IA sin la nube: cómo los smartphones y portátiles ejecutan modelos de lenguaje en el propio dispositivo

La inteligencia artificial ya no necesita enviar cada pregunta a un centro de datos remoto. En 2026, los smartphones y portátiles pueden gestionar directamente en su propio hardware un número cada vez mayor de tareas relacionadas con el lenguaje, la voz y las imágenes. Esto no significa que un teléfono contenga el mismo modelo enorme utilizado por un gran servicio de IA en línea. En su lugar, los fabricantes emplean modelos más pequeños y cuidadosamente optimizados que se adaptan a los límites de memoria, almacenamiento y consumo energético de los dispositivos personales. Este cambio ya puede verse en Apple Intelligence, la familia Gemini Nano de Google, las funciones locales de IA de Windows de Microsoft y herramientas independientes que permiten ejecutar modelos abiertos en ordenadores convencionales. El procesamiento local puede hacer que la IA esté disponible sin una conexión estable a Internet, reducir la cantidad de información personal que debe salir del dispositivo y eliminar el retraso asociado al contacto con un servidor remoto. Los modelos en la nube siguen siendo importantes para razonamientos exigentes y tareas que requieren grandes cantidades de conocimiento, pero la IA local se ha convertido en una parte práctica de la informática cotidiana y ya no es simplemente una demostración experimental.

Por qué los modelos de lenguaje ya pueden ejecutarse en dispositivos cotidianos

El primer cambio importante se encuentra en el hardware de los teléfonos y portátiles modernos. Tradicionalmente, un ordenador dependía principalmente de su procesador central y de su procesador gráfico, pero muchos dispositivos recientes también incorporan una unidad de procesamiento neuronal, normalmente abreviada como NPU. Se trata de una parte especializada del chip diseñada para realizar los cálculos repetitivos utilizados por los modelos de aprendizaje automático con un consumo energético menor que el que necesitaría un procesador de propósito general para realizar la misma tarea. Microsoft, por ejemplo, define los Copilot+ PC en torno a una NPU capaz de realizar al menos 40 billones de operaciones por segundo. El Snapdragon X Elite de Qualcomm incluye una NPU Hexagon con un rendimiento de hasta 45 TOPS, mientras que los chips recientes de Intel, AMD, Apple, Qualcomm y otros fabricantes de semiconductores móviles reservan cada vez más capacidad de cálculo específicamente para la IA. Estas cifras no determinan por sí solas la utilidad real de un dispositivo, pero muestran hasta qué punto ha cambiado el diseño de los ordenadores.

Los modelos han cambiado tanto como el hardware. Los modelos de lenguaje que se popularizaron a través de los servicios de chat en línea pueden contener decenas o cientos de miles de millones de parámetros, es decir, los valores numéricos que el modelo utiliza para procesar el lenguaje. Ejecutar un modelo de ese tamaño en un teléfono requeriría demasiada memoria y energía. Por ello, los desarrolladores crean modelos más pequeños y los comprimen para que necesiten muchos menos recursos. Una técnica denominada cuantización almacena los valores del modelo con una precisión numérica más baja, lo que reduce la cantidad de memoria necesaria sin hacer necesariamente que el modelo deje de ser útil. Apple, por ejemplo, describió en sus investigaciones de 2025 un modelo para el dispositivo de aproximadamente tres mil millones de parámetros y continuó este enfoque con una nueva generación de modelos locales en 2026. Los modelos de este tamaño son mucho más fáciles de ejecutar en hardware de consumo y siguen siendo capaces de realizar tareas útiles de texto y multimodales.

El software también ha mejorado a la hora de decidir qué procesador debe encargarse de cada tarea. Una función de IA local no tiene por qué colocar todos los cálculos en la NPU. Parte del trabajo puede ser gestionado por la CPU, la GPU o la NPU en función del dispositivo y del software utilizado. Los sistemas operativos gestionan cada vez más esta distribución de forma automática, por lo que una persona que pide reescribir un párrafo no necesita saber qué chip está realizando cada cálculo. El resultado es un cambio importante en la forma en que la IA llega a los usuarios habituales: el procesamiento local del lenguaje puede incorporarse como una función normal del sistema operativo o de una aplicación, en lugar de tratarse como un experimento especializado. El modelo se descarga o se integra en el dispositivo, el procesamiento necesario se realiza de manera local y únicamente las tareas que realmente requieren más potencia de cálculo o información externa actualizada deben enviarse a otros sistemas.

Qué ocurre realmente cuando una solicitud permanece en el dispositivo

Cuando un modelo de lenguaje se ejecuta localmente, el proceso básico resulta sencillo desde el punto de vista del usuario. Los archivos del modelo se almacenan en el teléfono o el ordenador, el usuario introduce texto u otro tipo de información compatible y el dispositivo calcula la respuesta sin enviar esa solicitud a un servidor remoto de IA. El modelo analiza la entrada en pequeñas partes, estima qué debería aparecer a continuación y genera la respuesta paso a paso. El hardware moderno realiza estos cálculos con suficiente rapidez para muchas tareas cotidianas de corta duración. Una vez que el modelo y los componentes de software necesarios están instalados, no se requiere una conexión permanente a Internet. Por este motivo, un asistente local puede resumir un documento, reformular una frase o clasificar información mientras un portátil se utiliza durante un vuelo o cuando un teléfono dispone de una conexión móvil deficiente.

Los modelos locales son especialmente adecuados para tareas en las que la información de entrada ya se encuentra en el dispositivo y la respuesta necesaria es relativamente breve. Algunos ejemplos son corregir un mensaje, cambiar su tono, extraer nombres o fechas de una nota, crear un resumen, clasificar texto, describir una imagen o convertir voz en texto. Google ofrece Gemini Nano mediante el servicio AICore de Android y las interfaces de ML Kit para tareas que incluyen resúmenes, corrección, reescritura, descripción de imágenes y reconocimiento de voz. Los modelos de Apple destinados al dispositivo también están orientados a actividades como la comprensión de textos, la elaboración de resúmenes, la extracción de información y la mejora del contenido. Estas tareas no requieren que el modelo conozca todo lo que ha sucedido en Internet; principalmente necesita comprender el material que el propio usuario le ha proporcionado.

El procesamiento local no debe confundirse con una IA completamente independiente. Algunas funciones se ejecutan íntegramente en el dispositivo, mientras que otras utilizan un diseño híbrido. Un teléfono puede procesar información privada localmente y contactar después con un servidor más potente únicamente cuando una solicitud requiere un razonamiento más amplio o información que no está almacenada en el dispositivo. Apple, por ejemplo, utiliza tanto modelos locales como modelos de mayor tamaño que funcionan mediante Private Cloud Compute. Los desarrolladores de Android también pueden combinar Gemini Nano con modelos en línea cuando resulte apropiado. Esta distinción es importante porque una función presentada como IA no es automáticamente offline solo porque el teléfono incluya una NPU. Su comportamiento real depende de la aplicación, de la tarea y de su configuración. Por tanto, los usuarios preocupados por la privacidad o el acceso sin conexión deben comprobar cómo funciona cada característica concreta en lugar de asumir que todas las funciones de IA siguen el mismo proceso.

Dónde se utiliza ya la IA en el dispositivo en 2026

Apple ofrece uno de los ejemplos más claros de cómo los modelos de lenguaje se están convirtiendo en una parte integrada del propio dispositivo. Su generación de 2025 incluía un modelo de aproximadamente tres mil millones de parámetros diseñado para Apple silicon, y el framework Foundation Models permitía a los desarrolladores utilizar ese modelo en funciones compatibles dentro de sus propias aplicaciones. En junio de 2026, Apple presentó su tercera generación de modelos fundacionales. La familia incluye AFM 3 Core, descrito como la nueva generación de su modelo denso de tres mil millones de parámetros, y AFM 3 Core Advanced, un modelo más capaz para el dispositivo con funciones multimodales nativas. Para los usuarios habituales, lo importante no es el nombre del modelo, sino la dirección del desarrollo: cada vez más tareas que antes requerían una solicitud en línea pueden realizarse mediante software que ya se ejecuta en el teléfono, la tableta o el ordenador. Los modelos de servidor de mayor tamaño siguen siendo necesarios porque el hardware local no puede gestionar de forma eficiente todas las solicitudes.

Android ha seguido un camino similar mediante Gemini Nano y AICore. AICore es un servicio del sistema Android que gestiona el modelo y proporciona a las aplicaciones compatibles acceso a la inferencia local sin que cada desarrollador tenga que construir de forma independiente un sistema completo de IA. En julio de 2026, Google indicó que Gemini Nano funcionaba en más de 140 millones de dispositivos. La empresa también estaba probando Gemini Nano 4, basado en tecnología desarrollada para la generación Gemma 4, con especial atención a una mayor eficiencia energética y un mejor rendimiento. Para los usuarios, esto significa que la IA en el dispositivo depende cada vez menos de una única función incluida en los modelos más caros. Los desarrolladores pueden utilizar las herramientas ML Kit de Google para funciones como la reescritura, la corrección, los resúmenes y otras tareas basadas en instrucciones, permitiendo que la IA local aparezca dentro de numerosas aplicaciones en lugar de limitarse a un chatbot específico.

Los portátiles con Windows constituyen otra parte importante de este cambio. Los Copilot+ PC se introdujeron con el requisito de contar con una NPU capaz de ofrecer al menos 40 TOPS, lo que proporcionó a Windows una referencia de hardware relativamente clara para las funciones exigentes de IA local. Microsoft ha utilizado esta capacidad para características como el procesamiento de idiomas en tiempo real y otras experiencias asistidas por inteligencia artificial. Su pequeño modelo de lenguaje Phi Silica está diseñado para tareas generativas locales, entre ellas la creación de texto, la elaboración de resúmenes y la reescritura. Un avance importante de 2026 fue la ampliación de Phi Silica por parte de Microsoft a determinados ordenadores que no cumplen el requisito de NPU de los Copilot+ PC. En esos equipos, el modelo puede utilizar la GPU. Este desarrollo refleja una tendencia más amplia: el hardware especializado para IA sigue siendo valioso por su eficiencia y su efecto sobre la autonomía, pero los modelos de lenguaje locales ya no están limitados exclusivamente a una pequeña categoría de ordenadores de gama alta.

Qué pueden hacer realmente los usuarios sin acceso a la nube

La asistencia para la escritura es uno de los usos locales más prácticos porque normalmente no requiere un modelo enorme. Un dispositivo puede tomar un párrafo que el usuario ya ha escrito y hacerlo más breve, corregir la gramática, modificar su tono o extraer los detalles principales. Las notas pueden convertirse en resúmenes breves, los mensajes pueden revisarse antes de enviarse y grandes fragmentos de texto almacenados localmente pueden clasificarse. Estas tareas se adaptan bien a los modelos de lenguaje compactos porque la información necesaria ya está incluida en la propia solicitud. Un modelo local no necesita disponer de una enorme cantidad de conocimiento actualizado sobre el mundo para identificar los puntos principales de unas notas de reunión. Necesita una buena comprensión del lenguaje, suficiente contexto del documento y la capacidad de procesamiento necesaria para generar un resultado útil con una velocidad aceptable.

La voz y las imágenes forman cada vez más parte de la misma evolución de la IA local. Los modelos compactos modernos se están volviendo multimodales, lo que significa que pueden trabajar con algo más que texto. Google ya incluye la descripción de imágenes y el reconocimiento de voz en el dispositivo entre los casos de uso de Gemini Nano, mientras que AFM 3 Core Advanced de Apple, presentado en 2026, está diseñado con capacidades multimodales nativas. Esto crea oportunidades para funciones como el dictado local, la asistencia de accesibilidad, la organización de fotografías y la extracción de información de imágenes. Mantener este procesamiento en el dispositivo puede resultar especialmente útil cuando el material de origen es personal. Sin embargo, la disponibilidad varía según el hardware, la versión del sistema operativo, el idioma y la región. Una función presentada en un teléfono insignia reciente no puede darse por disponible automáticamente de la misma manera en todos los dispositivos Android o portátiles antiguos.

Los usuarios también pueden ejecutar modelos al margen de los sistemas de IA proporcionados por los fabricantes de dispositivos. El software basado en proyectos como llama.cpp permite ejecutar localmente modelos abiertos compatibles en Windows, macOS, Linux e incluso en hardware móvil. En 2026, el proyecto llama.cpp sigue siendo compatible con una amplia variedad de familias de modelos y métodos de aceleración por hardware, además de ofrecer herramientas para descargar y ejecutar modelos compactos directamente en un ordenador. Esto proporciona a los usuarios con más experiencia la opción de mantener un asistente privado de escritura, una herramienta de programación o un modelo para procesar documentos completamente en su propio equipo. La experiencia práctica varía considerablemente según el tamaño del modelo y el hardware disponible. Un portátil moderno con bastante memoria puede ejecutar modelos que no serían realistas en un teléfono, mientras que los modelos muy pequeños pueden funcionar en dispositivos mucho más limitados. Por tanto, la IA local abarca una amplia variedad de niveles de rendimiento y no un único estándar.

Ventajas, limitaciones y qué esperar de la IA local

La privacidad es una de las principales razones para procesar tareas de IA de manera local. Si una solicitud, un documento o una fotografía no necesita salir del dispositivo para realizar la inferencia, tampoco es necesario transmitir ese material a un servidor de IA simplemente para obtener un resultado. Esto puede resultar útil para notas privadas, documentos todavía no publicados, fotografías personales e información empresarial. La inferencia local también reduce la dependencia de la disponibilidad de los servidores de un proveedor. Sin embargo, es importante diferenciar el procesamiento local del modelo del comportamiento general de la aplicación. Una aplicación puede seguir sincronizando archivos, recopilando datos de diagnóstico o enviando información mediante otro servicio aunque su modelo de IA se ejecute localmente. Por tanto, el procesamiento en el dispositivo crea la posibilidad técnica de mejorar la privacidad, pero los usuarios y las organizaciones todavía deben revisar las prácticas y configuraciones relacionadas con los datos.

El funcionamiento sin conexión y unos costes más previsibles son otras ventajas. Una vez instalado el modelo necesario, generar otro resumen local no crea una nueva solicitud de inferencia remota. Esto puede resultar atractivo para aplicaciones que realizan muchas tareas pequeñas con frecuencia, y Google identifica expresamente la ausencia de costes adicionales de inferencia en la nube como uno de los motivos para utilizar modelos locales. El procesamiento en el dispositivo también puede reducir el tiempo de respuesta, ya que la solicitud no tiene que viajar a través de Internet ni esperar a un servidor remoto. La contrapartida es que el teléfono o el portátil aporta la potencia de cálculo. Los modelos grandes consumen memoria y almacenamiento, el procesamiento prolongado puede aumentar el consumo de batería y algunos dispositivos pueden calentarse durante tareas exigentes. Los archivos de los modelos también pueden ocupar bastante espacio, por lo que la IA local no está realmente libre de costes de recursos; simplemente esos costes pasan del centro de datos remoto al hardware del usuario.

La precisión sigue siendo la limitación más importante. Un modelo de lenguaje local todavía puede generar información incorrecta, interpretar mal una instrucción o producir una respuesta deficiente con aparente seguridad. Los modelos más pequeños suelen tener menos capacidad que los sistemas de servidor más grandes, especialmente para razonamientos difíciles, documentos extensos y complejos o preguntas que requieren conocimientos amplios o muy recientes. Apple describe expresamente sus modelos compactos para dispositivos como sistemas diseñados para tareas adaptadas al hardware local, y no como sustitutos de los modelos de servidor utilizados para razonamientos avanzados o para manejar grandes cantidades de conocimiento general. Esto explica por qué probablemente seguirá siendo habitual utilizar IA híbrida. Un dispositivo puede realizar de forma local las tareas rutinarias, privadas y sensibles al tiempo, y recurrir después a un modelo remoto más potente cuando la solicitud supera los límites locales. Ambos enfoques son complementarios y no sustitutos directos.

Cómo decidir si la IA local importa al comprar un dispositivo

Quien compre un teléfono o un portátil pensando en la IA local debería fijarse en algo más que una sola cifra de rendimiento. La capacidad de la NPU es importante, pero también lo son la cantidad de memoria, su velocidad, el almacenamiento, la compatibilidad del software y la eficiencia de los modelos diseñados para ese hardware. El requisito de 40 TOPS de Microsoft proporciona una referencia útil para los Copilot+ PC, pero dos ordenadores con cifras de NPU similares pueden comportarse de manera diferente porque sus procesadores, sistemas de refrigeración, memoria y software no son idénticos. Lo mismo ocurre con los teléfonos. Un procesador móvil potente no garantiza el acceso a todas las funciones de Gemini Nano si el fabricante, la versión del sistema operativo o la aplicación no las admite. Por ello, la información de compatibilidad proporcionada por el fabricante del dispositivo y el desarrollador del software resulta más útil que suponer que una cifra elevada de rendimiento en IA permitirá utilizar todas las funciones locales.

La tarea que se pretende realizar es igual de importante. Una persona que busque principalmente corrección sin conexión, transcripción, reescritura de mensajes y resúmenes de documentos puede beneficiarse considerablemente de un modelo moderno ejecutado en el dispositivo. Un investigador que espere que su portátil responda a preguntas complejas utilizando información mundial actualizada constantemente seguirá necesitando recursos en línea. También conviene comprobar la compatibilidad con idiomas, ya que los modelos locales pueden admitir menos lenguas o funciones que sus equivalentes de servidor. Los requisitos de almacenamiento deben tenerse en cuenta en dispositivos con capacidad limitada, y los usuarios preocupados por la privacidad deberían confirmar que una función puede ejecutarse realmente sin conexión en lugar de limitarse a realizar parte del procesamiento local antes de contactar con un servidor. Una prueba sencilla suele ser suficiente para aclararlo: desconectar el dispositivo de Internet y comprobar qué funciones continúan disponibles.

En 2026, el cambio importante no consiste en que la IA en la nube haya dejado de ser necesaria. Lo relevante es que los dispositivos personales ya pueden encargarse por sí mismos de una parte significativa del trabajo relacionado con la inteligencia artificial. Apple está desarrollando varios modelos diseñados específicamente para su uso local, Google amplía Gemini Nano a una gran cantidad de dispositivos Android, Microsoft lleva la generación local de lenguaje a una gama más amplia de ordenadores Windows y las herramientas de inferencia de código abierto proporcionan opciones adicionales a los usuarios. El hardware y la optimización de los modelos seguirán aumentando las capacidades de la IA compacta, pero los límites físicos relacionados con la memoria, la batería y la capacidad de procesamiento no desaparecerán. Por ello, los sistemas más útiles probablemente tratarán el teléfono o el portátil como el primer lugar donde procesar las tareas apropiadas y utilizarán recursos remotos únicamente cuando aporten algo que el modelo local no pueda ofrecer. Para los usuarios, esto significa herramientas más rápidas que pueden funcionar sin conexión, un mayor control sobre los datos sensibles y una elección más clara sobre dónde se procesa realmente su trabajo con IA.