Meta ha convertido Muse en uno de los ejemplos más claros del nuevo modelo de agentes personales de IA: sistemas capaces de abrir un navegador, utilizar páginas web y aplicaciones, ejecutar tareas de varios pasos y continuar trabajando incluso cuando el usuario cierra la aplicación. Esta forma de operar podría aumentar notablemente la necesidad de CPU en los centros de datos.
La razón está en que estos agentes no dependen únicamente de una GPU para ejecutar el modelo. También necesitan máquinas virtuales persistentes, sistemas operativos, navegadores, APIs, memoria y procesos en segundo plano, cargas tradicionalmente gestionadas por CPU. Algunas estimaciones sitúan la relación necesaria entre CPU y GPU entre 4:1 y 40:1, aunque se trata todavía de proyecciones y no de una proporción demostrada para toda la infraestructura de IA.
Muse mantiene un ordenador virtual dedicado para ejecutar tareas
Muse funciona dentro de una máquina virtual aislada en la nube con su propio navegador, permitiendo que el agente interactúe con servicios web de una forma parecida a un usuario. Meta utiliza además una capa de supervisión denominada Sentinel para controlar el entorno y evitar que determinadas operaciones se completen sin autorización.
La persistencia es uno de los aspectos más importantes. El entorno puede continuar funcionando aunque el usuario cierre la aplicación, manteniendo tareas, sesiones y procesos activos hasta que el trabajo termina o necesita una nueva confirmación.
Eso cambia considerablemente el perfil de consumo frente a un chatbot convencional. Una consulta puede necesitar unos segundos de inferencia, mientras un agente puede permanecer mucho más tiempo navegando, ejecutando software, esperando respuestas o moviendo información entre diferentes servicios.
Entre las cargas que recaen principalmente sobre la CPU aparecen:
- Sistema operativo y máquina virtual del agente.
- Automatización del navegador y procesamiento de páginas web.
- Conectores y llamadas a APIs de servicios externos.
- Procesos en segundo plano y tareas programadas.
- Gestión de almacenamiento, memoria y movimiento de datos.
La GPU sigue siendo esencial cuando el modelo necesita generar o interpretar información, pero gran parte del tiempo de ejecución del agente puede transcurrir llevando a cabo trabajo convencional fuera del acelerador.
OAI assistant coming soon…! Reminder, they acqu-hired the guy that originally developed OpenClaw + their product suite has always aligned more to daily consumer assistant vs. coding-first approach (despite being very good at coding now, too). I’d expect it to be quite good. https://t.co/Wrm5T52wSB
— Shanu Mathew (@ShanuMathew93) September 21, 2026
Una tarea puede provocar decenas de operaciones distintas
Un análisis publicado por FUNDA cita casos en los que Muse habría realizado hasta 146 búsquedas durante la preparación de un único itinerario, mostrando cómo una petición aparentemente sencilla puede transformarse en una cadena extensa de operaciones.
La cifra no representa un promedio oficial de Meta, pero sirve para ilustrar el problema de infraestructura. El modelo puede decidir qué pasos seguir, mientras la CPU ejecuta buena parte del trabajo necesario para abrir páginas, consultar servicios, procesar respuestas y mantener el estado de la tarea.
Si este comportamiento escala hasta millones de usuarios simultáneos, la infraestructura necesaria no crecería únicamente en GPU. También harían falta más núcleos de CPU, memoria y capacidad de virtualización para sostener todos esos entornos persistentes.
Instinct sigue un planteamiento similar
Muse tampoco es el único servicio que explora este modelo. Instinct, de Spear Street Technology, permite interactuar con un agente mediante mensajes o llamadas y conectarlo con correo, calendario y otros servicios para ejecutar tareas reales.
El producto puede ocuparse de acciones como reservar vuelos o restaurantes, gestionar citas o realizar compras, utilizando un ordenador persistente en la nube con navegador y acceso a diferentes cuentas.
La interfaz es distinta, pero la arquitectura conduce al mismo punto: el agente necesita recursos informáticos durante mucho más tiempo que una consulta tradicional, aumentando la cantidad de procesamiento generalista que acompaña a la inferencia.
También existen otros desarrollos alrededor de agentes capaces de utilizar ordenadores y navegadores de forma autónoma, por lo que el impacto potencial sobre las CPU no dependería únicamente del éxito de Muse.
Intel ya señala que la IA agéntica aumenta la necesidad de CPU
Este cambio no ha pasado desapercibido para los fabricantes. El CEO de Intel, Lip-Bu Tan, ha señalado que la inferencia y la IA agéntica están aumentando la demanda de CPU, precisamente porque los aceleradores necesitan una cantidad creciente de procesamiento generalista alrededor.
El análisis citado en la información original asegura además que Intel podría estar atendiendo únicamente alrededor del 50% de la demanda de CPU procedente de determinadas compañías que desarrollan modelos avanzados. Esa cifra debe tratarse con cautela, ya que no aparece como una previsión detallada dentro de los comunicados financieros oficiales de la compañía.
La tendencia, sin embargo, tendría implicaciones para más fabricantes. AMD y los proveedores de procesadores Arm para servidores también podrían beneficiarse si los agentes personales multiplican la cantidad de máquinas virtuales y servicios que necesitan ejecutarse simultáneamente.
One of the things I shared 😱
CPU LFG!!! https://t.co/yyrnmbN1ty pic.twitter.com/zFAyM40YCa
— Damnang (@damnang2) September 19, 2026
Las estimaciones de hasta 40 CPU por GPU siguen siendo muy preliminares
Algunas proyecciones hablan de relaciones que van desde 4:1 hasta 40:1 entre CPU y GPU, pero un intervalo tan amplio muestra precisamente la incertidumbre que todavía existe alrededor de este nuevo modelo de infraestructura.
Además, contar procesadores físicos ofrece una visión limitada. Una CPU de muchos núcleos puede alojar numerosas máquinas virtuales, mientras diferentes centros de datos pueden repartir las mismas cargas utilizando configuraciones completamente distintas.
Lo relevante es el cambio en la composición del trabajo. Un agente personal puede utilizar una GPU durante la inferencia y después dedicar mucho más tiempo a ejecutar código, navegar, gestionar archivos o comunicarse con servicios externos mediante CPU.
Por eso el posible crecimiento de demanda no debe interpretarse como una sustitución de las GPU. Los aceleradores seguirán siendo fundamentales para ejecutar los modelos, pero cada agente puede necesitar una cantidad considerable de infraestructura generalista alrededor.
Los agentes podrían abrir un nuevo ciclo de demanda para CPU
El escenario todavía depende de cuánto se extienda este tipo de asistente y de cuántos recursos pueda compartir cada plataforma entre diferentes usuarios. No existe por ahora suficiente información para considerar confirmado un “superciclo” de CPU.
Sin embargo, la arquitectura que sustenta esa tesis ya empieza a aparecer: agentes con ordenadores virtuales persistentes que utilizan navegadores, APIs y software convencional durante periodos prolongados.
Si este modelo se generaliza, el crecimiento de la IA podría dejar de medirse únicamente por el número de GPU desplegadas. CPU, memoria y virtualización pasarían a ocupar una parte mucho mayor de la infraestructura necesaria para mantener millones de agentes trabajando simultáneamente.
Vía: Wccftech
