Problemas y Tensiones en la Colaboración Entre Meta y Scale AI

Meta quiso acelerar su carrera por la superinteligencia con una jugada llamativa: una inversión de 14.300 millones de dólares en Scale AI y la llegada de varios de sus directivos estrella. El movimiento prometía velocidad y foco, y tú esperabas resultados rápidos. En pocas semanas han aparecido tensiones internas, dudas sobre la calidad de datos y salidas de talento que complican el plan.

Vamos a ver qué hay detrás de esta inversión de Meta en Scale AI, por qué se habla de proveedores alternativos como Mercor y Surge, y cómo impacta todo en el equipo Meta Superintelligence Labs. Si sigues de cerca la IA generativa, vas a poder leer un mapa claro de riesgos, decisiones y próximos hitos.

Qué significa la inversión de Meta en Scale AI para su estrategia de superinteligencia

La inversión de Meta en Scale AI no fue solo dinero. Meta incorporó a Alexandr Wang, fundador de Scale AI, y a varios ejecutivos para liderar Meta Superintelligence Labs (MSL). La apuesta buscaba desbloquear cuellos de botella tras el lanzamiento discreto de Llama 4 en abril, y reforzar el músculo para el próximo gran modelo antes de fin de año, tal y como ha trascendido en Business Insider.

Zuckerberg, frustrado con el ritmo de su equipo de IA, pisó el acelerador: fichajes de OpenAI, Google DeepMind y Anthropic, compras de startups de voz como Play AI y WaveForms AI, y una asociación con Midjourney. En paralelo, amplía centros de datos en EE. UU., con el complejo Hyperion en Luisiana valorado en 50.000 millones de dólares. Con todo, esta inversión de Meta en Scale AI ha empezado con baches inesperados.

Cronología de Meta y Scale AI: de la inversión millonaria a las primeras tensiones

Fichajes y organización en Meta Superintelligence Labs tras la inversión

Tras la inversión de Meta en Scale AI, Wang asumió un rol clave a pesar de no tener experiencia previa como investigador de IA, una elección poco habitual. Zuckerberg consideró a perfiles más tradicionales, como Mark Chen o Ilya Sutskever, pero esas opciones no prosperaron. No todos los ejecutivos procedentes de Scale AI trabajan en el núcleo de TBD Labs, el equipo central de superinteligencia.

Meta también reforzó plantilla con investigadores de primer nivel procedentes de OpenAI, DeepMind y Anthropic. Algunos recién llegados han abandonado pronto, lo que suma rotación al equipo y añade presión a la inversión de Meta en Scale AI, que buscaba precisamente atraer y retener talento.

Salidas tempranas y rotación tras el aterrizaje de Wang y nuevos equipos

El caso más sonado fue Ruben Mayer, ex vicepresidente senior de Producto GenAI y Operaciones en Scale AI, que dejó Meta a los dos meses. Algunas fuentes decían que no estaba en TBD Labs y solo llevaba operaciones de datos, pero Mayer aclara que sí estuvo en TBD Labs desde el primer día y que se marchó por motivos personales. Este episodio alimentó las dudas alrededor de la inversión de Meta en Scale AI.

En paralelo, también han salido Rishabh Agarwal (investigador de MSL), Chaya Nayak (directora de producto de IA generativa) y Rohan Varma (ingeniero de investigación). Según empleados actuales y anteriores, la unidad de IA se ha vuelto caótica, con frustración por la burocracia típica de una gran empresa y por el recorte del alcance del equipo previo de GenAI. Meta insiste en que su hoja de ruta sigue en marcha.

Meta y Scale AI: calidad de datos, proveedores alternativos y modelo de etiquetado

¿Por qué, tras la inversión de Meta en Scale AI, MSL trabaja también con Mercor y Surge? En IA es normal diversificar proveedores de etiquetado, pero no es frecuente invertir tanto en uno y, a la vez, apoyarse en competidores directos. El mensaje implícito: Meta no depende en exclusiva de Scale AI para su cadena de datos.

Fuentes internas comentan que parte de TBD Labs prefiere los datos de Surge y Mercor, y cuestiona la calidad de algunos entregables de Scale AI. Un portavoz de Meta niega problemas de calidad y recuerda que continúan trabajando juntos. Desde Scale AI remiten al anuncio inicial de la inversión, donde se hablaba de ampliar la relación comercial. La elección de varios proveedores reabre el debate sobre el enfoque y la calidad, un punto crítico para la inversión de Meta en Scale AI.

Del crowdsourcing barato al talento experto: el giro necesario en el etiquetado

Scale AI creció con un modelo basado en crowdsourcing de bajo precio para tareas simples. La evolución de los modelos exige ahora expertos en dominios concretos para asegurar datos más precisos. Para adaptarse, Scale AI empuja su plataforma Outlier para atraer especialistas, un cambio relevante para sostener la inversión de Meta en Scale AI y su ambición de superinteligencia.

Mientras tanto, Surge y Mercor apostaron desde el principio por talento altamente pagado y cualificado. Esa ventaja inicial les ha permitido crecer rápido y ganarse la confianza de equipos exigentes. Si lo comparamos con la app móvil, vas a poder ver la diferencia: precio por encima, pero más control y calidad en tareas complejas, justo lo que piden los modelos actuales.

Golpes de mercado: pérdida de clientes, despidos y foco en el sector público

Poco después de la inversión de Meta en Scale AI, OpenAI y Google anunciaron que dejaban de trabajar con Scale AI. En julio, la compañía despidió a 200 empleados de su negocio de etiquetado de datos. El nuevo CEO, Jason Droege, atribuyó el ajuste, en parte, a cambios en la demanda del mercado.

Para compensar, Scale AI quiere reforzar áreas con menos volatilidad, como las ventas al sector gubernamental, y cerró un contrato de 99 millones de dólares con el ejército de Estados Unidos. Este giro busca estabilizar ingresos y proteger la plataforma, un movimiento que incide directamente en la sostenibilidad de la inversión de Meta en Scale AI.

Comparativa rápida de proveedores: Scale AI, Surge y Mercor

Recuerda: trabajar con varios proveedores es razonable en proyectos críticos, y reduce el riesgo de bloqueo. La diferencia aquí es el tamaño de la inversión de Meta en Scale AI, que hace más visibles las tensiones.

Impacto de la inversión de Meta en Scale AI en talento, cultura y roadmap

En paralelo a la inversión de Meta en Scale AI, la compañía ha intentado un “guiño” directo a los mejores perfiles del sector, algo así como “una especie de 'ping’ para venirse con nosotros”. Se llegó a especular que el gran incentivo era atraer a Alexandr Wang, operativo en IA desde 2016 y con fuerte tirón para captar talento top.

El aterrizaje de nuevos líderes, no obstante, ha generado fricción. Empleados actuales y anteriores hablan de caos, burocracia y un alcance más estrecho para el antiguo equipo de GenAI. Meta asegura que MSL sigue avanzando en su próximo modelo, un pilar crítico para justificar la inversión de Meta en Scale AI y sostener su ecosistema de productos.

¿Puede Meta estabilizar su IA tras invertir 14.300 millones en Scale AI?

La pregunta es directa: ¿vas a poder ver resultados tangibles pronto? MSL ya trabaja en su próxima generación de modelo con objetivo de lanzamiento antes de fin de año, y la red de proveedores evita dependencia total de un solo actor, a pesar de la inversión de Meta en Scale AI. La rotación y la disputa sobre la calidad de datos son alertas que conviene seguir de cerca.

Si tú quieres seguir el pulso de esta historia, presta atención a estas señales:

1. Mira la retención de talento en MSL, especialmente en perfiles clave de investigación y datos.
2. Examina la mezcla de proveedores de etiquetado y su peso real en los proyectos de TBD Labs.
3. Evalúa la calidad y trazabilidad de los datos, sobre todo en tareas complejas y sensibles.
4. Controla los hitos del roadmap: lanzamiento del nuevo modelo y mejoras medibles frente a Llama 4.
5. Observa la escala de infraestructura efectiva, incluido el uso del centro Hyperion y otros campus.

Con todo, la inversión de Meta en Scale AI buscaba resolver cuellos de botella de datos y fichajes, y hoy se enfrenta a un reto doble: estabilizar equipos y asegurar entradas de datos a la altura del objetivo de superinteligencia. Si estas dos piezas encajan, vas a poder ver avances rápidos y, por fin, entregas de modelos competitivos en el corto plazo.