Más allá de ChatGPT: El coste de la nube y el salto estratégico a la IA en local
Sobre cómo las empresas pueden ahorrar dinero y ganar privacidad
Cuando hablamos de inteligencia artificial en el entorno corporativo, la inercia nos lleva a pensar en superordenadores y en grandes nombres como ChatGPT, Gemini o Claude. En general, se percibe que la IA es un ente omnisciente que vive en la nube, al que pagamos una suscripción mensual para resolver nuestras dudas y hacer tareas. Sin embargo, el debate tecnológico dominante en 2026 va a empezar a ir en otra dirección: la eficiencia operativa de lo local y la soberanía de los datos.
¿Y si para resumir el manual de prevención de riesgos de tu empresa no necesitas el modelo más grande del mundo? Aquí es donde entran en juego los Small Language Models (SLM). Modelos compactos, hiper-especializados y capaces de ejecutarse directamente en la oficina. Pasan de ser un servicio que alquilas a un activo en propiedad. En este artículo de Mafia IA se describen varios de estos modelos que se pueden descargar y utilizar libremente.
La magia no existe: Cuantización y el factor Mac Mini
Correr un modelo de IA en local no es un truco de magia, es matemáticas e ingeniería de hardware. El motivo técnico por el que modelos actuales y muy solventes como Llama 3.1 (8B) de Meta, Mistral Small 3.2 o Phi-4-mini de Microsoft caben en un equipo de sobremesa se llama cuantización. Este proceso comprime el modelo reduciendo la precisión de sus parámetros para que pueda funcionar en máquinas con memoria limitada, sin perder apenas capacidad de razonamiento práctico.
A nivel de hardware, los chips de Apple han cambiado las reglas del juego. La arquitectura de memoria unificada de Apple Silicon (que reserva por defecto en torno al 75% de la RAM para uso de la GPU) permite procesar estos modelos con una agilidad sorprendente. De hecho, el mercado sigue evolucionando y el pasado 1 de junio Nvidia presentó en Taipei el RTX Spark, un superchip de hasta 128 GB de memoria unificada diseñado para ejecutar agentes de IA locales en PCs Windows, en colaboración con Microsoft. Es el primer movimiento serio de Nvidia para competir con Apple Silicon en el segmento de IA local.
En este vídeo de Brais Moure os dejo unas buen tutorial sobre cómo configurar modelos en local
A nivel de software, el despliegue es cada vez más accesible, pero exige leer la letra pequeña. Herramientas como Ollama permiten instalar estos modelos bajo una filosofía real de código abierto. En cambio, interfaces muy populares como LM Studio son gratuitas para uso personal, mientras que las versiones enterprise con funcionalidades adicionales son de pago.
¿Altruismo o estrategia?
Conviene detenerse en por qué empresas como Google, Meta o Microsoft liberan estos modelos open-weight si supuestamente competirían con las suscripciones que ellos mismos venden. La aparente paradoja se disuelve al observar qué liberan. Gemma 4 12B cubre lo descrito en este artículo, pero está dos generaciones por detrás de los modelos más potentes, que permanecen cerrados. El modelo abierto sirve para el 80 % del trabajo rutinario y, precisamente por eso, fideliza a desarrolladores: quien aprende con Gemma piensa en Google Cloud cuando llega el momento de escalar, y quien necesita más capacidad pasa por la API de Gemini. Es la lógica freemium clásica aplicada a toda la pila técnica, y opera igual con Phi-4 y Azure o con Llama y la infraestructura de Meta.
La explicación más profunda viene de la lógica de comoditizar el complemento: si ganas dinero en una capa, te interesa que la adyacente sea barata. Google gana en cloud, hardware de IA (chips que compiten con Nvidia) y publicidad; Microsoft gana en Azure y Office; Meta no vende cloud, pero al regalar Llama erosiona la ventaja competitiva de los laboratorios cuyo único producto es el modelo. Eso explica también qué laboratorios no liberan open-weights: precisamente los que viven en exclusiva de cobrar por uso (Anthropic). Para la empresa que se plantea esta decisión, el mensaje práctico es doble. El ecosistema open-weight se sostiene en la estrategia competitiva de las grandes plataformas, lo cual lo hace estructuralmente estable. Es decir, van a seguir publicando modelos cada vez más capaces porque les conviene. A la vez, el modelo más capaz que exista en cada momento seguirá siendo de pago por la misma razón.
En resumen, más que altruismo, existe una estrategia muy bien pensada.
La calculadora en la mano: OPEX en la nube vs. CAPEX local
La narrativa comercial de que tener una IA en local cuesta “exactamente cero euros” no es real. Sin embargo, los números siguen favoreciendo a la propiedad a medio plazo.
Mantener a tu plantilla conectada a modelos empresariales en la nube como ChatGPT Business o Enterprise supone un gasto recurrente de entre 25 y 60 dólares mensuales por usuario. El despliegue local elimina esa suscripción, pero introduce el coste del equipo físico mínimamente potente, el desgaste de los componentes y el consumo energético. Sigue siendo inmensamente más rentable, pero tiene su coste también.
A cambio de esta inversión inicial y el coste variable, la empresa gana privacidad absoluta y evita sustos como los conocidos en las últimas semanas de facturas desorbitadas. Al procesar la información en local, puedes analizar nóminas, historiales médicos o estrategias financieras con “zero data leakage”. Los datos confidenciales de tu negocio nunca viajan a servidores de terceros.
El coste operativo oculto: Alimentar tu IA
La principal fricción de esta tecnología no es comprar el ordenador, es la implementación técnica. Para que la IA responda basándose en los documentos de tu empresa, necesitas un sistema RAG (Retrieval-Augmented Generation).
Levantar y mantener un entorno RAG privado no se hace con dos clics. Exige estructurar bases de datos vectoriales, optimizar cómo se trocean los documentos y ajustar el sistema regularmente (fine tuning) para que la IA no empiece a inventarse respuestas (alucinaciones). Este mantenimiento es un coste operativo real e insalvable: ya sea pagando a una consultora externa o invirtiendo horas de tu propio equipo técnico, la gestión del cerebro local requiere responsabilidad.
El futuro corporativo que ya estamos viendo en 2026 es puramente híbrido. Las empresas inteligentes están derivando el 80% de su trabajo rutinario y confidencial a sus propios modelos locales, asumiendo el mantenimiento operativo para proteger sus datos y reducir la factura mensual. Y, de forma paralela, reservan su presupuesto de la nube para el 20% de las tareas críticas que realmente exigen el razonamiento superior de los gigantes tecnológicos.
Como siempre, lo bueno es tener opciones y elegir la que más se ajuste a las circunstancias de cada organización, momento y necesidad concreta. Conocer cuáles son estas opciones, sus beneficios e inconvenientes es la clave para tomar la decisión correcta. Recordemos que no todo es blanco o negro, una u otra. A veces es simplemente disponer de ellas y adaptar su uso a cada circunstancia para obtener el rendimiento óptimo y rentable. Controlar la IA también es conocer qué funciona mejor en cada momento.