El agente Muse de Meta mezcla chats ajenos y muestra a empleados saldos bancarios
El agente Muse de Meta, lanzado en septiembre, mezcla según Reuters las conversaciones de distintas cuentas. Empleados de la compañía escribieron en publicaciones internas que el agente les enviaba mensajes sobre pedidos y consejos profesionales que no habían pedido. A uno le mostró, en mitad de una conversación sobre el tiempo, los saldos de dos cuentas bancarias: 2722,58 y 5899,57 dólares. La lección para quienes crean agentes es clara: el aislamiento de datos entre usuarios debe comprobarse con el mismo rigor que los permisos de acceso.
Procesado por IA desde TechCrunch; editado por Hamidun News
Imagine que pregunta a un asistente por el tiempo y las mareas, y que al final añade: «Por cierto, en su cuenta de Capital One hay 2722,58 dólares, y en Charles Schwab, 5899,57». El problema es que esas cuentas no son suyas. Así describió la situación un empleado de Meta en una publicación interna, citada por Reuters. Se trata del agente de IA Muse, que la compañía lanzó en septiembre.
Qué ocurrió
Reuters revisó los mensajes internos de los empleados de Meta. Estos se quejaban de que Muse mezcla las conversaciones de distintas cuentas y muestra datos personales ajenos. Según ellos, el agente enviaba mensajes sobre peticiones de encontrar una niñera, algo que nadie le había pedido. Daba consejos profesionales que nadie había solicitado e informaba de pedidos de productos que no habían realizado. También mencionaba saldos de cuentas bancarias que no pertenecían a esas personas.
El caso más llamativo es el del chat sobre el tiempo y las mareas. En mitad de una respuesta normal, Muse añadió «BTW, two bank updates» y enumeró dos saldos. Otra empleada usaba el agente en su teléfono personal. Muse le recordó que respondiera a su hermana por Signal, un popular servicio de mensajería con cifrado de extremo a extremo. Ella escribió en la publicación que aquello parecía una grave vulneración de la privacidad. Según explicó, no había dado al agente acceso a otras aplicaciones y no recordaba que se lo hubieran pedido.
Aquí conviene distinguir dos cuestiones. La primera: de quién eran esos datos, es decir, si se filtraban entre personas distintas. La segunda: a qué tiene acceso el agente en el dispositivo. Por la publicación queda claro que los empleados vieron en sus chats información que no les pertenecía. Lo que no se ha explicado es qué falló exactamente dentro de Muse. Meta todavía no ha respondido a la consulta de TechCrunch, así que cualquier conclusión sobre las causas sigue siendo una suposición.
Por qué importa
Muse es una de las aplicaciones de crecimiento más rápido de la historia: según TechCrunch, supera los 10 millones de descargas. Mientras el agente era un juguete para entusiastas, fallos así habrían sido una curiosidad. Ahora por él pasan mensajes, pedidos e información financiera de millones de personas. Cualquier error al separar el contexto se convierte en una filtración de datos personales.
Los agentes se diferencian de los chatbots habituales porque tienen memoria y acceso a servicios externos: correo, mensajería, notificaciones bancarias. Cuantas más fuentes están conectadas, mayor es el coste de un error. Un chatbot convencional, si falla, responde fuera de lugar. Un agente con acceso a varias fuentes puede incluir en la conversación el correo o el saldo de otra persona.
Hay además una cuestión de consentimiento. Las palabras de la empleada, que no recuerda haber pedido permiso para acceder a otras aplicaciones, revelan un problema de interfaz. Aunque técnicamente el permiso se hubiera concedido, la persona debe entender qué lee el agente y cuándo.
Qué deben hacer quienes construyen agentes
De esta historia se pueden extraer varias conclusiones prácticas. Son reglas generales de ingeniería, no un análisis del funcionamiento interno de Muse.
- Separe la memoria y el contexto de cada usuario a nivel de almacenamiento, no solo en el prompt. No se puede confiar en que el modelo por sí mismo «no muestre lo ajeno».
- Compruebe la fuente de cada dato antes de que el agente lo incluya en una respuesta. Los datos deben vincularse a una cuenta concreta, y cada consulta a una herramienta debe llevar su identificador.
- Pruebe las fugas entre cuentas de forma específica: cree varios perfiles de prueba con marcas únicas en sus datos y compruebe si esas marcas aparecen en los perfiles vecinos.
- Pida acceso a las fuentes sensibles de forma explícita y con un lenguaje comprensible, y no muestre datos financieros sin una petición directa del usuario.
- Prepare de antemano un proceso de respuesta: registros, desactivación rápida de la función y notificación a los usuarios.
Meta probablemente tendrá que explicar públicamente cómo se produjeron estos fallos y a cuántos usuarios normales afectaron. Por ahora, los mensajes de los empleados solo muestran que la compañía se topó con ellos en dispositivos internos. Para el conjunto del sector, la señal es sencilla: cuanto más rápido crece un agente, más caro resulta un aislamiento de datos descuidado.
- 21 nov 2026Meta prepara Muse Charm, un tamagotchi con IA de 300 dólares y un año de 5G de Verizon
- 21 nov 2026MLCommons empieza a medir las API de IA bajo carga real: 7 mediciones para agentes
- 21 nov 2026Unsloth actualizó los Qwen3.8-27B comprimidos: la precisión sube un 5–10% con el mismo tamaño
- 21 nov 2026Apple construye un agente de IA para Mac y complica el acceso a terceros: 14 clics en lugar de 4
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué ocurrió?
Reuters revisó los mensajes internos de los empleados de Meta. Estos se quejaban de que Muse mezcla las conversaciones de distintas cuentas y muestra datos personales ajenos. Según ellos, el agente enviaba mensajes sobre peticiones de encontrar una niñera, algo que nadie le había pedido. Daba consejos profesionales que nadie había solicitado e informaba de pedidos de productos que no habían realizado. También mencionaba saldos de cuentas bancarias que no pertenecían a esas personas.
¿Qué se sabe sobre Por qué importa?
Muse es una de las aplicaciones de crecimiento más rápido de la historia: según TechCrunch, supera los 10 millones de descargas. Mientras el agente era un juguete para entusiastas, fallos así habrían sido una curiosidad. Ahora por él pasan mensajes, pedidos e información financiera de millones de personas. Cualquier error al separar el contexto se convierte en una filtración de datos personales.
¿Qué se sabe sobre Qué deben hacer quienes construyen agentes?
De esta historia se pueden extraer varias conclusiones prácticas. Son reglas generales de ingeniería, no un análisis del funcionamiento interno de Muse. Separe la memoria y el contexto de cada usuario a nivel de almacenamiento, no solo en el prompt. No se puede confiar en que el modelo por sí mismo «no muestre lo ajeno». Compruebe la fuente de cada dato antes de que el agente lo incluya en una respuesta.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.