El agente de IA de Meta, Muse, llamó rápidamente la atención tras su lanzamiento y alcanzó el primer puesto en la Apple App Store. Sobre el número de usuarios circulan datos diferentes: en el titular de una noticia se habla de 50.000 usuarios en la primera semana, mientras que en el texto de esa misma noticia se mencionan más de 500.000. El orden de magnitud sigue siendo incierto, por lo que solo puede afirmarse que el lanzamiento generó una afluencia extraordinariamente alta.
Más interesantes que la cifra son dos puntos que se hicieron públicos poco después del lanzamiento. Afectan a cuestiones que surgen con regularidad en proyectos empresariales relacionados con la IA: ¿de dónde procede el código y qué hace realmente por sí mismo un llamado agente?
Punto uno: origen del código
Meta admite que Muse está "fuertemente inspirado" en el proyecto de código abierto OpenClaw. Los nombres de archivo y los contenidos serían en parte casi idénticos. Esto es más que una cuestión de estilo. El software de código abierto no equivale a libre uso: cada licencia vincula el uso a condiciones, desde la mención de los autores hasta la obligación de publicar obras derivadas bajo la misma licencia.
Quien adopta código ajeno —ya sea manualmente o mediante un modelo de IA entrenado con repositorios públicos— asume potencialmente también esas condiciones. En Meta se trata de un tema de reputación. En una empresa mediana que entrega una aplicación o la cede a clientes, puede convertirse en un riesgo legal concreto.
Punto dos: ¿qué tan autónomo es el agente?
Según la promesa del producto, Muse debería, entre otras cosas, realizar llamadas para las usuarias y los usuarios. De comunicaciones internas se desprenden indicios de que estas llamadas son realizadas en su lugar por empleadas y empleados de un centro de llamadas. El asunto no está confirmado de forma concluyente; la cobertura periodística se basa en documentos internos.
El patrón no es nuevo. Entre "el sistema puede hacerlo" y "el sistema lo hace solo en operación normal" suele haber una parte de trabajo humano —como respaldo, para el aseguramiento de la calidad o porque los últimos puntos porcentuales de fiabilidad son técnicamente costosos. El problema surge allí donde esa parte no se comunica. Porque las usuarias y los usuarios toman sus decisiones —por ejemplo, sobre qué datos revelan— basándose en la suposición de que hablan con una máquina.
Qué se deriva de ello para proyectos propios
Ambos puntos pueden traducirse en requisitos concretos que se plantean en todo proyecto en el que se utilizan herramientas de IA o sistemas de agentes.
Aclarar el origen del código
- Revisión de licencias como paso fijo: las dependencias y los fragmentos de código adoptados deberían documentarse y revisarse en cuanto a su licencia —de forma automatizada en el proceso de compilación, no solo en la auditoría.
- Marcar el código generado por IA: cuando se utilizan sistemas de asistencia, una regla interna ayuda a determinar qué tipo de sugerencias pueden adoptarse y dónde se necesita una revisión manual.
- Garantías contractuales: en el caso de software adquirido, vale la pena preguntar qué garantía ofrece el proveedor respecto a la cadena de derechos.
Describir la autonomía de forma realista
- Distinguir entre demo y operación normal: lo que funciona en una demostración controlada aún no es un proceso sólido. Tiene sentido una fase piloto con casos reales y una tasa de error medida.
- Nombrar la parte humana: un human-in-the-loop —es decir, una persona que revisa o aprueba resultados intermedios— no es un defecto, sino a menudo la única forma de construcción defendible. Pero debe formar parte de la documentación del proceso y, cuando afecta a terceros, de la comunicación.
- Considerar la protección de datos: si las personas ven contenidos o mantienen conversaciones que las usuarias y los usuarios creen procesadas por máquinas, eso cambia la evaluación en materia de protección de datos.
El hype como marcador del ritmo
Que OpenAI ya esté discutiendo su propia respuesta a Muse muestra la dinámica del sector. Estas carreras generan presión para anunciar funciones pronto y ocultar tras el nombre del producto la brecha entre el anuncio y la implementación. Para las empresas que quieren comprar o integrar este tipo de servicios, eso es un argumento a favor de la sobriedad: la base de la planificación no es el anuncio, sino lo que puede reproducirse en una prueba propia.
Resultan útiles unas pocas preguntas claras a los proveedores: ¿qué pasos se ejecutan de forma totalmente automatizada? ¿Dónde intervienen personas? ¿Qué datos salen del sistema durante ello? ¿Y cómo está documentada la cadena de derechos sobre el código? Las respuestas que permanecen evasivas son en sí mismas una información.
Valoración
Para los proyectos web y de software, el caso Muse significa sobre todo dos cosas. Primero, la revisión de licencias y del origen del código debe formar parte del flujo estándar en cuanto haya herramientas de IA implicadas en su creación; hacerlo a posteriori es mucho más costoso. Segundo, las funciones de agente en la oferta deberían describirse tal como funcionan realmente en operación, incluidos los puntos en los que las personas revisan o intervienen. Eso protege frente a decepciones en el proyecto y frente a discusiones que nadie querrá mantener después.