Meta Muse, el agente personal de inteligencia artificial de Meta, ha multiplicado por diez su base estimada de usuarios activos diarios en apenas 11 días y ya está poniendo a prueba la capacidad de su infraestructura. Las mediciones externas sitúan el servicio en torno a 700.000 usuarios diarios, mientras Meta ha reconocido que el consumo de tokens está muy por encima de lo previsto durante las pruebas internas. El motivo está en la propia arquitectura de Muse: cada usuario dispone de un entorno virtual aislado desde el que el agente puede ejecutar tareas, utilizar herramientas y coordinar otros agentes.
Las claves de Meta Muse en 30 segundos
- Muse habría pasado de unos 70.000 a cerca de 700.000 usuarios activos diarios en solo 11 días, según una estimación de Similarweb.
- Cada usuario dispone de una máquina virtual aislada para ejecutar las tareas del agente.
- Mediciones externas han observado entornos con 2 vCPU, unos 8 GB de RAM y 100 GB de almacenamiento.
- Meta afirma que el consumo de tokens está superando ampliamente sus previsiones iniciales.
- Una prueba independiente con 120 subagentes solo consiguió lanzar 33 de forma simultánea.
El crecimiento de Muse muestra una diferencia importante entre un chatbot y un agente de IA. Un asistente conversacional puede concentrar gran parte de su carga en la inferencia del modelo. Muse necesita además mantener un entorno informático desde el que pueda actuar, abrir páginas, ejecutar comandos, almacenar archivos y realizar tareas durante periodos prolongados.
Ese diseño permite hacer más cosas con cada interacción, pero también cambia el problema de infraestructura. Cuando cientos de miles de personas utilizan simultáneamente un agente que puede trabajar de forma autónoma, la capacidad necesaria no depende únicamente del número de preguntas realizadas.
Muse no funciona como un chatbot convencional
Meta presentó Muse en septiembre de 2026 como un agente personal capaz de realizar tareas en nombre del usuario. La compañía explica que cada usuario recibe un Muse Secure VM, un entorno virtual aislado que contiene el agente y le permite trabajar con un navegador y otras herramientas.
La diferencia es relevante. En un chatbot tradicional, el usuario escribe una petición, el modelo genera una respuesta y la sesión puede terminar ahí. En Muse, una petición puede iniciar una cadena de acciones: navegar por páginas, crear archivos, ejecutar código o delegar determinadas tareas en otros agentes.
Meta ha diseñado precisamente el sistema para trabajos de mayor duración y para escenarios con múltiples agentes colaborando entre sí. Su documentación sobre seguridad explica que los entornos aislados buscan limitar lo que puede hacer un agente y separar sus acciones de otros usuarios.
Eso introduce una segunda capa de infraestructura además de la utilizada para ejecutar el modelo de IA.
Las mediciones externas realizadas sobre Muse han encontrado máquinas virtuales con aproximadamente 2 vCPU, 8 GB de RAM y 100 GB de almacenamiento. También se han identificado procesadores AMD EPYC de la familia Turin en los servidores que alojan estos entornos. Son observaciones externas, no una configuración oficial que Meta haya presentado como fija para todos los usuarios.
La inferencia del modelo se realiza en una infraestructura separada. Por tanto, esos 2 vCPU y 8 GB de memoria no significan que Meta esté asignando una GPU completa a cada usuario.
El crecimiento de usuarios no es el único problema
Una estimación de Similarweb difundida durante septiembre sitúa Muse alrededor de los 700.000 usuarios activos diarios, unas diez veces la cifra registrada 11 días antes. La métrica procede de una fuente externa y no equivale a una cifra oficial publicada por Meta.
A esa velocidad de crecimiento, incluso una asignación relativamente pequeña de recursos por usuario se convierte rápidamente en una infraestructura de gran tamaño.
Si se toman los 2 vCPU observados externamente como simple referencia, 700.000 usuarios representarían 1,4 millones de vCPU. Con 8 GB de RAM serían 5,6 petabytes de memoria y con 100 GB de almacenamiento, unos 70 petabytes.
Son cálculos teóricos. Una plataforma de este tipo puede consolidar recursos en servidores físicos, compartir capacidad, apagar o reducir recursos de entornos inactivos y aplicar diferentes límites según el uso. Por eso no deben interpretarse como una estimación del hardware que Meta tiene instalado.
Lo interesante es que la presión no parece proceder únicamente del crecimiento de la audiencia.
Alexandr Wang, responsable de inteligencia artificial de Meta, ha explicado que el comportamiento real de los usuarios está superando las previsiones realizadas durante las pruebas internas. Según la información publicada sobre Muse, el consumo de tokens estaría siendo aproximadamente diez veces superior al esperado.
En un agente autónomo, además, una interacción puede generar muchas más operaciones que un mensaje convencional. El usuario puede realizar una petición y dejar que Muse continúe trabajando, consulte distintas fuentes o delegue partes del trabajo.
El coste computacional se multiplica cuando el agente mantiene una tarea activa durante más tiempo.
Los subagentes añaden otra capa de complejidad
Muse también puede trabajar con subagentes, una característica que permite dividir una tarea entre diferentes procesos especializados. Esta capacidad resulta útil para trabajos complejos, pero introduce un problema adicional de concurrencia.
Una prueba independiente publicada en septiembre intentó crear 120 subagentes simultáneamente. Solo 33 llegaron a ejecutarse, mientras el resto encontró errores relacionados con el sistema de control. El experimento no establece un límite técnico definitivo para Muse ni constituye una prueba oficial de Meta, pero sirve para observar las dificultades que pueden aparecer cuando se dispara la concurrencia.
La cuestión es importante porque un agente no tiene por qué mantener una única ejecución. Una tarea compleja puede generar procesos adicionales que necesiten CPU, memoria, almacenamiento, conexiones de red y acceso a servicios externos.
En un chatbot, aumentar la demanda suele traducirse principalmente en más inferencia. En una plataforma de agentes, aumentar la demanda también significa multiplicar los entornos de ejecución.
Ese cambio puede tener consecuencias importantes para los costes de infraestructura de los servicios de IA. Los modelos siguen siendo uno de los componentes más caros, pero los agentes añaden una capa completa de computación alrededor del modelo.
¿Qué pasaría con 100 millones de usuarios?
Las cifras hipotéticas ayudan a visualizar el problema, aunque no sirven para predecir las necesidades reales de Meta.
Si se mantuvieran las mismas proporciones observadas, 100 millones de usuarios representarían 200 millones de vCPU, 800 petabytes de RAM y 10.000 petabytes de almacenamiento, equivalentes a 10 exabytes.
La cifra resulta enorme, pero tampoco significa que Meta tenga que proporcionar físicamente esa cantidad de hardware de forma permanente. La virtualización permite sobreasignar recursos y los sistemas pueden adaptar la capacidad al comportamiento de los usuarios.
Además, 100 millones de usuarios activos diarios no implicarían necesariamente 100 millones de agentes ejecutándose al mismo tiempo.
El cálculo sí deja clara otra cuestión: los agentes personales requieren una arquitectura diferente cuando alcanzan una escala masiva.
Meta ha comenzado con una disponibilidad limitada de Muse y está ampliando progresivamente el servicio. El producto se lanzó inicialmente en Estados Unidos y Canadá, por lo que el crecimiento observado todavía corresponde a una parte limitada del mercado potencial.
La compañía también está probando nuevos usos. Entre ellos aparecen tareas que permiten al agente interactuar con servicios externos e incluso realizar determinadas llamadas telefónicas. Reuters informó en septiembre de pruebas de un sistema de asistencia humana relacionado con esas llamadas.
El desarrollo de Muse muestra así una tendencia que puede marcar la siguiente etapa de la IA de consumo. El salto desde los asistentes que responden preguntas hasta los agentes que ejecutan trabajos completos cambia la unidad básica de consumo: ya no se trata únicamente de tokens generados, sino también de tiempo de CPU, memoria, almacenamiento, red y procesos activos.
Para Meta, el desafío inmediato será mantener esa arquitectura estable mientras crece la audiencia y aumenta la complejidad de las tareas. Los primeros cientos de miles de usuarios ya están proporcionando una prueba real de algo que los experimentos internos no siempre pueden anticipar: cuando un agente resulta útil, los usuarios tienden a darle mucho más trabajo del previsto.
Preguntas frecuentes
¿Cuántos usuarios tiene Meta Muse?
Una estimación de Similarweb sitúa Muse en alrededor de 700.000 usuarios activos diarios en septiembre de 2026. La cifra es externa y no corresponde a una métrica oficial publicada por Meta.
¿Cuánta memoria necesita cada entorno de Muse?
Mediciones externas han observado entornos con aproximadamente 8 GB de RAM, 2 vCPU y 100 GB de almacenamiento. Meta confirma el uso de máquinas virtuales aisladas, pero no ha establecido públicamente esas cifras como configuración fija para todos los usuarios.
¿Muse utiliza una GPU para cada usuario?
No. Las mediciones disponibles apuntan a que el entorno virtual del agente utiliza CPU y memoria, mientras que la inferencia del modelo se realiza en infraestructura GPU separada.
¿Por qué un agente de IA necesita más infraestructura que un chatbot?
Porque Muse puede mantener un entorno informático aislado, utilizar un navegador, ejecutar herramientas, almacenar archivos y coordinar subagentes. La carga deja de depender únicamente de la generación de texto y pasa a incluir todo el entorno necesario para ejecutar las acciones del agente.
