Los plazos de entrega de los procesadores han aumentado hasta situarse entre 25 y 30 semanas, según los últimos datos de TrendForce, frente a las aproximadamente 16-20 semanas habituales en un mercado equilibrado. El movimiento llega mientras comienza a crecer la infraestructura necesaria para ejecutar agentes de inteligencia artificial capaces de trabajar de forma autónoma durante largos periodos.
El dato no demuestra por sí solo que servicios como Meta Muse sean responsables directos de todo el aumento, pero añade una nueva variable a un mercado que durante los últimos años había estado dominado principalmente por la demanda de GPU. Los agentes necesitan ejecutar navegadores, máquinas virtuales, herramientas y procesos auxiliares que dependen mucho más de la CPU de lo que ocurre durante la inferencia convencional de un modelo.
Los plazos aumentan entre un 50% y un 56%
Pasar de un intervalo habitual de 16-20 semanas hasta 25-30 semanas representa un incremento aproximado de entre el 50% y el 56%, dependiendo del extremo utilizado en la comparación.
No significa que exista necesariamente una escasez generalizada de CPU, pero sí refleja una presión mayor sobre el suministro y los pedidos pendientes. En un mercado equilibrado, fabricantes, integradores y proveedores suelen mantener márgenes suficientes para absorber cambios moderados de demanda sin extender de esta manera los tiempos necesarios para recibir nuevos procesadores.
La aparición de agentes de IA introduce, además, un tipo de carga diferente. Mientras entrenar y ejecutar grandes modelos continúa concentrando enormes inversiones en GPU, orquestar millones de sesiones autónomas requiere también una cantidad considerable de recursos generales de CPU, memoria y almacenamiento.
Meta’s Muse has put server CPUs back in focus.
CPU joins our Weekly Radar this week: lead times are 25–30 weeks, vs. 16–20 in a balanced market.
Agentic AI is reviving the question of how much compute demand lands on CPUs, as CSPs accelerate in-house designs. (1/2) pic.twitter.com/g8PNUf2giC— TrendForce (@trendforce) September 28, 2026
Un agente necesita mucho más que ejecutar el modelo de IA
Meta Muse sirve como ejemplo porque el agente puede abrir un navegador dentro de un entorno aislado, visitar páginas web, utilizar herramientas y mantener tareas funcionando incluso cuando el usuario abandona la aplicación.
La ejecución no ocurre directamente sobre el dispositivo del usuario. Cada sesión trabaja dentro de una máquina virtual aislada en la nube, donde se almacenan temporalmente el navegador, el estado de la tarea y los recursos necesarios para que el agente continúe trabajando.
Meta ha planteado entornos con 2 vCPU, 8 GB de RAM y 100 GB de almacenamiento SSD. Multiplicar directamente estas cifras por millones de usuarios, sin embargo, produciría una estimación muy superior a los recursos físicos realmente necesarios.
La razón es que una vCPU no equivale a un núcleo físico reservado permanentemente. Los proveedores pueden asignar más recursos virtuales que hardware físico mediante sobresuscripción, aprovechando que la mayoría de las máquinas virtuales no utilizan toda su capacidad al mismo tiempo.
Millones de máquinas virtuales no implican millones de CPU dedicadas
Una estimación elaborada por Freda Duan plantea un escenario con 100 millones de usuarios activos diarios de Muse y una utilización media de dos horas por usuario.
Si las sesiones estuvieran repartidas uniformemente durante el día, serían necesarias aproximadamente 8,33 millones de máquinas virtuales activas de media. Al aplicar un factor de 2,5 para cubrir las horas punta, la cifra aumenta hasta 20,8 millones.
Añadir alrededor de un 20% de capacidad adicional para absorber picos, fallos y crecimiento lleva el escenario hasta aproximadamente 25 millones de máquinas virtuales disponibles simultáneamente.
Si cada usuario utilizara el agente durante cuatro horas diarias en lugar de dos, la misma metodología elevaría la necesidad hasta unos 50 millones de entornos activos.
Estas cifras son ejercicios de dimensionamiento y no representan el número real de máquinas virtuales que Meta mantiene actualmente. Su utilidad está en mostrar cómo una plataforma con decenas o cientos de millones de usuarios podría transformar rápidamente una carga aparentemente pequeña por persona en una infraestructura enorme.
Meta’s Muse is on another level 🚀 $META pic.twitter.com/RoOSvPNmtV
— P Equity Research 📰 (@pequityresearch) September 25, 2026
DeepSeek muestra hasta dónde puede llegar la sobresuscripción
La estimación toma como referencia la plataforma de sandboxes para agentes de DeepSeek DSec, que ofrece un ejemplo de hasta qué punto puede aprovecharse un mismo procesador cuando las cargas permanecen inactivas durante buena parte del tiempo.
Algunos de sus datos de funcionamiento son especialmente representativos:
- Alrededor de 160 nodos dentro de la infraestructura estudiada.
- Unos 30.000 núcleos físicos de CPU disponibles.
- Más de 380.000 sandboxes concurrentes durante los picos.
- Aproximadamente 800 microVM por nodo de forma estable.
Con unos 188 núcleos físicos por nodo y 800 microVM, la relación queda alrededor de 0,235 núcleos físicos por cada entorno virtual activo.
DeepSeek consigue además que aproximadamente el 90% de sus sandboxes utilice de media un 5% o menos de los recursos de CPU solicitados, fundamentalmente porque los agentes pasan gran parte de su tiempo esperando respuestas del modelo, resultados de herramientas, tráfico de red o nuevas instrucciones.
A humble attempt to est. the infra required to serve 100M DAU @Muse
Rough conclusion is:
1 GW of power to serve 100M DAU in the base case, of which only ~0.1 GW comes from the CPU/VM layer. Depending on the # of reasoning-equivalent model calls one Muse DAU generates per day,… pic.twitter.com/fEt6OOZr15
— Freda Duan (@FredaDuan) September 27, 2026
25 millones de VM podrían necesitar unos 12,5 millones de núcleos físicos
Asumiendo una infraestructura menos optimizada que la de DeepSeek, Duan plantea un intervalo de 0,3 a 0,75 núcleos físicos por máquina virtual, utilizando 0,5 como escenario central.
Bajo esa hipótesis, mantener 25 millones de máquinas virtuales activas requeriría alrededor de 12,5 millones de núcleos físicos de CPU. Sigue siendo una cifra enorme, pero se encuentra muy lejos de interpretar que cada VM necesita dos núcleos físicos exclusivos.
Esta distinción es fundamental para evaluar el posible impacto de los agentes de IA. El número de vCPU provisionadas puede ser varias veces superior al hardware realmente instalado, siempre que la utilización simultánea permanezca suficientemente baja.
La eficiencia tampoco es constante. Una inferencia más rápida puede reducir el tiempo durante el que una máquina virtual permanece esperando, aumentando la proporción de CPU utilizada durante una sesión.
Thanks for sharing, @FredaDuan.
Your approach of separating sandbox infrastructure from inference makes sense to me. One additional question is whether the same CPU sharing ratio holds as inference wait times shrink.
For example, if users give a coding agent in @Muse a queue… https://t.co/YdlG0Lq2Tn
— Damnang (@damnang2) September 28, 2026
Los agentes pueden devolver protagonismo a la CPU
Durante la expansión inicial de la inteligencia artificial generativa, la mayor parte de la inversión se concentró en aceleradores y GPU, encargados de entrenar modelos y ejecutar la parte más intensiva de la inferencia.
Los agentes cambian parcialmente ese reparto. Un modelo puede decidir qué hacer mediante GPU, pero abrir aplicaciones, ejecutar código, gestionar máquinas virtuales, mover archivos o controlar navegadores son cargas donde las CPU continúan desempeñando un papel central.
Esto no significa que los procesadores vayan a sustituir a las GPU dentro de los centros de datos. Más bien apunta a una infraestructura donde cada acelerador de IA necesita estar acompañado por una cantidad creciente de capacidad convencional para ejecutar todo lo que ocurre alrededor del modelo.
El aumento de los plazos de entrega hasta 25-30 semanas ofrece una primera señal de que el mercado de CPU podría estar entrando en una etapa de mayor tensión. Aún resulta difícil separar cuánto procede de los agentes de IA y cuánto responde a otros factores de demanda, pero el crecimiento de estos servicios añade una carga que hace apenas unos años prácticamente no existía.
Vía: Wccftech
