Meta entra en la guerra del código con IA: así son Muse Spark 1.2 y Muse Code
Meta lanza Muse Code, un agente de IA para programar desde la terminal, y actualiza su modelo Muse Spark 1.2 para competir con Anthropic, OpenAI y otras herramientas de codificación asistida.
Meta ha decidido meterse de lleno en la batalla por la codificación con inteligencia artificial. La compañía de Mark Zuckerberg presentó hoy Muse Code, un agente de IA que funciona directamente en la terminal y que ya está disponible en fase beta. Junto a él llega Muse Spark 1.2, una actualización de su familia de modelos centrada específicamente en tareas de programación. Con este doble lanzamiento, Meta planta cara directamente a rivales como Claude Code de Anthropic, Codex de OpenAI y otras herramientas que ya se han convertido en el pan de cada día para muchos desarrolladores.
Muse Code no es un simple asistente de autocompletado. Se instala con un solo comando en macOS o Linux y es capaz de encargarse de tareas completas de ingeniería de software: planificar cambios, escribir código y validar los resultados, incluso en repositorios de gran tamaño. A diferencia de los modelos abiertos Llama que Meta regalaba hasta ahora, tanto Muse Code como los modelos Muse Spark que lo alimentan son completamente propietarios. Para usarlo, eso sí, hay que pasar por caja: se necesita una cuenta de Meta y datos de facturación.
La gran apuesta técnica de Muse Code son los "agentes de fondo asíncronos". Mientras otras herramientas crean agentes nuevos para cada tarea, Muse Code mantiene un conjunto de agentes especializados activos durante toda la sesión. Esto evita tener que reexplorar el repositorio cada vez que el desarrollador pide algo nuevo, lo que se traduce en menos latencia y menos supervisión. Además, cuando el trabajo es pesado, Muse Code puede lanzar subagentes en paralelo, cada uno en su propio entorno aislado, para que el código del desarrollador no se toque hasta que todo esté listo. Zuckerberg presumió en redes de que en pruebas logró crear seis funciones para un juego simultáneamente sin conflictos.
Otro punto interesante es la auditabilidad: cada llamada al modelo, cada acción y cada edición quedan registradas en un historial local antes de ejecutarse. Si el agente se cae tras 20 horas de trabajo, puede retomar exactamente donde lo dejó sin perder nada. Para los responsables de equipos de ingeniería que ya han sufrido con agentes opacos, este registro completo puede ser la clave para confiar en la herramienta. Muse Code también incluye comandos familiares como /plan para planificar, /grill para poner a prueba los planes y /goal para perseguir un objetivo concreto.
Bajo el capó está Muse Spark 1.2, un modelo entrenado con mucha más potencia de cálculo en tareas de codificación y en entornos más diversos. Meta lo ha coentrenado con el propio Muse Code, usando trayectorias del agente para que el modelo rinda mejor dentro de esa herramienta concreta. También empleó un bucle de automejora: Muse Spark 1.1 generaba entornos de programación desafiantes y luego calificaba las soluciones para crear datos de entrenamiento para su sucesor. Aunque Meta publicó gráficos comparativos con otros modelos, no dio cifras concretas de rendimiento, algo que llama la atención en un campo donde todos presumen de sus puestos en las tablas de clasificación.
El análisis de Salseo
- Meta deja de regalar la herramienta y pasa a venderla: el salto de los modelos abiertos Llama a un producto propietario y de pago como Muse Code cambia su estrategia en IA. Ya no se trata solo de investigar, sino de monetizar directamente compitiendo con Anthropic y OpenAI en un mercado donde los desarrolladores están dispuestos a pagar por productividad.
- La persistencia de los agentes de fondo es una apuesta diferencial real: al mantener el contexto de la sesión, Muse Code podría reducir la fricción y el tiempo perdido en tareas repetitivas. Si cumple lo prometido, puede ser un argumento de venta frente a herramientas que 'olvidan' el repositorio entre peticiones.
- La transparencia con registros locales y la capacidad de reanudar tareas largas sin perder trabajo apuntan directamente a las necesidades de equipos empresariales. Esto puede abrirle la puerta a contratos con grandes compañías que hasta ahora desconfiaban de los agentes de IA por su comportamiento impredecible.
- La omisión de resultados concretos en los benchmarks es una señal de prudencia (o de debilidad). En un sector donde cada punto porcentual en SWE-Bench se celebra, Meta prefiere no dar cifras. Habrá que esperar a pruebas independientes para ver si realmente alcanza a Claude o GPT en tareas de codificación complejas.