Si llevas algún tiempo en este mundillo «digital»quizá recuerdes aquella camiseta que decía: «La nube no existe, es solo el ordenador de otra persona».
La frase tenía gracia porque desmontaba una idea que, durante los primeros años del cloud computing, no siempre resultaba evidente. Cuando guardábamos un archivo «en la nube», no desaparecía en un espacio abstracto: se almacenaba y procesaba en infraestructuras físicas pertenecientes a un proveedor.
Con la inteligencia artificial ocurre algo parecido.
Cada vez que hacemos una pregunta a un asistente de IA, resumimos un documento o pedimos a un agente que complete una tarea, alguien tiene que ejecutar el modelo. Ese proceso se llama inferencia de inteligencia artificial y, hasta ahora, se ha realizado principalmente en grandes centros de datos.
Pero algo está empezando a cambiar. La IA no abandona la nube, aunque una parte de su trabajo sí comienza a acercarse al usuario: a servidores instalados en la empresa, a equipos de sobremesa e incluso al propio dispositivo.
Qué es la inferencia de IA y por qué importa
Conviene distinguir dos momentos.
El entrenamiento es el proceso mediante el cual un modelo aprende a partir de grandes cantidades de datos. Requiere una capacidad de computación enorme y seguirá concentrado, previsiblemente, en infraestructuras de gran escala.
La inferencia, en cambio, ocurre cuando utilizamos un modelo ya entrenado para obtener una respuesta, clasificar información, generar contenido o ejecutar una acción.
Es decir: cuando escribes una instrucción en una herramienta de IA y recibes un resultado, estás provocando una inferencia.
La diferencia importa porque no todas las inferencias necesitan recurrir al modelo más grande ni ejecutarse a cientos o miles de kilómetros. Muchas tareas repetitivas, internas o muy especializadas pueden resolverse con modelos más pequeños instalados cerca de donde se encuentran los datos.
Ahí entran en juego la IA local, el procesamiento en las instalaciones de la empresa —on-premise— y el edge computing, que acerca los recursos de cálculo al lugar donde se generan o utilizan los datos. Esta proximidad puede reducir la latencia y la dependencia de una conexión continua con servicios remotos, aunque introduce sus propios requisitos de seguridad y mantenimiento. El NIST explica esta descentralización como una respuesta a algunas limitaciones de los sistemas basados exclusivamente en la nube.
Los límites de concentrar toda la IA en la nube
El modelo de IA como servicio ha facilitado enormemente su adopción. Permite utilizar sistemas muy avanzados sin comprar hardware especializado ni mantener una infraestructura propia.
Sin embargo, también presenta límites:
Cada consulta tiene un coste de procesamiento, visible mediante tokens o integrado en una suscripción.
El rendimiento depende de la conexión y de la distancia hasta la infraestructura que atiende la petición.
La organización queda expuesta a cambios de precio, disponibilidad, condiciones o límites de uso del proveedor.
Los datos pueden salir del entorno corporativo, según la herramienta, el contrato y la configuración utilizados.
Determinados sectores necesitan un control más estricto sobre la ubicación, el acceso y el tratamiento de la información.
A ello se suma la dimensión energética. La Agencia Internacional de la Energía calcula que el consumo eléctrico mundial de los centros de datos podría alcanzar alrededor de 945 TWh en 2030, más del doble que en 2024. La IA es uno de los principales motores de este crecimiento, aunque no el único. La propia agencia advierte también de que el consumo de los centros de datos aumentó un 17 % durante 2025. Son proyecciones y datos globales, no una medida del impacto de cada consulta individual, pero ayudan a entender por qué mejorar la eficiencia de la inferencia se ha convertido en una prioridad.
Cuatro movimientos que apuntan hacia una IA más local
En agosto de 2026 han coincidido varios anuncios que, observados en conjunto, muestran una dirección clara: la industria está preparando más capacidad para ejecutar inteligencia artificial fuera de la nube pública.
1. Apple convierte el escritorio en una máquina para IA local
Apple presentó el 25 de agosto de 2026 un nuevo Mac mini con M6 o M5 Pro y lo describió expresamente como un equipo preparado para la computación agéntica permanente. La compañía afirma que el modelo con M6 puede procesar instrucciones de modelos de lenguaje en LM Studio hasta 4,8 veces más rápido que el Mac mini con M4.
El salto más llamativo está en el Mac Studio con M5 Max o M5 Ultra. Su configuración superior alcanza 512 GB de memoria unificada y 1,2 TB/s de ancho de banda. Según Apple, esta capacidad permite ejecutar modelos de gran tamaño directamente en el equipo, sin pagar por cada token procesado en la nube. La configuración de 512 GB estará disponible a finales de octubre de 2026.
Esto no convierte cada Mac en un sustituto automático de un centro de datos. Sí rebaja, sin embargo, la barrera de entrada para investigadores, desarrolladores y empresas que quieren trabajar con modelos en sus propias instalaciones.
2. Perplexity propone un agente «local primero»
Perplexity ha presentado Portable Computer, una solución que ejecuta en un NVIDIA DGX Spark el agente, el orquestador y modelos adaptados para trabajar en local.
Su planteamiento resulta especialmente interesante porque no intenta elegir entre local o nube de forma absoluta. Las tareas se ejecutan inicialmente en el equipo con modelos como Qwen 3.8 27B o Qwen 3.6 35B. Cuando un paso necesita consultar información actualizada en internet o utilizar un modelo de frontera, el sistema solicita autorización antes de enviarlo a la nube.
La propuesta resume bien el posible modelo dominante de los próximos años: local por defecto y nube cuando aporte un valor necesario.
El DGX Spark dispone de 128 GB de memoria unificada y NVIDIA lo presenta como una plataforma de escritorio para agentes autónomos y modelos locales. La compañía indica que puede ejecutar inferencia con modelos de hasta 200.000 millones de parámetros, aunque el rendimiento real dependerá del modelo, su cuantización, el contexto y la carga de trabajo.
3. Qualcomm lleva la IA a las instalaciones de la empresa
Qualcomm está impulsando su Dragonwing AI On-Prem Appliance, una solución pensada para ejecutar cargas de IA dentro de la organización.
Su tarjeta AI 100 Ultra ofrece hasta 870 TOPS en operaciones INT8 con un consumo térmico de diseño de 150 vatios. Más allá de la cifra técnica, el mensaje comercial es significativo: velocidad, control y procesamiento local sin depender exclusivamente de la nube.
Este tipo de infraestructura puede ser relevante en fábricas, hospitales, entornos industriales u organizaciones que necesitan respuestas rápidas y un control reforzado sobre sus datos.
4. OpenAI busca una inferencia más eficiente dentro de sus centros de datos
El movimiento de OpenAI parece distinto, pero completa la misma fotografía.
La compañía publicó el 25 de agosto de 2026 los primeros resultados medidos de Jalapeño, su chip de inferencia desarrollado junto con Broadcom. No está diseñado para instalarse en el ordenador de una pyme, sino para mejorar la infraestructura con la que OpenAI presta sus servicios.
Según los resultados publicados por la compañía, Jalapeño consiguió entre 1,5 y 1,9 veces más trabajo de IA por vatio en el punto de máximo rendimiento y una latencia de extremo a extremo entre 1,7 y 3,6 veces menor que los sistemas utilizados como comparación. Son mediciones del propio fabricante y deberán valorarse con ese contexto.
La conclusión es clara: tanto la nube como el dispositivo están compitiendo por hacer la inferencia más rápida, más eficiente y más barata.
La IA no sale de la nube: se vuelve híbrida
Decir que «la inferencia abandona la nube» sería exagerado.
Los modelos más capaces, el entrenamiento a gran escala y las tareas que exigen razonamiento de frontera seguirán dependiendo de grandes infraestructuras. Además, la nube ofrece ventajas difíciles de reproducir en una empresa pequeña: actualizaciones continuas, escalabilidad, soporte, acceso a modelos avanzados y menor necesidad de mantener hardware propio.
Lo que sí parece crecer es un modelo híbrido:
IA local para documentos confidenciales, tareas repetitivas, grandes volúmenes y procesos que necesitan baja latencia.
Nube para búsquedas actuales, picos de demanda, modelos de frontera y tareas especialmente complejas.
Orquestación para decidir qué parte de cada proceso se ejecuta en cada entorno.
No se trata de sustituir una opción por otra, sino de asignar cada tarea al lugar más adecuado.
Qué oportunidades ofrece la IA local a las empresas
Para una empresa, esta evolución abre posibilidades concretas.
Mayor control sobre la información
Un modelo instalado en un entorno controlado puede analizar contratos, expedientes, documentación técnica o bases de conocimiento sin enviar necesariamente esos contenidos a un proveedor externo.
Pero conviene ser precisos: local no significa automáticamente privado ni seguro. El equipo puede tener accesos remotos, registrar información, utilizar conectores externos o estar mal configurado. También es necesario controlar permisos, copias de seguridad, actualizaciones, vulnerabilidades y trazabilidad.
Costes más previsibles en tareas de gran volumen
Cuando una organización procesa miles de documentos o mantiene agentes funcionando de manera continua, evitar el pago por uso puede resultar atractivo.
Eso no significa que la IA local sea gratuita. Hay que contar el precio del equipo, la electricidad, el mantenimiento, la integración, la ciberseguridad y el personal necesario. La comparación correcta no es «tokens frente a cero euros», sino coste total de propiedad frente a coste total del servicio en la nube.
Menor latencia y continuidad operativa
Procesar cerca del origen puede reducir los tiempos de respuesta y permitir que determinadas funciones continúen disponibles cuando la conexión es limitada o inestable.
Esto puede ser decisivo en procesos industriales, dispositivos médicos, sistemas de visión, logística o atención en tiempo real. Para redactar un correo ocasional, en cambio, la diferencia quizá no justifique la inversión.
Menor dependencia de un único proveedor
El uso de modelos con pesos abiertos puede facilitar que una empresa cambie de infraestructura, adapte el sistema a su caso de uso o mantenga una alternativa ante modificaciones contractuales.
Tampoco aquí conviene idealizar. Un modelo con pesos disponibles puede depender de librerías, hardware, licencias y servicios concretos. La reducción del bloqueo de proveedor debe evaluarse de forma técnica y contractual, no presumirse.
¿Amenaza la IA local a OpenAI, Anthropic y otros proveedores?
La expansión de los modelos con pesos abiertos introduce presión competitiva. Si un modelo local resuelve adecuadamente una parte amplia del trabajo cotidiano, las empresas reservarán los modelos de frontera para aquello en lo que realmente marquen una diferencia.
Pero no existe un porcentaje universal. No podemos afirmar que un modelo de 27.000 millones de parámetros resolverá el 80 % de las tareas de cualquier organización. Dependerá del sector, el idioma, la precisión exigida, las integraciones, el contexto disponible y el riesgo asociado a cada decisión.
La pregunta útil no es qué modelo «gana», sino esta:
¿Qué tareas puede resolver mi empresa en local con calidad suficiente y cuáles justifican recurrir a la nube?
Esa pregunta obliga a conocer los casos de uso reales, clasificar la información, medir resultados y decidir qué nivel de supervisión necesita cada proceso.
Antes de implantar IA local, revisa estas siete cuestiones
La decisión no debería empezar comprando un ordenador especialmente potente. Debería empezar definiendo el uso.
Finalidad: ¿qué tarea concreta resolverá el sistema?
Datos: ¿qué información utilizará y contiene datos personales, secretos empresariales o documentación confidencial?
Calidad: ¿qué precisión mínima necesita el proceso y cómo se comprobará?
Seguridad: ¿quién administrará el equipo, las actualizaciones, los accesos y los registros?
Conexiones externas: ¿el sistema es realmente local o envía determinadas consultas, métricas o archivos a terceros?
Coste total: ¿cuánto cuestan hardware, energía, mantenimiento, integración y personal durante toda su vida útil?
Gobernanza: ¿quién autoriza el caso de uso, supervisa los resultados y responde ante un incidente?
La ubicación del modelo es solo una parte de la decisión. El cumplimiento del RGPD, del Reglamento Europeo de IA, de las obligaciones de confidencialidad y de las medidas de ciberseguridad dependerá del tratamiento y del caso de uso completo. Ejecutar la IA dentro de la oficina no elimina esas obligaciones.
La pregunta ya no es nube o local
La nube seguirá siendo esencial. También crecerán los centros de datos y la inversión en chips especializados. Al mismo tiempo, tendremos más capacidad para ejecutar modelos y agentes cerca del lugar donde se necesitan.
No son movimientos contradictorios. Son dos respuestas a la misma necesidad: ofrecer más inferencia, con menos coste, menor latencia y un control más ajustado al contexto.
Para las empresas, la oportunidad no consiste en instalar IA local porque sea la nueva tendencia. Consiste en diseñar una arquitectura que tenga sentido para sus datos, sus procesos y sus riesgos.
Probablemente veremos cada vez más soluciones que funcionen en local cuando sea suficiente y recurran a la nube cuando sea necesario.
Y ese cambio nos devuelve a la vieja camiseta. La nube sigue siendo el ordenador de otra persona. La novedad es que, para algunas tareas, ese ordenador también puede volver a ser el nuestro.
Preguntas frecuentes sobre IA local e inferencia
¿Qué es la IA local?
Es la ejecución de modelos de inteligencia artificial en un dispositivo o infraestructura controlada por el usuario o la empresa, sin depender necesariamente de un servicio remoto para cada consulta.
¿Qué diferencia hay entre IA local y edge computing?
La IA local se ejecuta en el propio dispositivo o en instalaciones controladas por la organización. El edge computing es un concepto más amplio: desplaza el procesamiento desde centros de datos centrales hacia recursos situados cerca del lugar donde se generan o consumen los datos.
¿La IA local es más segura que la IA en la nube?
Puede reducir la exposición derivada de enviar información a terceros, pero no garantiza seguridad por sí sola. Requiere controles de acceso, actualizaciones, cifrado, copias de seguridad, supervisión y una configuración adecuada.
¿La IA local cumple automáticamente el RGPD y el AI Act?
No. El cumplimiento depende de la finalidad, los datos, el riesgo, los roles de las partes y las medidas aplicadas. La ubicación del modelo es un factor relevante, pero no sustituye la evaluación jurídica y técnica del sistema completo.
¿Qué es mejor para una empresa: IA local o IA en la nube?
Depende del caso de uso. La IA local puede ser adecuada para información sensible, tareas repetitivas o baja latencia. La nube suele ofrecer mejores modelos, escalabilidad y facilidad de mantenimiento. En muchas organizaciones, la mejor solución será híbrida.
Forma a tu equipo en IA
responsable
Aprende a utilizar la inteligencia artificial con criterio, reducir riesgos y avanzar en el cumplimiento del AI Act.
Abogada especializada en Inteligencia Artificial. Profesora externa de IA en ENAE. Speaker. CEO Fundadora de academiadeia.es, legalprompt.es, fenixcomunicación.es, murciaunica.com y la revista digital para «Nostálgicos de mentes inquietas» generacionfenix.com.
