Meta ofrece hasta un 95% de descuento a quienes compartan sus datos de uso con su modelo Muse Spark

Meta ha introducido un esquema de precios inusual para Muse Spark, su nuevo modelo pensado para operar agentes de codificación y agentes de otro tipo: quienes acepten que sus prompts y las respuestas del modelo se usen para entrenar futuras versiones pagan, de media, alrededor de un 95% menos que quienes no lo hacen. Según los datos recogidos en el artículo, bajo el acuerdo estándar un millón de tokens de entrada cuesta 1,25 dólares, mientras que en la modalidad "contribuidora" ese mismo millón cuesta solo 10 centavos. En el caso de los tokens de salida, el precio estándar es de 4,25 dólares por millón, frente a apenas 20 centavos bajo el esquema de contribución.

La maniobra se entiende mejor a la luz de las dificultades que Meta ha tenido para conseguir datos de entrenamiento de calidad. El artículo recuerda que a principios de año la compañía lanzó una iniciativa para monitorizar el uso que sus propios empleados hacían de los ordenadores, una medida que generó fuertes críticas internas y que fue suspendida en junio. Meta no respondió a las preguntas de TechCrunch sobre esta nueva política de precios, lo que deja sin aclarar hasta qué punto el descuento busca compensar directamente esa carencia de datos.

El valor de este tipo de información para mejorar los agentes queda ilustrado con una cita de Mario Zechner, desarrollador del harness de código abierto Pi, quien explicó a TechCrunch que el salto de capacidades observado en los agentes de codificación entre abril y octubre de 2025 se debió a que Claude Code almacenaba por defecto las sesiones de los usuarios y las empleaba en entrenamiento por refuerzo. El problema, señala el artículo, es que a medida que los fabricantes de modelos intentan llevar sus agentes más allá de la programación hacia otros flujos de trabajo profesionales, la falta de rastros digitales claros en esas tareas dificulta evaluarlos y mejorarlos.

Frente a esto, Arvind Narayanan, profesor de ciencias de la computación en Princeton, aporta un matiz relevante: las grandes empresas ya demuestran con su comportamiento que prefieren no ceder sus datos para entrenamiento. Según cita el artículo, Narayanan señaló en redes sociales que estas compañías se mantienen en planes empresariales facturados por token pese a que las suscripciones de consumo, como Claude Max o ChatGPT Pro, resultan entre 10 y 20 veces más baratas o incluso más; la diferencia principal entre ambos tipos de plan, apunta, radica en la retención de datos y en la gobernanza de TI empresarial. Bajo esa lectura, el esquema de Meta sería un reconocimiento explícito de esa dinámica: en lugar de dar por hecho que los clientes cederán sus datos, la compañía ofrece una compensación económica directa a cambio. El propio material de precios de Meta describe la vía de "contribuidor" como una forma de "reducir la barrera de entrada para prototipar, probar integraciones y escalar experimentos donde entrenar con los datos del cliente resulta aceptable".

Narayanan sugiere además que este tipo de incentivos económicos podría empujar a las grandes empresas a ser más cuidadosas al distinguir qué datos son verdaderamente propietarios y cuáles podrían compartirse con los proveedores de modelos.

El artículo enmarca finalmente esta jugada dentro de una competencia de precios más amplia entre los grandes laboratorios de IA. Se menciona que los nuevos modelos Fable y Mythos de Anthropic, presentados el día anterior a la publicación del artículo, incorporaron costes reducidos para el procesamiento de tokens en caché, y que los modelos más recientes de OpenAI recibieron recortes de precio importantes a finales de julio. En ese contexto, el modelo de Meta añadiría una variable distinta a la simple bajada de precios: no se trata solo de cobrar menos, sino de vincular explícitamente el precio al acceso a los datos de uso del cliente, algo que ningún otro competidor mencionado en el artículo parece haber formalizado de la misma manera.