Cuando Meta habla de gastar entre 115.000 y 135.000 millones de dólares en 2026 en inversión de capital, no está anunciando una nueva función bonita para redes sociales; está describiendo un plan de obras. Es el tipo de presupuesto que suena más a construir autopistas que a lanzar una app. Varias informaciones publicadas a finales de enero —entre ellas The Financial Express y ITPro— coinciden en el rango alto y en la idea central: la compañía quiere asegurarse de que su capacidad de cómputo y sus centros de datos no sean el cuello de botella de su estrategia de IA durante 2026.
El dato impresiona por comparación: el propio grupo ya venía de un 2025 con un gasto muy alto en infraestructura relacionada con inteligencia artificial, pero el salto proyectado para 2026 se acerca a duplicar esa intensidad. En el lenguaje de las tecnológicas, esto se traduce en un movimiento de “quien llegue tarde al aparcamiento paga peor plaza”: si no reservas potencia de cálculo y energía hoy, entrenar modelos mañana sale mucho más caro o directamente se vuelve inviable.
Infraestructura: el “cemento” de la IA son GPUs, centros de datos y electricidad
A menudo hablamos de modelos de IA como si fueran recetas de cocina. En realidad, la receta funciona solo si tienes una cocina gigantesca. Ese es el punto de la inversión: comprar GPUs a gran escala, levantar centros de datos capaces de alimentarlas y, en paralelo, garantizar el suministro eléctrico y la refrigeración necesarios para que todo eso no se convierta en un horno industrial.
En las llamadas de resultados, Mark Zuckerberg ha insistido en que 2026 será un año clave para entregar lo que llama “superinteligencia personal” y para preparar la compañía “para el futuro”. En la práctica, ese futuro se decide por detalles poco glamourosos: cuánto tiempo tardas en entrenar un modelo grande, cuántas consultas por segundo puedes servir a miles de millones de personas y cuánto cuesta cada respuesta. Si lo pensamos como una ciudad, el modelo sería el ayuntamiento prometiendo mejores servicios, pero el gasto fuerte se va en tuberías, carreteras y centrales eléctricas.
Aquí aparece un matiz estratégico: Meta no solo quiere capacidad, también quiere control. Cuanta más dependencia haya de proveedores externos de nube, más exposición existe a precios, disponibilidad y prioridades ajenas. Tener infraestructura propia puede reducir costes unitarios cuando el volumen es masivo, aunque exige adelantarse con inversiones colosales.
Modelos abiertos, presión por rendir y el peso de Llama
Meta ha defendido su enfoque de IA abierta con la familia Llama, y en los textos citados se menciona el impulso a nuevas generaciones del modelo durante 2026. La idea de “abierto” aquí se entiende como una forma de ganar adopción: cuantos más desarrolladores y empresas construyan sobre tus modelos, más probable es que tu ecosistema se convierta en estándar de facto. Es una táctica parecida a regalar el sistema operativo para vender el hardware, solo que el hardware ahora son los servicios, la distribución y la integración en productos con miles de millones de usuarios.
La presión llega porque el mercado no perdona: el listón de calidad sube rápido, y el debate público sobre benchmarks, comparativas y “quién va primero” se ha convertido en parte de la narrativa de negocio. Forrester, a través del analista Mike Proulx citado por ITPro, lo expresa sin rodeos: en la carrera de modelos, Meta “todavía va por detrás” de los líderes. Esta percepción ayuda a entender por qué el presupuesto es tan agresivo: si el rendimiento de los modelos es el escaparate, la infraestructura es el taller donde se fabrican.
En un análisis de Leverage Shares se menciona incluso un posible modelo interno con nombre en clave “Avocado”, presentado como una apuesta para mejorar la recepción de futuras versiones. Conviene leerlo como lo que es: una pista desde el mercado sobre el grado de urgencia, no como una promesa cerrada de producto.
“Agentes que de verdad funcionan”: el objetivo más difícil de explicar
Entre todas las frases de ejecutivos, una destaca por lo que implica: la idea de que 2026 sería el año en que los agentes de IA “realmente funcionan”. Un agente no es solo un chatbot que contesta; es un sistema capaz de ejecutar tareas encadenadas con cierta autonomía. En términos cotidianos, es la diferencia entre un recepcionista que te dice el horario del médico y un asistente que te busca cita, la reserva, revisa tu calendario y te propone alternativas si hay conflicto.
Esta visión tiene una consecuencia práctica: requiere muchísima capacidad de inferencia, no solo de entrenamiento. Si millones de personas usan agentes a diario en productos como Instagram, WhatsApp o Messenger, cada interacción consume cómputo. Y si el agente genera imagen o vídeo, el coste sube. La infraestructura deja de ser “para entrenar el próximo modelo” y pasa a ser “para sostener un servicio permanente”. En ese escenario, poseer centros de datos y optimizar hardware y software se vuelve una ventaja competitiva directa.
La caja que financia el plan: publicidad y expectativas de flujo de caja
La pregunta inevitable es cómo se paga todo esto sin romper la rentabilidad. Las piezas que aparecen en las informaciones publicadas son coherentes: el negocio publicitario sigue siendo la máquina principal de ingresos y se presenta como lo bastante fuerte para sostener el empuje. Se habla de un trimestre con ingresos cercanos a los 60.000 millones de dólares y de publicidad aportando la gran mayoría, al tiempo que la compañía proyecta un flujo de caja libre elevado para 2026, incluso con el gasto disparado.
Aquí hay una lectura interesante: la IA no solo es un centro de costes, también está siendo vendida como herramienta para mejorar segmentación, medición y rendimiento publicitario. Dicho de forma doméstica, Meta está comprando una fábrica nueva con el argumento de que, mientras la construye, ya está vendiendo productos mejorados gracias a maquinaria que funciona en la nave actual. Si ese “paga el alquiler” se mantiene, la tolerancia del mercado a la inversión aumenta.
Competencia directa: nadie quiere quedarse sin silla cuando pare la música
El plan de Meta se entiende mejor si se mira el tablero completo. OpenAI, Google, Anthropic y xAI empujan en la misma dirección: modelos más capaces, más baratos de ejecutar y mejor integrados. En paralelo, los gigantes de nube como Microsoft, Alphabet y Amazon han acostumbrado al mercado a cifras de inversión astronómicas para infraestructura. En ese contexto, gastar poco no es prudencia; puede ser renunciar a competir.
La entrada de Alexandr Wang y la referencia a movimientos alrededor de Scale AI encajan en esta idea de industrialización: los modelos necesitan datos, evaluación y procesos; la infraestructura necesita socios, suministro y logística. No basta con “tener el algoritmo”.
Reality Labs y el ajuste de prioridades: menos metaverso, más IA aplicada
El gasto en IA también se interpreta como un cambio de foco interno. La división Reality Labs ha acumulado pérdidas enormes durante años, y los reportes recientes vuelven a recordar que sigue siendo un lastre contable. El matiz es que la compañía parece estar reordenando sus apuestas: recortes y reajustes en VR, y mayor interés por dispositivos donde la IA tenga un papel directo, como gafas inteligentes y otros wearables. Es una diferencia importante: el metaverso pedía paciencia de largo plazo; la IA promete retornos más cercanos si se integra en productos cotidianos.
Qué debería observarse para saber si el gasto merece la pena
La cifra de inversión por sí sola no garantiza liderazgo. Lo que terminará importando es si Meta logra mejoras visibles en calidad de modelos, velocidad de respuesta y costes de operación, y si esas mejoras se convierten en productos que la gente use de forma recurrente. En paralelo, será clave ver si los desarrolladores siguen construyendo sobre su enfoque abierto, porque sin tracción externa el “modelo abierto” se queda en un gesto. También habrá que vigilar los riesgos regulatorios y legales relacionados con redes sociales, que algunos análisis señalan como potencialmente costosos en 2026.
Hay un indicador silencioso que suele anticipar el resto: la disciplina con la que una compañía convierte gasto en capacidad útil. Comprar GPUs es fácil si tienes caja; operarlas, alimentarlas y sacar rendimiento sostenido es la parte que separa a quienes construyen una autopista de quienes se quedan con un montón de asfalto.