Meta lanza Muse Spark 1.3 mientras avanza el trabajo en agentes personales

Meta publicó el miércoles 2 de septiembre de 2026 Muse Spark 1.3, una actualización que la compañía describe como una mejora significativa en programación y en tareas agénticas. El modelo se despliega en Muse Code y en la API de Meta, según informó Axios.

El lanzamiento llega en medio de una semana inusualmente cargada de anuncios de modelos: Google presentó Gemini 3.8 Flash y una variante orientada a ciberseguridad, Anthropic actualizó sus modelos Fable y Mythos para reducir costos y bajar la frecuencia de rechazos por motivos de seguridad, y OpenAI anunció que pronto liberará su modelo Astra con capacidades de ciberseguridad limitadas a un grupo reducido de evaluadores.

¿Qué cambia respecto de Muse Spark 1.2?

Meta mantiene el precio de la versión anterior, algo que Alexandr Wang, jefe de IA de la compañía, calificó como una postura «agresiva». En el nivel estándar el modelo se cobra a US$1,25 por millón de tokens de entrada y US$4,25 por millón de salida.

Wang destacó además la buena recepción del llamado «nivel contribuidor», una opción que reduce drásticamente el costo del producto de programación a cambio de que los desarrolladores permitan a Meta usar su trabajo para mejorar los modelos. Según Wang, un porcentaje «de dos dígitos significativo» de programadores está eligiendo esa alternativa.

¿Qué dicen los benchmarks?

Las mediciones publicadas junto al lanzamiento ubican a Muse Spark 1.3 en la parte alta de las tablas de programación agéntica. En DeepSWE v1.1, un benchmark de programación agéntica de horizonte largo, el modelo anota 75,4, por delante de Claude Opus 5 (74,0) y GPT-5.6 Sol (73,0). En Terminal-Bench 2.1 empata con GPT-5.6 Sol en 88,8 y supera a Opus 5 (86,7).

Artificial Analysis midió la variante xhigh en 61 puntos de su Intelligence Index, y la variante de razonamiento máximo, aún en vista previa limitada para socios, en 62. Meta reporta también que el modelo usa cerca de 20% menos llamadas a herramientas y 25% menos tokens que Muse Spark 1.2 en comparaciones internas de sus propios ingenieros.

¿Por qué importa el ángulo de agentes personales?

Wang vinculó la actualización con la hoja de ruta de producto que Mark Zuckerberg ha descrito en las llamadas de resultados: agentes personales capaces de trabajar 24/7 en representación del usuario. «Muchas de las mejoras de usabilidad que hicimos van a ser muy útiles para eso», dijo a Axios.

El otro eje del anuncio es la seguridad. Wang reconoció que con modelos más potentes crece la atención sobre el comportamiento del sistema, y señaló que es «uno de los temas internos más importantes ahora mismo». A diferencia de otros laboratorios, Meta dice no haber necesitado pausar trabajo por preocupaciones de seguridad, aunque sí aumentó de forma relevante su inversión en seguridad y alineamiento. La versión de razonamiento máximo se publicará después de pruebas adicionales.

¿Qué significa esto para las empresas en Chile y Latinoamérica?

Para los equipos de tecnología y operaciones de ingresos en Chile y Latinoamérica, el dato accionable no es el puntaje del benchmark sino la combinación de precio estable y menor consumo de tokens por tarea. Un modelo que resuelve el mismo trabajo con 25% menos tokens baja el costo unitario de cada automatización aunque la lista de precios no se mueva.

Análisis de Revenue Hub

Lo relevante de este anuncio para un líder comercial en Chile o Latinoamérica no es que Meta haya subido unos puntos en una tabla. Es que en menos de una semana cuatro laboratorios publicaron modelos comparables en capacidad agéntica y con precios que se presionan mutuamente hacia abajo. Cuando la capacidad se vuelve una commodity, la ventaja competitiva deja de estar en «qué modelo usamos» y pasa a estar en la calidad de los datos del CRM, en los procesos que el agente puede ejecutar sin supervisión y en la gobernanza que evita que ejecute lo que no debe.

La decisión práctica que esto obliga a tomar es de arquitectura, no de proveedor. Si tu stack comercial está amarrado a un único modelo, cada semana como esta te deja pagando de más o corriendo detrás de una capacidad que ya está disponible más barata. Conviene diseñar las automatizaciones de ventas y servicio con una capa de abstracción que permita cambiar de modelo sin rehacer el flujo, y medir el costo por tarea resuelta en lugar del precio por millón de tokens.

El detalle del «nivel contribuidor» merece atención aparte. Un descuento agresivo a cambio de que el proveedor entrene con tu trabajo es una decisión de riesgo de datos, no de presupuesto. Para una empresa B2B en la región que maneja información de clientes en sus repositorios de código o en sus flujos, esa evaluación debe pasar por legal y no solo por finanzas. Si quieres profundizar en cómo ordenar el dato antes de sumar agentes, revisa nuestra cobertura en IA en ventas y los análisis del blog de Revenue Hub.