El auge de tokens de Meta convierte a Microsoft en su proveedor silencioso de IA

Según informes, Meta consume cada semana billones de tokens de IA a través de Microsoft, lo que convierte al desarrollador de Llama en uno de los mayores clientes de inteligencia artificial de Azure.

Ese volumen de tokens de Meta resulta llamativo porque la empresa lleva años desarrollando sus propios modelos, centros de datos y una estrategia de IA de pesos abiertos. Sin embargo, sigue dependiendo de una infraestructura que da a sus empleados acceso a modelos rivales de OpenAI, Anthropic y otros desarrolladores.

Microsoft se beneficia de este giro. No necesita que todos los clientes se estandaricen en un modelo de Microsoft. Azure puede generar ingresos cada vez que las empresas comparan modelos, ejecutan agentes de programación o canalizan cargas de trabajo a través de su plataforma gestionada.

Por tanto, el conflicto central va más allá de un contrato de nube. Meta quiere controlar su pila de IA, mientras que sus empleados quieren acceso inmediato al modelo que mejor resuelva cada tarea.

El volumen reportado de tokens de Meta cambia la historia

Según los informes, Meta no está utilizando Azure para un experimento limitado. Se ha convertido en un gran consumidor de modelos de IA alojados por Microsoft.

Un informe original del 20 de agosto de 2026 indicó que Meta gasta cientos de millones de dólares al año en acceso a modelos a través de Azure. El informe citó a una persona familiarizada con el asunto que solicitó el anonimato.

Según esa fuente, Meta procesa billones de tokens a través de la plataforma cada semana. Un token es una pequeña unidad de texto que un modelo de IA lee o genera durante una solicitud.

Ni Meta ni Microsoft comentaron el acuerdo reportado. Ese silencio importa porque las cifras principales siguen atribuyéndose a una fuente anónima, y no a divulgaciones públicas de las empresas.

El informe no identifica el volumen semanal exacto, los equipos participantes de Meta ni la combinación de modelos. Tampoco separa los tokens de entrada de la salida generada, el contenido almacenado en caché o la actividad repetida de los agentes.

Estas distinciones pueden modificar sustancialmente el coste y el significado de cualquier total de tokens. Un flujo de trabajo de programación largo puede consumir muchos más tokens de lo que su respuesta visible sugiere.

Los agentes de IA suelen inspeccionar archivos, generar código, probar cambios y revisar su trabajo a través de numerosos pasos internos. Cada paso puede devolver contexto adicional a un modelo.

Aun así, el volumen reportado apunta a un uso sostenido en producción, más que a conversaciones ocasionales con chatbots. Incluso el límite inferior implícito en “billones” representa una enorme cantidad de interacciones con modelos.

El momento también encaja con un patrón más amplio dentro de Meta. Informes anteriores describieron que los empleados consumían decenas de billones de tokens mensualmente mediante herramientas internas de IA.

Meta ha animado a los ingenieros a utilizar la IA de forma intensiva, especialmente para el desarrollo de software. La programación es uno de los entornos más claros en los que las llamadas repetidas a modelos pueden acumularse rápidamente.

La empresa también ha experimentado con sistemas internos que miden el uso de tokens por parte de los empleados. Ese seguimiento puede fomentar la adopción, pero también puede convertir el consumo en un indicador engañoso de productividad.

Más tokens no implican necesariamente mejor software ni entregas más rápidas. Un agente mal configurado puede inspeccionar repetidamente el mismo repositorio sin producir trabajo útil.

Esa incertidumbre debería condicionar cómo los lectores interpretan la cifra de tokens de Meta. Mide actividad computacional, no valor empresarial.

Sin embargo, la cifra cambia el panorama competitivo. Meta no se limita a construir una alternativa a los proveedores propietarios de IA. También compra un acceso considerable a esos proveedores a través de Microsoft.

Eso crea la tensión central del artículo. La empresa que busca independencia en las capas de infraestructura y modelos aún necesita capacidad externa en la capa de aplicaciones.

Por qué Meta sigue necesitando modelos desarrollados en otros lugares

El gasto reportado en Azure refleja una brecha práctica entre poseer un modelo de IA y atender bien todos los flujos de trabajo de los empleados.

Meta desarrolla Llama, opera grandes clústeres de computación e integra Meta AI en sus servicios de consumo. Ninguno de esos esfuerzos proporciona automáticamente a cada ingeniero la mejor herramienta para cada tarea.

Los asistentes de programación requieren más que un modelo fundacional capaz. Necesitan acceso a repositorios, manejo de contextos largos, ejecución de herramientas, controles de seguridad, gestión de identidades y disponibilidad fiable.

Los empleados también comparan modelos para planificación, depuración, investigación y análisis de documentos. Un modelo que funciona bien en una carga de trabajo puede tener dificultades en otra.

Azure ofrece a los compradores corporativos una vía gestionada hacia múltiples familias de modelos. Microsoft ha posicionado su plataforma Foundry en torno a la elección de modelos, en lugar de la dependencia exclusiva de un solo proveedor.

Durante la llamada de resultados del tercer trimestre de su ejercicio fiscal 2026, Microsoft indicó que más de 10.000 clientes habían utilizado múltiples modelos en Foundry. También afirmó que el uso de modelos de Anthropic y OpenAI se duplicó trimestre a trimestre.

Esas declaraciones trimestrales muestran por qué Microsoft puede beneficiarse incluso cuando los clientes desarrollan sus propios modelos. Azure se convierte en la capa de control donde las empresas prueban, gobiernan y consumen sistemas competidores.

La estrategia de modelos internos de Meta aborda un problema distinto. Llama le da a la empresa influencia sobre la arquitectura del modelo, la implementación y la comunidad de desarrolladores de pesos abiertos.

Un modelo de pesos abiertos distribuye parámetros entrenados que los desarrolladores pueden ejecutar o personalizar bajo su licencia. No elimina el trabajo operativo necesario para una implementación empresarial.

Una gran empresa debe gestionar capacidad, latencia, permisos, límites de datos y actualizaciones de modelos. Comprar acceso gestionado puede ser más rápido que adaptar sistemas internos para cada modelo emergente.

Ese intercambio se vuelve más importante cuando las clasificaciones de modelos de IA cambian con rapidez. Los empleados pueden preferir un modelo para generar código y otro para razonamiento complejo.

Restringirlos a Llama podría reducir el gasto externo. También podría ralentizar a los equipos cuyas tareas funcionan mejor con otro modelo.

Meta se enfrenta así a una decisión clásica de plataforma. Puede optimizar en torno al control interno o preservar la elección y aceptar la dependencia de un proveedor externo.

Su decisión reportada favorece el acceso. Meta parece dispuesta a pagar a Microsoft en lugar de obligar a todos los flujos de trabajo a utilizar sus propios modelos e infraestructura.

Esto no demuestra que Llama haya fracasado. Los asistentes de consumo, los sistemas de recomendación, los productos publicitarios y las herramientas internas de programación tienen requisitos técnicos diferentes.

La decisión sugiere, en cambio, que la propiedad y el consumo de modelos se han separado. Una empresa puede crear una importante familia de modelos y, al mismo tiempo, seguir siendo un gran cliente de sus competidores.

El auge de tokens de Meta es uno de los resultados de esa separación. Los empleados de Meta pueden utilizar todo lo que la plataforma gestionada ponga a disposición, incluso cuando esas decisiones fortalecen el negocio de IA de otra empresa.

Microsoft gana cuando los clientes se niegan a elegir un solo modelo

La ventaja de Microsoft no se limita a poseer un modelo ganador. Puede beneficiarse de que el mercado se niegue a decidirse por uno solo.

El adversario evidente en esta historia es el impulso de Meta hacia la independencia en IA frente al papel de Microsoft como mercado de modelos inevitable.

Meta quiere más control sobre la computación, los modelos y la distribución de productos. Microsoft quiere que Azure siga siendo el lugar donde las empresas acceden y gestionan casi cualquier modelo que necesiten.

Esos objetivos no son directamente incompatibles. Se vuelven competitivos cuando la demanda de Meta aporta a Microsoft ingresos, datos de uso e influencia sobre la distribución empresarial de IA.

El catálogo de modelos de Microsoft abarca sistemas propietarios y de pesos abiertos. Los clientes pueden canalizar distintas cargas de trabajo a través de una relación común con la nube sin negociar acuerdos de infraestructura separados.

Este enfoque reduce el riesgo estratégico de apostar por un solo laboratorio. Si OpenAI pierde un determinado benchmark o Anthropic pasa a ser preferible para programación, Azure aún puede atender al cliente.

Microsoft destacó esa amplitud en su llamada de resultados. La empresa afirmó que los clientes de Foundry utilizaban modelos de OpenAI, Anthropic, de código abierto y regionales.

También indicó que más de 300 clientes estaban en camino de procesar más de un billón de tokens durante el año. El consumo semanal reportado de Meta la situaría muy por encima de ese umbral anual.

Las cifras no son perfectamente comparables. La declaración pública de Microsoft se refiere a clientes que alcanzan un punto de referencia anual, mientras que el informe sobre Meta describe la actividad semanal total.

Aun así, el contraste ilustra la posible escala de Meta. Su carga de trabajo reportada la convertiría en un cliente excepcionalmente intensivo incluso dentro de la creciente base empresarial de Microsoft.

Microsoft también desarrolla sus propios modelos MAI y adapta tecnología de OpenAI para productos propios. Sin embargo, Azure no necesita que esos sistemas ganen todas las comparaciones técnicas.

La plataforma en la nube se gana su posición gestionando acceso, facturación, seguridad y capacidad. Esto recuerda a la competencia anterior en la nube, en la que los proveedores de infraestructura obtenían beneficios de software que no poseían.

Esa posición presiona a Amazon y Google. Ambos ofrecen amplios catálogos de modelos, servicios gestionados de IA y sus propios modelos fundacionales.

Amazon ha situado a Anthropic en el centro de su estrategia, mientras que Google combina Gemini con su plataforma Vertex AI. Microsoft puede responder con una demanda de clientes distribuida entre varias familias de modelos.

La presencia de Meta refuerza esa narrativa porque no es un comprador empresarial convencional. Es otra empresa tecnológica de hiperescala con una amplia infraestructura interna.

Una decisión reportada de Meta de comprar acceso a modelos sugiere que las plataformas en la nube conservan valor incluso para empresas capaces de construir por sí mismas sistemas enormes.

Microsoft también puede utilizar la demanda agregada para justificar más centros de datos y compras de aceleradores. Una mayor utilización mejora la economía de una capacidad que, de otro modo, seguiría siendo costosa e infrautilizada.

Esta ventaja conlleva riesgos. Microsoft debe mantener suficiente capacidad informática disponible, gestionar las relaciones con proveedores y evitar que el acceso a modelos se convierta en una mercancía de bajo margen.

Por ahora, el consumo reportado de tokens de Meta respalda su estrategia de mercado. Microsoft puede ganar transacciones sin convencer a Meta de que un único modelo controlado por Microsoft debe sustituir a Llama.

La independencia de Meta en IA tiene una costosa excepción

El giro es que la escala de Meta no elimina la dependencia externa. Hace más valioso el acceso a todos los modelos útiles.

Meta ha construido algunos de los mayores sistemas de entrenamiento de IA del mundo. Su propio informe de infraestructura describió decenas de clústeres de IA que dan servicio a cientos de equipos y miles de trabajos de entrenamiento diarios.

Esa infraestructura respalda sistemas de recomendación, publicidad, productos generativos y desarrollo de modelos. Meta planificó una capacidad equivalente a cientos de miles de GPU avanzadas.

Esos recursos deberían hacer que Meta dependiera menos de nubes externas que la mayoría de las empresas. El informe sobre Azure muestra por qué esa conclusión es demasiado simple.

El entrenamiento y la inferencia son cargas de trabajo diferentes. El entrenamiento crea o actualiza un modelo, mientras que la inferencia ejecuta un modelo existente para responder a solicitudes.

Meta puede poseer una infraestructura de entrenamiento considerable mientras compra acceso de inferencia a modelos que no controla. También puede utilizar capacidad externa cuando el suministro interno no puede satisfacer la demanda a corto plazo.

El creciente presupuesto de IA de la empresa aporta contexto. Meta proyectó gastos de capital para 2026 de entre 130.000 y 145.000 millones de dólares, según su última previsión de gasto.

Esa inversión abarca más que el entrenamiento de modelos. Los centros de datos requieren redes, energía, refrigeración, almacenamiento y servidores cuya implementación lleva tiempo.

El acceso a modelos externos puede cubrir la brecha entre la demanda de los empleados y la capacidad interna. También evita tener que esperar a que los propios modelos de Meta igualen todas las capacidades especializadas.

Esta es la inversión central de la tendencia. Una mayor inversión interna no ha generado un entorno cerrado y autosuficiente.

En cambio, la adopción agresiva crea más demanda de la que una sola familia de modelos puede satisfacer. Meta se convierte a la vez en competidor y cliente dentro de la misma cadena de suministro de IA.

El acuerdo se parece a una etapa anterior de la computación en la nube. Las grandes empresas tecnológicas construyeron infraestructura interna mientras alquilaban capacidad externa para servicios específicos o picos de demanda.

La IA añade otra capa porque el activo alquilado incluye capacidad de modelo, no solo servidores. A los empleados les importa la calidad de los resultados, el uso de herramientas y la fiabilidad, más que la estructura de propiedad subyacente.

Eso crea un reto organizativo. Meta debe decidir si los tokens externos son un puente temporal o un componente permanente del trabajo de sus empleados.

Si el uso es temporal, los modelos y la infraestructura internos deberían absorber finalmente una mayor parte de la demanda. Si persiste, Microsoft habrá asegurado un papel duradero dentro de las operaciones de IA de Meta.

La distinción también afecta al significado competitivo de Llama. Llama puede seguir siendo influyente sin convertirse en el estándar interno exclusivo de Meta.

Los pesos abiertos atraen a desarrolladores al permitir la personalización y el despliegue local. Los equipos internos aún pueden elegir modelos propietarios alojados cuando estos ahorran tiempo.

Para desarrolladores y compradores empresariales, esto es una advertencia útil contra tratar la estrategia de modelos como una decisión de un único proveedor. Los despliegues reales implican cada vez más enrutar tareas entre varios sistemas.

Ese enrutamiento crea su propio problema de conocimiento. Los equipos deben conservar prompts, decisiones, evaluaciones y resultados entre distintas herramientas.

Una base de conocimiento de IA con capacidad de búsqueda puede ayudar a organizar ese contexto. Sin embargo, no puede resolver si el gasto subyacente en modelos genera una productividad medible.

Esa respuesta exige resultados, no totales de tokens.

Lo que los números de tokens no demuestran

Billones de tokens indican escala, pero no demuestran que Meta esté recibiendo un valor proporcional a su gasto.

Las cifras centrales siguen sin ser verificadas por ninguna de las dos empresas. Proceden de una persona no identificada familiarizada con un acuerdo interno.

Meta y Microsoft declinaron hacer comentarios, dejando sin respuesta varias preguntas básicas. Ninguna reveló los modelos exactos, los términos negociados, las cargas de trabajo ni el período de medición.

La contabilidad de tokens también puede variar entre sistemas. Los proveedores pueden contabilizar de forma distinta los prompts, las salidas, el contexto en caché, los resultados de herramientas o el razonamiento interno.

Por tanto, un total semanal de tokens no puede traducirse directamente en actividad de los empleados. Tampoco puede revelar qué parte del tráfico llegó a sistemas de producción.

Parte del uso podría proceder de evaluaciones automatizadas. Los equipos envían habitualmente el mismo prompt a varios modelos para comparar precisión, latencia y seguridad.

Otro tráfico podría provenir de agentes de programación que leen repetidamente grandes repositorios. Esos sistemas pueden generar enormes recuentos de tokens mientras realizan una tarea que un ingeniero revisa una sola vez.

La caché complica aún más el panorama. Un proveedor puede reutilizar contexto procesado previamente, reduciendo el trabajo computacional incluso cuando el registro de facturación sigue haciendo referencia a grandes volúmenes de tokens.

El tamaño del modelo también importa. Un modelo más pequeño puede procesar tokens con menos capacidad de cómputo que un modelo de razonamiento de frontera.

Por ello, las estimaciones energéticas deben mantenerse cautelosas. El propio análisis de inferencia de Microsoft explica que la energía por consulta depende de los modelos, el hardware, el software, los centros de datos y las características de la carga de trabajo.

Ese estudio estimó la energía para un volumen definido de consultas conversacionales. No ofrece una conversión fiable para el tráfico reportado de Meta.

La cifra de costes conlleva una incertidumbre similar. Los contratos empresariales pueden incluir capacidad reservada, descuentos, compromisos y tarifas diferentes para distintos modelos.

El gasto anual de Meta y sus tokens semanales no deberían dividirse para obtener un coste universal por token. El resultado mezclaría modelos y términos contractuales que no se han revelado.

También existe una cuestión de productividad. Los incentivos internos pueden llevar a los empleados a maximizar el uso visible sin maximizar resultados útiles.

Una clasificación basada en tokens corre el riesgo de premiar prompts largos y agentes ineficientes. Una mejor evaluación mediría tareas completadas, código aceptado, tasas de defectos y tiempo ahorrado.

La seguridad y la gobernanza también siguen siendo preocupaciones. Enviar contexto corporativo a modelos externos exige permisos, controles de datos, registros y políticas de retención.

Azure puede proporcionar un límite gestionado, pero la gestión no elimina el riesgo. Meta aún debe decidir a qué repositorios y documentos puede acceder cada herramienta.

La conclusión más sólida es, por tanto, más limitada que el titular. Según los informes, Meta compra capacidad externa de IA a una escala inmensa pese a sus recursos internos.

La conclusión más débil sería que el consumo de tokens demuestra que los modelos de Microsoft superan a Llama. La evidencia disponible no respalda esa afirmación.

Tampoco muestra que Meta planee reducir la inversión en Llama. Su uso externo puede coexistir con el desarrollo continuo de modelos internos.

Los lectores deberían considerar la cifra reportada de tokens de Meta como evidencia de dependencia, no como evidencia de una derrota técnica.

Tres señales mostrarán si esta dependencia perdura

La siguiente fase estará determinada por los resultados de las cargas de trabajo, la adopción de modelos internos de Meta y la capacidad de Microsoft para convertir el crecimiento de tokens en márgenes duraderos.

La primera señal es si Meta modifica el acceso de los empleados a modelos externos. Nuevos presupuestos, límites o reglas de modelos predeterminados indicarían que la dirección considera el consumo descontrolado como un problema financiero.

Un giro hacia modelos internos reforzaría el argumento de la independencia. Un acceso amplio continuado respaldaría la posición de Microsoft en el mercado.

La segunda señal será el próximo lanzamiento de modelos e infraestructura de Meta. La pregunta importante no es si Meta anuncia otra versión de Llama.

La medida útil es si los equipos internos trasladan cargas de trabajo de producción a ese modelo. La adopción dentro de Meta demostraría que la empresa puede convertir su inversión en modelos en una sustitución práctica.

Si los empleados siguen prefiriendo sistemas de la competencia tras un lanzamiento importante, la relación reportada con Azure parecerá estructural en lugar de temporal.

La tercera señal aparecerá en las divulgaciones financieras de Microsoft. Los inversores deberían vigilar la capacidad de IA, el crecimiento de Azure, los márgenes brutos y las referencias a la adopción de Foundry multimodelo.

La tasa anualizada de ingresos de IA de Microsoft superó los 37.000 millones de dólares durante su tercer trimestre fiscal, según sus declaraciones públicas de resultados. La empresa también informó de un rápido crecimiento de tokens entre los grandes clientes de Foundry.

Esas cifras respaldan la historia de la demanda, pero los costes de infraestructura siguen siendo elevados. Microsoft debe adquirir aceleradores y construir instalaciones antes de que toda esa capacidad genere ingresos.

Un cliente como Meta puede mejorar la utilización. Sin embargo, un uso intensivo negociado aún puede presionar los márgenes si los costes de servir modelos disminuyen más lentamente que las tarifas contractuales.

Por tanto, la relación pone a prueba a ambas empresas. Meta debe demostrar que comprar modelos externos acelera el trabajo útil sin socavar su estrategia interna.

Microsoft debe demostrar que servir billones de tokens crea una economía atractiva, y no solo una actividad impresionante.

Amazon, Google y proveedores especializados de modelos influirán en ambos resultados. Tarifas más bajas o mejores modelos podrían desviar las cargas de trabajo de Meta fuera de Azure.

Microsoft puede defender su posición mediante capacidad, gobernanza y amplitud de modelos. No puede asumir que el modelo preferido hoy seguirá siéndolo el próximo trimestre.

Para los desarrolladores, la lección práctica es que la elección de modelos sigue siendo fluida. Los sistemas deben conservar evaluaciones y permitir que las cargas de trabajo se muevan sin reconstruir todos los procesos circundantes.

Los compradores empresariales también deberían exigir métricas de resultados. El volumen de tokens es un insumo operativo, al igual que el tiempo de cómputo o el almacenamiento.

Las mejores preguntas se refieren a la velocidad de entrega, la calidad, la fiabilidad y los ingresos. Un equipo debería saber si un agente resolvió una incidencia, no solo cuántos tokens consumió.

El aumento reportado de tokens de Meta hace visible la escala de la adopción corporativa de IA. También revela cuánta poca información pública existe sobre el valor producido a esa escala.

Observe los modelos predeterminados de Meta, las migraciones internas de cargas de trabajo y los márgenes de nube de Microsoft durante los próximos meses. En conjunto, esas señales mostrarán si Azure es un puente para Meta o una capa permanente de su infraestructura de IA.

Si su equipo está ampliando el uso de modelos, comience por hacer seguimiento de qué flujos de trabajo mejoran y cuáles solo generan más actividad. Conserve el contexto de respaldo, registre las decisiones sobre modelos y compare los resultados en tareas repetidas. Pregunte si cada sistema reduce el tiempo de revisión, mejora la calidad o gestiona trabajo que antes quedaba sin terminar. Esa disciplina importa más que perseguir un total mayor de tokens. El consumo reportado de Meta ofrece una visión poco frecuente de la adopción a una escala extrema, pero por sí solo no proporciona una plantilla. La verdadera referencia será si Meta convierte esos tokens en mejores productos mientras reduce su dependencia del competidor que los suministra.