión confidencial como protección ya comprobada en una cuenta. Arquitectura y límites declarados de Muse.

El 14 de agosto de 2026, Meta reconoció que una evaluación externa de una versión previa de Spark 1.1 acabó afectando a un sitio real. Según su relato, el evaluador Irregular dejó acceso a Internet y proporcionó por error un objetivo real: el modelo explotó una vulnerabilidad, accedió a información y modificó una base de datos. Se detuvo la evaluación y se notificó al afectado. La explicación y el alcance citados proceden de Meta; no se demuestra una campaña de espionaje ni que todas las versiones actúen igual. Comunicado del incidente.

La lección para una pyme es concreta: una instrucción de prueba no aísla una red. Los límites deben seguir funcionando si el modelo interpreta mal el objetivo. No hacen falta conocimientos ofensivos para aplicar controles básicos:

• Solo lectura al inicio: cuentas con acceso a carpetas concretas y sin permisos de envío, borrado o cambio de precios.
• Separar lo leído de lo autorizado: documentos y webs pueden contener instrucciones maliciosas. El agente debe tratarlas como datos; un control externo valida destino y operación.
• Bloquear salidas innecesarias: permitir únicamente servicios y dominios aprobados, con registros mínimos de auditoría.
• Preparar recuperación: versiones, copia verificada y una persona capaz de detener el proceso y revocar accesos.
• Probar con información ficticia: verificar que no se mezclan clientes y que las aprobaciones se exigen en el servicio real.

Los pesos pueden estar alterados, mal etiquetados o acompañados por código no confiable. Descarga de la organización oficial, fija versión y verifica procedencia y archivos. Formatos que reducen ejecución de código no eliminan riesgos del programa que los carga. Un derivado al que se retiran negativas de seguridad no queda acreditado como más preciso ni como adecuado para una empresa.

La apertura facilita auditoría y adaptación, pero también reutilización indebida, fraude o automatización a escala. Una vez distribuidos los pesos, retirar una API no recupera todas las copias. Y el sistema local conserva riesgos de alucinaciones, sesgos y acciones erróneas. Nuestra guía de ciberagentes defensivos desarrolla controles de defensa sin reproducir ataques.

Primera capa: la licencia concreta. Glimmer se publica bajo Apache 2.0. Spark Open utiliza Muse Model License, que permite modificar, ajustar, destilar y redistribuir con condiciones: conservar avisos, licencia y política de uso, y la atribución exigida. Para determinadas actividades de Model as a Service con ingresos agregados superiores a 20 millones USD en doce meses, exige acuerdo separado. No es un umbral general para cualquier uso empresarial interno. Licencia íntegra de Spark Open.

Llama 3.3 tiene licencia comunitaria propia, atribución y condiciones adicionales para organizaciones que superaban 700 millones de usuarios activos mensuales en la fecha de lanzamiento. La apertura de los pesos no equivale a una licencia sin restricciones. Licencia de Llama 3.3.

La exclusión europea de Llama 4 multimodal es contractual, no una prohibición general de la UE contra Meta. Su política no concede los derechos correspondientes a personas domiciliadas o empresas con sede principal en la UE, con excepción para usuarios finales de productos o servicios que incorporan el modelo. Esa excepción no autoriza automáticamente a una empresa española a alojar los pesos. Llama 3.2 Vision tiene una restricción similar; las variantes de texto deben comprobarse por separado. Política oficial de Llama 4 · Política de Llama 3.2.

Segunda capa: RGPD y LOPDGDD. Si tratas datos personales, trabajar en local no elimina las obligaciones de finalidad, base jurídica, minimización, información, conservación, seguridad y ejercicio de derechos. Identifica responsables, encargados y subencargados; la EIPD depende del riesgo del tratamiento, no de que aparezca «IA» en su nombre. Una decisión exclusivamente automatizada con efectos significativos requiere analizar el artículo 22 y las garantías aplicables. Guía de la AEPD, actualmente en revisión · RGPD.

Tercera capa: Reglamento de IA. No todos los asistentes son de alto riesgo. Importan finalidad, sector, forma de uso y papel de cada actor. Modificar o comercializar un sistema puede cambiar tus responsabilidades; un adaptador no convierte automáticamente a cualquier pyme en proveedor de un modelo con riesgo sistémico. Las exenciones ligadas al código abierto tampoco eliminan todas las obligaciones. Criterios de la Comisión para proveedores GPAI.

El calendario vigente consultado incorpora el Reglamento (UE) 2026/1744: las reglas correspondientes a alto riesgo del anexo III se aplicarán desde el 2/12/2027 y las ligadas a determinados productos desde el 2/08/2028. No debe copiarse sin actualizar el calendario original de 2024. Las obligaciones ya aplicables y la protección de datos siguen exigiendo análisis. Texto oficial de la modificación · Aplicación y supervisión actuales.

Para selección de personal, crédito, salud, educación, biometría o infraestructura crítica, comprueba además regulación sectorial y uso concreto antes de automatizar decisiones. Un buen resultado en una prueba jurídica no es una certificación legal del modelo ni de tu instalación.

Meta es una compañía estadounidense; el proveedor contractual puede ser una entidad distinta según región y producto. Eso justifica revisar jurisdicción, residencia, acceso de soporte y transferencias. No demuestra que cada consulta se comparta automáticamente con un gobierno.

La CLOUD Act contempla requerimientos legales a proveedores bajo jurisdicción estadounidense respecto de datos bajo su posesión, custodia o control, aunque estén almacenados fuera de EEUU. Su existencia no equivale a acceso libre a todos los equipos del mundo. Si el contenido nunca sale de un despliegue local controlado y el proveedor no dispone de él, el origen de los pesos no le da por sí solo acceso técnico a esos documentos. Texto de la CLOUD Act.

En nube, documenta el mecanismo válido de transferencia internacional, sus destinatarios y alcance, junto con las medidas necesarias. Ubicación en Europa, cifrado de transporte y ausencia de entrenamiento responden a preguntas distintas. No damos por garantizada residencia europea ni acceso exclusivamente europeo porque la factura tenga una entidad irlandesa.

Para otros países también importan restricciones de exportación, disponibilidad y cambios contractuales. En modelos abiertos, verifica la licencia de la versión que conservas; en servicios, prepara una salida y exportación de datos si cambia el acceso. Aplicamos el mismo criterio de procedencia, comportamiento y arquitectura a Meta y a los modelos chinos de pesos abiertos, sin atribuir riesgos idénticos a jurisdicciones diferentes.

Son propuestas de piloto, no casos de éxito de HocusPocus ni capacidades garantizadas de cualquier variante. En castellano, prueba nombres, acentos, tablas, números con coma decimal y expresiones del sector. Para documentos bilingües o lenguas cooficiales, añade pruebas separadas. La etiqueta «multilingüe» no sustituye esa comprobación.

Utiliza primero información ficticia o autorizada. Estos prompts definen entregables, pero no configuran cortafuegos, permisos ni contratos. Los límites técnicos se aplican fuera de la conversación.

Para empezar: un proceso textual de bajo riesgo, unas 50 tareas representativas y criterio de aceptación por escrito. Si necesitas confidencialidad operativa y ya tienes hardware, prueba Glimmer y un rival local del mismo tamaño. Si prima la calidad en tareas difíciles y puedes contratar el tratamiento de datos adecuado, compara Wonder con los mejores servicios alternativos. Para trabajo repetitivo, mide Ember antes de encargar todo al modelo más caro.

Durante dos semanas usa el mismo conjunto reservado de documentos para cada candidato. Registra resultado aceptado, errores graves, minutos de revisión, latencia, consumo y fallos de herramientas. Después prueba continuidad, revocación de accesos y restauración con datos ficticios. Amplía permisos solo cuando el responsable acepte la evidencia.

No compraríamos un despliegue de Spark Open de gran tamaño para «tener lo mejor de Meta» sin demostrar primero una necesidad que Glimmer, otro modelo abierto o una API no resuelvan mejor. La comparación final debe incluir calidad útil, control, coste total y capacidad de mantener el sistema. También puedes contrastar Mistral en nube y local y OpenAI y ChatGPT.

Revisión editorial: 13 de noviembre de 2026. Los enlaces junto a las afirmaciones llevan a fichas, licencias, documentación de producto, evaluaciones independientes y autoridades. La selección compara versiones y configuraciones concretas; no es una clasificación exhaustiva del mercado. «No confirmado» no significa «inexistente».

Los benchmarks pertenecen a sus autores y no son pruebas de HocusPocus. Las cifras del proveedor se identifican como tales. No extrapolamos evaluaciones de laboratorio a porcentajes de fiabilidad de una empresa. Memoria bruta, escenarios económicos, prompts y propuesta de piloto son elaboración propia; no son presupuestos ni asesoramiento jurídico individual.

Las tres ilustraciones son originales, conceptuales y creadas con IA. Los gráficos y calculadoras no utilizan servicios externos ni conservan valores. Las condiciones regionales, precios, licencias y normativa pueden cambiar: verifica la versión aplicable al contratar y antes de poner el sistema en producción.