Anoche Meta registró un aumento diario de más del 11%; Intel y AMD impulsaron su subida aproximadamente un 12% y un 10%, respectivamente. La causa fue el continuo auge del producto de agentes de IA personales de Meta, Muse. Vale la pena comentarlo porque podría estar reescribiendo la lógica subyacente de la “capacidad de cómputo de la IA”.
1. ¿Qué cambió exactamente Muse?
La mayoría de la IA de consumo en el mercado, en esencia, sigue siendo una herramienta de preguntas y respuestas: introduces un texto, el modelo infiere y devuelve un resultado, y la tarea termina. Muse saca la IA de la ventana de chat e intégrala en un flujo de trabajo real: tú defines un objetivo, ella lo descompone en pasos, inicia sesión en sitios web, llama servicios externos, lee el estado de las páginas y luego decide el siguiente paso; cuando se trata de pagos, enviar correos o modificar el calendario, busca tu autorización de forma proactiva, termina y luego vuelve a comprobar si la tarea se completó.
El circuito es: comprender el objetivo → formular un plan → llamar herramientas → observar resultados → ajustar el plan → seguir ejecutando.
En la IA tradicional, la unidad de trabajo es “una conversación”. En los agentes, la unidad de trabajo es “una tarea completa”. Meta también añadió un entorno de ejecución persistente en la nube: apagas la app y aun así sigue corriendo en segundo plano. Esto implica que la competencia ya no se centrará solo en los modelos base; también en los puntos de distribución, los datos de los usuarios y el ecosistema de negocio. Meta tiene enormes entradas de usuarios; una vez que Muse acumule correos, agenda, hábitos de consumo e historial de tareas, el costo de migración se vuelve absurdamente alto: no tendrías que mover solo un registro de chats, sino todo un modo de trabajo.
2. Por qué esta vez el impulso vino de la CPU
En los últimos años, el campo principal de la infraestructura de IA ha sido la GPU. Pero al entrar los agentes en el flujo de trabajo, la estructura del cómputo cambia: la GPU se encarga de “pensar” (entender el objetivo, generar el plan, identificar la página). La parte real de “hacer” —ejecutar sistemas, abrir máquinas virtuales, llamar APIs, gestionar permisos, mantener estados de tareas— recae completamente en la CPU y en servidores tradicionales.
El flujo de un modelo conversacional es: entrada → inferencia → salida → liberar recursos. El flujo de un agente es: inferencia → ejecución en CPU → esperar respuestas externas → relectura del estado → re-inferencia → re-ejecución. Una tarea larga puede repetir este ciclo decenas o incluso cientos de veces. El navegador, las máquinas virtuales, la memoria y el estado de tareas deben mantenerse en línea de forma continua. La demanda de capacidad de cómputo de IA pasa de “generar un token” a “completar una tarea con todos los recursos del sistema”.
Si Muse se abre a decenas de miles de millones de usuarios, aunque solo una pequeña parte ejecute agentes simultáneamente, se generarán enormes máquinas virtuales concurrentes, procesos de navegador y llamadas a APIs. Un agente personal tiene que interactuar con correo, pagos y permisos de cuentas; no puede meter las tareas de todos en un mismo entorno. Cuanto más se enfatiza el aislamiento de seguridad, más recursos independientes hay que asignar a cada usuario. La demanda de CPU en la era de los agentes proviene de tres líneas: aumenta el número de tareas concurrentes, se alarga el tiempo de las tareas y se endurece el aislamiento de seguridad. Por eso el mercado vuelve a fijarse en servidores multicore con CPU; incluso hay quien estima que en el futuro la demanda de núcleos de CPU se duplicará y la proporción CPU-GPU tenderá a 1:1.
En una frase, el marco de observación es este: cuando baje el costo de la inferencia, el cuello de botella de la IA pasará de “si el modelo puede pensar” a “si el sistema en segundo plano puede ejecutar con concurrencia a un costo lo bastante bajo”.
3. Cómo la demanda de cómputo se convierte en ganancias
La demanda no es igual a las ganancias; lo clave es el modelo de economía unitaria de Muse. La versión gratuita y dos niveles de suscripción (20 y 100 dólares). En el futuro, también podría monetizarse con agentes empresariales, interfaces para desarrolladores y comisiones por transacciones. Muse puede identificar la intención de consumo real; el valor teórico por usuario, en principio, supera el de los clics tradicionales de anuncios. Algunas instituciones estiman que los ingresos futuros podrían superar los 10.000 millones de dólares.
Pero la estructura de costos del agente es distinta: hay que ejecutar máquinas virtuales para el usuario, ocupar memoria, consumir red y ajustar modelos; cuanto más intensamente se use, mayor es el costo en el backend. La lógica de los dos niveles de suscripción también es, en esencia, control de recursos: limitar cantidad de tareas, limitar número de llamadas y limitar la duración en segundo plano. En comparación con una suscripción fija, la comisión por transacción se ajusta mejor a la estructura de costos de los agentes.
Un modelo transaccional, sin embargo, también puede desatar conflictos de plataforma. Amazon ya cortó las compras de Muse dentro de su app: después de que un agente complete la búsqueda y el pedido por el usuario, este salta la página de recomendaciones y los anuncios. Es probable que las plataformas de terceros adopten tres rutas: cobrar por interfaces abiertas, exigir reparto de transacciones o bloquear el acceso no autorizado. Cualquiera de las rutas reducirá los límites del servicio de Muse y su margen de beneficio.
4. Entender esta cadena de transmisión
Para Meta: Muse es una prueba decisiva de si las inversiones de capital en IA pueden convertirse en ingresos de consumo. Las descargas prueban la distribución; la tasa de finalización determina el valor; la retención y el pago determinan los ingresos; y el costo unitario por tarea determina la rentabilidad.
Para Intel: la GPU se encarga de pensar; la CPU de ejecutar. Si los agentes de consumo se despliegan a gran escala, la CPU de los servidores podría pasar de ser un componente auxiliar a ser un eslabón clave para definir la escala de concurrencia y el costo de ejecución.
La cadena completa es: el agente de consumo obtiene acceso al usuario → las tareas pasan de preguntas y respuestas a ejecución continua → aumenta la demanda de máquinas virtuales, navegadores y llamadas a herramientas → se incrementan las necesidades de CPU, memoria y red → suben los costos de infraestructura → ingresos por suscripción y transacciones validan la economía unitaria → la demanda de chips termina convirtiéndose en la ganancia del proveedor.
La GPU determina si los agentes pueden “pensar” con claridad; la CPU y la infraestructura del sistema determinan si pueden reemplazar simultáneamente a suficientes personas para completar tareas. Y el retorno final del capital depende de si el dinero ganado en cada tarea puede cubrir el costo de toda la cadena de ejecución.
1. ¿Qué cambió exactamente Muse?
La mayoría de la IA de consumo en el mercado, en esencia, sigue siendo una herramienta de preguntas y respuestas: introduces un texto, el modelo infiere y devuelve un resultado, y la tarea termina. Muse saca la IA de la ventana de chat e intégrala en un flujo de trabajo real: tú defines un objetivo, ella lo descompone en pasos, inicia sesión en sitios web, llama servicios externos, lee el estado de las páginas y luego decide el siguiente paso; cuando se trata de pagos, enviar correos o modificar el calendario, busca tu autorización de forma proactiva, termina y luego vuelve a comprobar si la tarea se completó.
El circuito es: comprender el objetivo → formular un plan → llamar herramientas → observar resultados → ajustar el plan → seguir ejecutando.
En la IA tradicional, la unidad de trabajo es “una conversación”. En los agentes, la unidad de trabajo es “una tarea completa”. Meta también añadió un entorno de ejecución persistente en la nube: apagas la app y aun así sigue corriendo en segundo plano. Esto implica que la competencia ya no se centrará solo en los modelos base; también en los puntos de distribución, los datos de los usuarios y el ecosistema de negocio. Meta tiene enormes entradas de usuarios; una vez que Muse acumule correos, agenda, hábitos de consumo e historial de tareas, el costo de migración se vuelve absurdamente alto: no tendrías que mover solo un registro de chats, sino todo un modo de trabajo.
2. Por qué esta vez el impulso vino de la CPU
En los últimos años, el campo principal de la infraestructura de IA ha sido la GPU. Pero al entrar los agentes en el flujo de trabajo, la estructura del cómputo cambia: la GPU se encarga de “pensar” (entender el objetivo, generar el plan, identificar la página). La parte real de “hacer” —ejecutar sistemas, abrir máquinas virtuales, llamar APIs, gestionar permisos, mantener estados de tareas— recae completamente en la CPU y en servidores tradicionales.
El flujo de un modelo conversacional es: entrada → inferencia → salida → liberar recursos. El flujo de un agente es: inferencia → ejecución en CPU → esperar respuestas externas → relectura del estado → re-inferencia → re-ejecución. Una tarea larga puede repetir este ciclo decenas o incluso cientos de veces. El navegador, las máquinas virtuales, la memoria y el estado de tareas deben mantenerse en línea de forma continua. La demanda de capacidad de cómputo de IA pasa de “generar un token” a “completar una tarea con todos los recursos del sistema”.
Si Muse se abre a decenas de miles de millones de usuarios, aunque solo una pequeña parte ejecute agentes simultáneamente, se generarán enormes máquinas virtuales concurrentes, procesos de navegador y llamadas a APIs. Un agente personal tiene que interactuar con correo, pagos y permisos de cuentas; no puede meter las tareas de todos en un mismo entorno. Cuanto más se enfatiza el aislamiento de seguridad, más recursos independientes hay que asignar a cada usuario. La demanda de CPU en la era de los agentes proviene de tres líneas: aumenta el número de tareas concurrentes, se alarga el tiempo de las tareas y se endurece el aislamiento de seguridad. Por eso el mercado vuelve a fijarse en servidores multicore con CPU; incluso hay quien estima que en el futuro la demanda de núcleos de CPU se duplicará y la proporción CPU-GPU tenderá a 1:1.
En una frase, el marco de observación es este: cuando baje el costo de la inferencia, el cuello de botella de la IA pasará de “si el modelo puede pensar” a “si el sistema en segundo plano puede ejecutar con concurrencia a un costo lo bastante bajo”.
3. Cómo la demanda de cómputo se convierte en ganancias
La demanda no es igual a las ganancias; lo clave es el modelo de economía unitaria de Muse. La versión gratuita y dos niveles de suscripción (20 y 100 dólares). En el futuro, también podría monetizarse con agentes empresariales, interfaces para desarrolladores y comisiones por transacciones. Muse puede identificar la intención de consumo real; el valor teórico por usuario, en principio, supera el de los clics tradicionales de anuncios. Algunas instituciones estiman que los ingresos futuros podrían superar los 10.000 millones de dólares.
Pero la estructura de costos del agente es distinta: hay que ejecutar máquinas virtuales para el usuario, ocupar memoria, consumir red y ajustar modelos; cuanto más intensamente se use, mayor es el costo en el backend. La lógica de los dos niveles de suscripción también es, en esencia, control de recursos: limitar cantidad de tareas, limitar número de llamadas y limitar la duración en segundo plano. En comparación con una suscripción fija, la comisión por transacción se ajusta mejor a la estructura de costos de los agentes.
Un modelo transaccional, sin embargo, también puede desatar conflictos de plataforma. Amazon ya cortó las compras de Muse dentro de su app: después de que un agente complete la búsqueda y el pedido por el usuario, este salta la página de recomendaciones y los anuncios. Es probable que las plataformas de terceros adopten tres rutas: cobrar por interfaces abiertas, exigir reparto de transacciones o bloquear el acceso no autorizado. Cualquiera de las rutas reducirá los límites del servicio de Muse y su margen de beneficio.
4. Entender esta cadena de transmisión
Para Meta: Muse es una prueba decisiva de si las inversiones de capital en IA pueden convertirse en ingresos de consumo. Las descargas prueban la distribución; la tasa de finalización determina el valor; la retención y el pago determinan los ingresos; y el costo unitario por tarea determina la rentabilidad.
Para Intel: la GPU se encarga de pensar; la CPU de ejecutar. Si los agentes de consumo se despliegan a gran escala, la CPU de los servidores podría pasar de ser un componente auxiliar a ser un eslabón clave para definir la escala de concurrencia y el costo de ejecución.
La cadena completa es: el agente de consumo obtiene acceso al usuario → las tareas pasan de preguntas y respuestas a ejecución continua → aumenta la demanda de máquinas virtuales, navegadores y llamadas a herramientas → se incrementan las necesidades de CPU, memoria y red → suben los costos de infraestructura → ingresos por suscripción y transacciones validan la economía unitaria → la demanda de chips termina convirtiéndose en la ganancia del proveedor.
La GPU determina si los agentes pueden “pensar” con claridad; la CPU y la infraestructura del sistema determinan si pueden reemplazar simultáneamente a suficientes personas para completar tareas. Y el retorno final del capital depende de si el dinero ganado en cada tarea puede cubrir el costo de toda la cadena de ejecución.