Para Apple el futuro de la IA también se ejecuta en local
Durante los últimos años hemos hablado muchísimo de modelos de inteligencia artificial, GPUs, centros de datos y consumo de tokens.
Pero hay otra batalla que está empezando a ser igual de interesante: ¿Dónde vamos a ejecutar la IA? Hasta ahora la respuesta parecía evidente: en la nube. Apple parece tener otra idea.
Con la nueva generación de Macs, la compañía está construyendo máquinas cada vez más preparadas para ejecutar modelos de IA directamente en nuestro escritorio.
Y eso puede cambiar bastante las reglas del juego.
El Mac mini empieza a parecer una workstation de IA
El nuevo Mac mini con M6, el primer chip de Apple fabricado en 2 nm, parte de los 1.069,00 € (con 8GB) y con 32GB de memoria compartida vale 1.509,00 €. Precios con IVA.
Pero lo realmente interesante no es su tamaño ni siquiera el procesador. Es lo que puede ejecutar localmente.
Una configuración con 32 GB de memoria permite trabajar con modelos que hace no demasiado tiempo habríamos asociado casi exclusivamente con infraestructura especializada.
Por ejemplo:
- Qwen 3.6 27B, con calidad cercana a modelos comerciales de primer nivel.
- Qwen 3 Coder 32B, convirtiendo el Mac en un asistente de programación completamente local.
- Llama 4 8B a precisión completa.
- DeepSeek R1 32B para tareas de razonamiento.
Y el salto de rendimiento es significativo: Apple habla de un procesamiento de LLMs hasta 13,5 veces más rápido que en un M1 y alrededor de 4 veces más rápido que en un M4.
Pensemos por un momento en lo que esto significa. Por 1.000 euros podemos tener encima de la mesa una máquina capaz de ejecutar modelos avanzados sin enviar constantemente prompts, documentos o datos a servidores externos. No es solo una mejora de rendimiento. Es un cambio de arquitectura.
Y después está el Mac Studio
Si subimos hasta el Mac Studio con M5 Ultra y 512 GB de memoria unificada, entramos directamente en otro territorio (y en otro precio: 12.479,00 € para el modelo de 256GB de memoria unificada; el de 512 GB no estará disponible hasta «finales de octubre»).
Aquí hablamos de ejecutar modelos como:
- Llama 4 70B con cuantización de alta calidad.
- Modelos de la familia DeepSeek V4 con cientos de miles de millones de parámetros.
- Modelos de escala frontier cargados completamente en memoria local.
La arquitectura de memoria unificada de Apple adquiere aquí una importancia enorme.
Mientras que en otras arquitecturas CPU, GPU y memoria pueden convertirse en cuellos de botella independientes, Apple lleva años diseñando sus chips alrededor de un pool común de memoria de gran ancho de banda.
Para ejecutar LLMs, esa característica resulta especialmente interesante. Pero hay algo todavía más llamativo. Es posible conectar varios Mac Studio mediante Thunderbolt 5 y crear clusters capaces de distribuir modelos mucho mayores. Cuatro Mac Studio combinados empiezan a abrir la puerta a experimentar localmente incluso con modelos del orden del billón de parámetros.
Hace unos años, hablar de algo así en un escritorio habría parecido absurdo. Ahora empieza a ser una posibilidad técnica.
La economía de los tokens también importa
Uno de los argumentos más interesantes a favor de la IA local no tiene que ver con el rendimiento, sino con el coste. Cuando utilizamos modelos a través de una API, cada interacción tiene un precio. Pagamos por los tokens de entrada, por los de salida, por el contexto que enviamos y, en algunos casos, también por el razonamiento adicional que realiza el modelo.
Para un usuario que hace unas pocas consultas al día, este coste puede ser prácticamente irrelevante. El problema aparece cuando la inteligencia artificial empieza a formar parte de procesos empresariales que se ejecutan cientos o miles de veces al día. Agentes que analizan documentos, asistentes que consultan bases de conocimiento, procesos que clasifican información, generación automática de contenidos o herramientas internas de desarrollo pueden consumir millones de tokens de forma continua.
En ese escenario, la comparación entre utilizar modelos en la nube y ejecutar parte de esas cargas de trabajo localmente empieza a ser mucho más interesante. Comprar hardware supone una inversión inicial, pero después esa máquina puede estar procesando modelos durante años sin que cada nueva inferencia genere directamente una nueva factura.
Esto no significa que comprar un Mac Studio vaya a ser automáticamente más barato que utilizar una API. La ecuación depende del modelo, del volumen de uso, del consumo energético, del mantenimiento y de muchas otras variables. Pero sí introduce una alternativa que hasta hace poco apenas existía: para determinadas cargas de trabajo intensivas y recurrentes, puede tener sentido económico disponer de capacidad de inferencia propia.
Y cuanto más se utilice la inteligencia artificial dentro de las empresas, más relevante será esta conversación.
Privacidad, latencia y control
El coste, sin embargo, es solo una parte de la historia. Una de las ventajas más claras de ejecutar modelos localmente es que la información puede permanecer dentro del dispositivo o de la infraestructura de la empresa.
Esto resulta especialmente atractivo cuando trabajamos con documentación interna, código fuente, contratos, información financiera, bases de conocimiento corporativas o cualquier otro tipo de información sensible. En lugar de enviar continuamente esos datos a un proveedor externo para que sean procesados, el modelo puede ejecutarse directamente allí donde están los datos.
También cambia la experiencia desde el punto de vista de la latencia. Si el modelo está en tu propia máquina, no necesitas enviar una petición a un centro de datos, esperar a que sea procesada y recibir posteriormente la respuesta. Para muchas tareas pequeñas y repetitivas, esa diferencia puede hacer que la interacción con la IA sea mucho más inmediata.
Pero probablemente hay una ventaja todavía más importante: el control.
Cuando ejecutas un modelo localmente puedes decidir qué modelo utilizar, qué versión mantener, qué nivel de cuantización aplicar o cuándo actualizarlo. También puedes controlar de forma mucho más precisa qué información recibe el modelo y cómo se integra con tus aplicaciones y tus datos.
Esto abre la puerta a arquitecturas en las que la inteligencia artificial deja de ser únicamente un servicio externo y pasa a convertirse en una parte más de la infraestructura tecnológica de una empresa.
La nube no va a desaparecer
Todo esto podría llevar a pensar que estamos ante una competición entre IA local e IA en la nube, pero probablemente esa no sea la forma correcta de entender lo que está ocurriendo.
La nube seguirá siendo fundamental. Los modelos más avanzados requieren una capacidad de cómputo enorme y seguirán ejecutándose en grandes centros de datos. También habrá muchas situaciones en las que utilizar una API sea más sencillo, más barato o simplemente más conveniente que mantener un modelo propio.
Lo interesante es que ya no tendremos que enviar necesariamente todas las tareas a la nube.
Muchas operaciones cotidianas pueden resolverse perfectamente con modelos más pequeños ejecutándose de manera local. Resumir un documento, analizar información interna, generar código, extraer datos de un texto, clasificar contenido o trabajar con asistentes especializados son tareas que no siempre requieren acceder al modelo más grande y avanzado disponible.
Eso nos conduce probablemente hacia una arquitectura híbrida. El dispositivo podrá resolver localmente muchas tareas y recurrirá a modelos en la nube únicamente cuando necesite más capacidad, más contexto o determinadas funcionalidades.
Es una arquitectura parecida a la que ya utilizamos en muchos otros ámbitos tecnológicos: procesamos localmente todo aquello que tiene sentido procesar cerca del usuario y recurrimos a la nube cuando necesitamos escalar.
Apple puede haber visto esta tendencia antes que muchos
Si observamos la evolución del hardware de Apple durante los últimos años, esta tendencia resulta especialmente interesante. La compañía lleva tiempo desarrollando una arquitectura basada en Apple Silicon, memoria unificada, Neural Engine, gran ancho de banda y una integración muy estrecha entre CPU, GPU y memoria.
Durante mucho tiempo hemos interpretado estas características principalmente como mejoras de rendimiento y eficiencia. Y lo son. Pero la llegada de los modelos generativos está haciendo que algunas de esas decisiones tengan ahora una relevancia mucho mayor.
La memoria es un buen ejemplo. Ejecutar modelos grandes requiere poder cargar enormes cantidades de parámetros, y disponer de cientos de gigabytes de memoria accesible de forma eficiente cambia considerablemente lo que puede hacerse en una sola máquina.
Esto convierte equipos como el Mac Studio en algo diferente a un simple ordenador potente. Para determinados desarrolladores, investigadores o empresas, pueden empezar a funcionar como auténticos servidores de inferencia que, además, caben encima de una mesa.
Y ahí es donde la estrategia de Apple empieza a resultar especialmente interesante.
Hasta ahora, gran parte de la conversación alrededor de la inteligencia artificial se ha centrado en cuál es el modelo más potente. GPT, Claude, Gemini, Llama, DeepSeek o Qwen compiten constantemente por mejorar sus capacidades y alcanzar nuevas referencias de rendimiento.
Pero probablemente la siguiente etapa de esta carrera no dependerá únicamente del modelo. También importará dónde se ejecuta, cuánto cuesta utilizarlo, qué datos necesita enviar fuera del dispositivo y qué grado de control mantiene el usuario sobre todo el proceso.
La primera etapa de la inteligencia artificial generativa ha estado claramente dominada por la nube. Era lógico: los modelos eran enormes y prácticamente nadie podía ejecutarlos fuera de grandes centros de datos.
Eso está empezando a cambiar.
Los modelos son cada vez más eficientes, las técnicas de cuantización permiten reducir considerablemente sus requisitos y el hardware de consumo es capaz de trabajar con cantidades de memoria que hace pocos años habrían parecido extraordinarias.
Por eso, el futuro probablemente no será exclusivamente local ni exclusivamente cloud. Será híbrido.
Utilizaremos modelos locales para aquellas tareas en las que privacidad, coste, velocidad o control sean importantes, y recurriremos a grandes modelos en la nube cuando necesitemos capacidades que nuestro hardware no pueda proporcionar.
En ese escenario, tener un ordenador capaz de ejecutar modelos avanzados deja de ser una curiosidad para desarrolladores y empieza a convertirse en una ventaja estratégica.
Apple parece haberlo entendido. Y puede que una de las características más importantes de las próximas generaciones de Macs no sea simplemente que sean más rápidos, sino que cada vez serán capaces de ejecutar una parte mayor de nuestra inteligencia artificial directamente sobre nuestro escritorio.
