IA sin internet: qué puede hacer en los equipos de tu empresa

En 2026, la IA sin internet permite hacer resúmenes breves, revisar borradores y procesar voz en los propios equipos del personal, aunque la aplicación sigue decidiendo si los datos salen del dispositivo. Empieza por una tarea bien delimitada, deja claro cuándo se recurre a la nube y evalúa los resultados con tus propios documentos antes de ampliar su uso.

Para quien dirige las operaciones, la pregunta útil es qué parte del trabajo puede quedarse en un portátil o un teléfono. Convertir la nota de un técnico de campo en un resumen para el siguiente turno es un mejor punto de partida que pedirle a un asistente que investigue, razone y actúe en toda la empresa.

Información verificada con la documentación vigente de los fabricantes el 23 de octubre de 2026. La tabla de tareas que aparece más adelante analiza capacidades y requisitos documentados; no es una prueba comparativa de rendimiento.

¿Qué es la IA sin internet y cómo funciona en el dispositivo?

La IA en el dispositivo ejecuta el modelo en el propio procesador del equipo. Puede utilizar la unidad central de procesamiento (CPU), la unidad de procesamiento gráfico (GPU) o la unidad de procesamiento neuronal (NPU), un chip diseñado para los cálculos de IA que admite. Ejecutar un modelo para obtener una respuesta se llama inferencia. Una NPU necesita software preparado para aprovecharla: tener una no acelera automáticamente todas las aplicaciones de IA. Guía de Microsoft sobre NPU para desarrolladores

Imagina a un traductor sentado a tu lado con un documento, en lugar de recibirlo por mensajería en otra oficina. La inferencia local mantiene ese procesamiento junto a ti. La aplicación aún puede enviar una copia a otro lugar, igual que alguien podría mandar después el documento traducido por correo electrónico.

La llamada al modelo local no necesita enviar nada fuera del dispositivo. Sin embargo, la aplicación que lo integra puede subir instrucciones, sincronizar documentos, consultar una herramienta en línea o elegir un modelo en la nube. El framework de Apple, por ejemplo, permite dar al modelo herramientas que consultan bases de datos locales o en línea. Dónde se procesa la información y cómo la comparte la aplicación son dos decisiones distintas. Documentación de Foundation Models de Apple

Una función sin conexión también requiere preparación. Los archivos del modelo deben estar descargados y la aplicación tiene que poder acceder a los datos de entrada sin conectarse a la red. Un modelo local no puede resumir un documento que solo existe en un sistema remoto inaccesible.

¿Qué modelos de inteligencia artificial local puede usar hoy una empresa?

Empieza por el software que encaja en tu flujo de trabajo y después comprueba el hardware. Los frameworks de Apple y Google sirven para desarrollar aplicaciones; Windows incluye funciones concretas listas para usar; y las aplicaciones de escritorio para ejecutar modelos permiten al personal o a los desarrolladores elegir los suyos. Son vías de adopción diferentes.

Apple Foundation Models: funciones concretas dentro de tu aplicación

El framework Foundation Models de Apple ofrece una interfaz para crear funciones basadas en modelos en Swift, el lenguaje de programación de Apple. Su modelo local admite tareas como resumir el texto proporcionado, extraer detalles y mejorar un borrador. La generación guiada puede devolver una estructura de datos definida en Swift, algo útil cuando la aplicación necesita campos en lugar de un párrafo. Presentación del framework de Apple

Para un responsable de producto, una función razonable sería convertir la nota de un técnico en un informe estructurado de traspaso para que lo revise una persona. La aplicación aporta el material de origen y define el resultado. Es una tarea mucho más acotada que pedir al modelo que decida cómo reparar el equipo.

La guía de generación vigente de Apple incluye la creación de código, las matemáticas básicas y el razonamiento lógico entre las tareas que conviene evitar con su modelo local. Resuelve los cálculos y la validación mediante código convencional de la aplicación y evalúa cualquier contenido generado que pueda tener consecuencias. Orientaciones de Apple sobre las capacidades del modelo

El framework está disponible a partir de la generación de sistemas operativos iOS 26, iPadOS 26 y macOS 26; las API más recientes tienen sus propios requisitos de disponibilidad. El hardware debe ser compatible con Apple Intelligence: entre los ejemplos están el iPhone 15 Pro, el iPhone 16 y los modelos posteriores, así como los Mac con M1 o posterior. Comprueba durante la ejecución si el modelo concreto está disponible, incluidos el idioma, la región y el estado de la descarga. Disponibilidad del framework, Requisitos de dispositivos de Apple

Especifica el modelo local en la implementación. El framework ahora también admite Private Cloud Compute y otros proveedores de servidores. Que una aplicación diga que usa Foundation Models ya no basta para saber dónde se ejecuta una solicitud concreta. Modelos admitidos por Apple

La IA local de Google: Android y Chrome

Google Gemini Nano es el modelo local que utiliza AICore, un servicio del sistema Android. Los desarrolladores acceden a él mediante ML Kit, que ofrece API de resumen, corrección de textos, reescritura y otras funciones. En una aplicación de servicio técnico de campo, un piloto razonable sería acortar la nota que proporciona un trabajador. Descripción general de Google para Android

La compatibilidad de los dispositivos depende de la API y de la versión del modelo. Consulta las listas de dispositivos compatibles de Google y comprueba la disponibilidad; una versión genérica de Android o una cifra de RAM no bastan para confirmarla. También hay una restricción operativa: ML Kit GenAI solo permite ejecutar inferencias mientras la aplicación es la principal en primer plano, y aplica cuotas de solicitudes y de consumo de batería. Por eso, no es una buena base para procesar una cola de documentos en segundo plano sin supervisión. Requisitos y límites de ML Kit

La Prompt API, más flexible, sigue en beta y no cuenta con un acuerdo de nivel de servicio ni con una política de retirada de funciones, de modo que Google puede introducir cambios que rompan la compatibilidad. Evalúa esa dependencia antes de convertirla en una pieza esencial del trabajo del personal. Estado de la Prompt API de Google

Google Chrome permite acceder a Gemini Nano mediante API integradas en el navegador en equipos de escritorio y portátiles compatibles. Un producto web puede ofrecer un resumen local del texto que ya tiene; la Summarizer API está disponible en la versión estable de Chrome, siempre que las comprobaciones confirmen la disponibilidad de la función y del modelo. Documentación de la Summarizer API de Chrome

La ejecución con CPU exige al menos 16 GB de RAM y 4 núcleos de CPU; con GPU se necesitan estrictamente más de 4 GB de VRAM, la memoria de la GPU. Google también exige 22 GB de espacio libre en disco en el volumen donde está el perfil de Chrome. Se trata de un requisito de espacio libre, no de una indicación de cuánto ocupa el modelo. Estas API de modelos fundacionales no funcionan actualmente en Chrome para Android o iOS. Requisitos de hardware de Chrome

En una herramienta web interna, esto obliga a revisar los navegadores que utiliza el personal antes de prometer disponibilidad para todos. El texto original y una forma de trabajar manualmente deben seguir accesibles cuando el modelo local no esté disponible.

PC Copilot+: funciones útiles de Windows con límites concretos

Los PC Copilot+ de Microsoft incorporan hardware para funciones de Windows como la traducción de Live Captions, Windows Studio Effects y la búsqueda mejorada de Windows. Cada función tiene sus propias condiciones de dispositivo, idioma y despliegue. Guía de funciones de Microsoft para empresas

Esta categoría exige una NPU compatible de 40+ TOPS, 16 GB de RAM y 256 GB de almacenamiento, además de los requisitos de Windows. TOPS significa billones de operaciones por segundo; describe la capacidad de cálculo, no la calidad con la que un modelo responderá a una pregunta de tu empresa. Especificaciones de hardware de Microsoft

Live Captions es un buen ejemplo de función local: Microsoft afirma que el procesamiento del audio y la generación de subtítulos se realizan en el dispositivo. Windows ya incluye subtítulos estándar; Copilot+ añade la traducción. Sin embargo, los subtítulos generados no se guardan, por lo que esta función no sirve como archivo de reuniones ni sustituye un flujo de trabajo que necesite conservar las transcripciones. Documentación de Live Captions de Microsoft

Antes de comprar, identifica qué función justifica ese hardware. Adquirir una NPU no hace que las funciones en la nube de Microsoft Copilot, ni cualquier modelo de escritorio, pasen a ejecutarse en ese chip. Especificaciones de IA de Windows, Requisitos de software de las NPU

Ollama y LM Studio: elige tú el modelo

Ollama permite ejecutar modelos locales y ofrece una API que otras aplicaciones pueden consultar. Su documentación distingue la ejecución local de modelos de sus funciones opcionales en la nube. Encaja con desarrolladores que quieren conectar un modelo local a un flujo de trabajo existente y comprobar si está usando recursos de CPU o GPU. Documentación de Ollama

Para limitar el flujo de trabajo a la ejecución local, Ollama documenta la opción disable_ollama_cloud: true en la configuración del servidor, o la variable de entorno OLLAMA_NO_CLOUD=1 seguida de un reinicio. Esto desactiva los modelos en la nube y la búsqueda web de Ollama. No controla la actividad de red de otras aplicaciones conectadas a Ollama. Configuración de Ollama para uso exclusivamente local

LM Studio ofrece una interfaz de escritorio para descargar modelos, cargarlos y conversar con ellos, incluidas familias como Qwen, Mistral y Gemma. Son modelos de pesos abiertos cuando el fabricante pone a disposición los archivos del modelo entrenado; sus licencias siguen siendo distintas. Guía de inicio de LM Studio

Una vez descargados los archivos, LM Studio permite conversar sin conexión, procesar documentos localmente y utilizar un servidor local. Su política de privacidad vigente describe por separado los modelos opcionales en la nube y la búsqueda web. Elige expresamente la vía del modelo local. Funcionamiento sin conexión, Política de privacidad vigente de LM Studio

LM Studio recomienda al menos 16 GB de RAM, además de requisitos específicos según la plataforma; es un punto de partida, no una garantía de que todos los modelos quepan. Los Mac con Intel no son compatibles, mientras que los equipos con Apple Silicon sí lo son. En Windows, la versión x64 requiere una CPU compatible con AVX2. Requisitos de sistema de LM Studio

Consulta la guía de los mejores LLM locales para elegir un modelo adecuado para el equipo, y la comparativa de Ollama y LM Studio para comparar las aplicaciones de ejecución, el despliegue y las licencias de uso laboral. La aplicación que ejecuta el modelo y el propio modelo son decisiones independientes.

¿Qué tareas conviene ejecutar en los equipos del personal?

El procesamiento local resulta más atractivo cuando los datos de entrada ya están disponibles, la tarea está bien delimitada y una persona puede revisar el resultado. La nube sigue siendo una opción útil cuando el trabajo supera la capacidad del dispositivo o necesita un servicio gestionado de forma centralizada. La última columna ofrece un criterio de adopción, no una clasificación de calidad medida.

En la transcripción, conviene distinguir el reconocimiento de voz de la generación de resúmenes. Un modelo de lenguaje que reescribe texto no es automáticamente un transcriptor de audio. El modo Basic de reconocimiento de voz de Google utiliza un modelo de voz tradicional que se ejecuta en el dispositivo; el modo Advanced utiliza un modelo generativo. Después, la aplicación debe decidir si guarda el texto resultante y dónde lo hace. Guía de Speech Recognition de Google

Para comparar costos, contrasta una llamada de pago a una API en la nube con una ejecución local gratuita que no genera cargos de inferencia en la nube por llamada, sin olvidar el hardware, la electricidad y la administración. Información de Google sobre el costo de las API locales

Los límites que importan más que la etiqueta del chip

El primer límite suele ser cuánto trabajo cabe, no si el modelo arranca. La ventana de contexto es el espacio de trabajo del modelo para las instrucciones, el material de origen, el historial de conversación y su respuesta.

La guía vigente de Apple documenta una ventana de contexto de 4,096 tokens para su modelo local predeterminado. Los tokens son fragmentos de texto, y la entrada y la salida comparten ese límite. La guía también explica cómo consultar la capacidad del modelo concreto. Al procesar un documento largo, no se puede dar por hecho que toda la ventana esté disponible para el texto de origen. Guía de Apple sobre la ventana de contexto

Dividir un documento en fragmentos puede ayudar a que quepa, pero la aplicación debe conservar las relaciones entre ellos. Si un plazo aparece en una sección y su excepción en otra, una serie de resúmenes aislados puede perder esa relación. Evalúa la tarea completa, no solo si cada fragmento produjo texto.

Los modelos de escritorio también necesitan memoria para sus pesos y su estado de ejecución. Un contexto más largo y las solicitudes simultáneas pueden aumentar el consumo de memoria. Un modelo que funciona bien para una persona que redacta una respuesta puede no servir para procesar un lote en segundo plano mientras hay otras aplicaciones abiertas. Orientaciones de Ollama sobre memoria y concurrencia

Por eso, la prueba práctica debe hacerse en equipos representativos de los que usa el personal, con sus aplicaciones habituales en marcha. Registra el tiempo de ejecución, las solicitudes fallidas, el esfuerzo de corrección y el impacto en la batería para tu propia carga de trabajo. Ninguno de los requisitos de hardware anteriores garantiza una velocidad o calidad universal.

La privacidad y el cumplimiento dependen de toda la aplicación

Procesar en el dispositivo puede evitar una transferencia a la nube dentro de un flujo de trabajo; no certifica que ese flujo cumpla la normativa. Averigua qué envía, almacena y expone la función elegida, y pide a los responsables de seguridad y cumplimiento correspondientes que evalúen esa configuración.

Las afirmaciones de los fabricantes tienen un alcance concreto:

• Apple: su modelo local puede funcionar sin conexión, pero Foundation Models también admite proveedores en la nube y herramientas que consultan datos en línea. Documenta el modelo y las herramientas que selecciona la aplicación. Modelos admitidos por Apple
• Google en Android: ML Kit afirma que los datos de entrada y los resultados no se envían a Google. También envía métricas de rendimiento y uso, y se conecta a servidores para obtener actualizaciones. Procesar el contenido localmente no implica que no haya actividad de red. Condiciones de privacidad de ML Kit
• Google en Chrome: Google afirma que el uso del modelo local no envía datos a Google ni a terceros, y que la red se necesita para la descarga inicial del modelo. Esa afirmación no impide que el sitio web que usa la API envíe datos mediante su propio código. Requisitos del modelo de Chrome
• Microsoft: Live Captions procesa la información localmente, pero otras funciones tienen límites distintos. Cocreator de Paint genera imágenes en la NPU y utiliza servicios de seguridad en la nube; Microsoft afirma que recopila instrucciones e identificadores para prevenir abusos. Que el resultado se genere localmente no demuestra que toda la función sea local. Explicación de la privacidad de Cocreator
• Aplicaciones de escritorio para ejecutar modelos: la declaración de privacidad local de Ollama se aplica a la ejecución local. La política vigente de LM Studio distingue entre el procesamiento local y los servicios opcionales en la nube. Aunque un proveedor de nube prometa no conservar una solicitud, esta ha salido del dispositivo. Ollama, LM Studio

Antes de que el personal utilice material sensible, documenta la ubicación de las fuentes, el modelo seleccionado, las solicitudes salientes, el historial local, las copias de seguridad y cómo se eliminan los datos. Incluye las extensiones y las herramientas conectadas en esa revisión. El cifrado del dispositivo y el control de acceso importan, porque mantener el contenido en local también significa conservar copias en los equipos de los empleados.

¿Qué promesas están exageradas?

Afirmar que un portátil puede sustituir un servicio de IA en la nube confunde un cálculo con un modelo operativo. Aunque traslades la inferencia, seguirás necesitando actualizaciones del modelo, soporte, permisos, evaluación y una forma de resolver las tareas fallidas.

Una NPU es útil para las cargas de trabajo compatibles. No garantiza que cualquier modelo sea compatible. Una respuesta sin conexión elimina la necesidad de enviar y recibir datos por la red durante la inferencia; no demuestra que la respuesta llegue antes. Y un modelo instalado localmente puede seguir inventando detalles o generando resultados inadecuados.

La afirmación contraria tampoco ayuda: los modelos locales no necesitan sustituir al modelo más capaz que tengas en la nube para resultar útiles. Revisar borradores o hacer resúmenes breves de forma fiable puede justificar su adopción por sí solo. La decisión depende de si esa función concreta cumple tus criterios de aceptación en los dispositivos que tiene el personal.

¿A quién le conviene adoptar ya la IA en el dispositivo?

Los responsables de operaciones deberían probar ya tareas acotadas y revisables; los responsables de compras deberían esperar a que se demuestre una necesidad de hardware. El siguiente paso depende de cada función.

Si diriges las operaciones, empieza por una tarea recurrente, como acortar las notas internas de traspaso entre turnos. Elige entradas cuyo resultado esperado conozcas y exige que una persona apruebe la salida. Mantén disponible la fuente original para poder comparar.

Si desarrollas aplicaciones o diriges producto, utiliza la API de la plataforma cuando encaje con los dispositivos desplegados y con la función que necesitas. Integra en el producto la comprobación de disponibilidad del modelo, los límites de entrada y una alternativa manual. Si el personal usa teléfonos distintos, la experiencia debe seguir funcionando para quienes no puedan ejecutar esa función en su dispositivo.

Si eres responsable de compras o CTO, haz un inventario de los equipos existentes antes de pedir reemplazos. Evalúa por separado la necesidad de una función concreta de Windows que use la NPU y la de una aplicación de escritorio para ejecutar modelos. Aprueba la inversión en hardware cuando el flujo de trabajo elegido demuestre resultados útiles en equipos representativos.

Espera si lo que buscas es procesar grandes lotes sin supervisión mediante una API que prohíbe la inferencia en segundo plano, o si el modelo local no alcanza la calidad que necesitas. Mantén la configuración actual si un flujo de trabajo aprobado en la nube ya cubre la necesidad y trabajar en local no aporta una ventaja útil de privacidad, conectividad u operación.

Para empezar el lunes: prueba un solo flujo de trabajo

1. 1

   Elige la tarea y fija los límites de los datos

   Define una entrada y una salida concretas, como convertir una nota de traspaso en un borrador más breve. Decide si alguna parte de ese contenido puede salir del dispositivo antes de configurar una alternativa.

2. 2

   Comprueba los equipos y la disponibilidad del modelo

   Revisa el sistema operativo, el chip, la memoria y el almacenamiento libre de los equipos implicados. Descarga el modelo necesario, confirma su disponibilidad y conserva una vía manual para los equipos no compatibles.

3. 3

   Evalúa por separado el resultado y la actividad de red

   Utiliza material de prueba aprobado. Compara el resultado con la fuente, inspecciona el tráfico saliente y repite sin conexión el flujo de trabajo ya preparado. Que funcione sin conexión aporta información útil sobre esa vía, pero no demuestra que la aplicación nunca suba datos cuando está conectada.

4. 4

   Decide si conviene ampliar su uso

   Registra los fallos, el esfuerzo de corrección y la carga de soporte, además del tiempo de ejecución. Amplía el uso solo si la tarea resulta útil y el tratamiento de los datos respeta los límites previstos. Deja explícito el acceso a la nube allí donde esté permitido.

Para conocer más criterios prácticos sobre la adopción de IA, suscríbete al boletín.