Ensayos
La AI abandona la nube: datos sobre la transición al procesamiento en el dispositivo (2024–2029)
June 14, 2026 · 7 min de lectura
Durante los últimos quince años, la computación ha avanzado en una sola dirección: hacia la nube. Ahora, el vector está cambiando de rumbo: una parte cada vez mayor de la inferencia de AI se realiza directamente en el dispositivo del usuario (portátil, teléfono o navegador) y no en servidores remotos. Este artículo es un análisis neutral sobre qué tan real es este cambio: qué muestran los pronósticos de las principales agencias analíticas y cuáles son las razones técnicas y económicas que lo sustentan. Todas las cifras incluyen enlaces a sus fuentes originales.
Qué significa "AI en el dispositivo"
Para hablar con propiedad, definamos los términos:
- On-device (edge) inference: el modelo se ejecuta en el propio dispositivo; los datos no se envían a un servidor externo.
- NPU (Neural Processing Unit): un bloque especializado en el procesador que acelera los cálculos de AI con un bajo consumo de energía. Ha sido precisamente la llegada de las NPU al hardware de consumo masivo lo que ha hecho que la AI local sea viable en la práctica.
- SLM (Small Language Model): un modelo de lenguaje compacto (de unos pocos miles de millones de parámetros) capaz de funcionar en un teléfono o portátil sin necesidad de conectarse a un centro de datos.
La migración de la AI fuera de la nube no significa en absoluto renunciar a ella, sino un desplazamiento del centro de gravedad: cada vez se resuelven más tareas de forma local, mientras que la nube se reserva para los casos más complejos.
Los datos ya se han desplazado al extremo de la red
El indicador más general es dónde se crean y procesan los datos. En 2019, menos del 10% de los datos corporativos se procesaban fuera de un centro de datos tradicional centralizado o de la nube. Según el pronóstico de Gartner, para 2025 esta proporción alcanzará el 75%.
Fuente: Gartner — What Edge Computing Means for Infrastructure and Operations Leaders. Comparación entre 2019 y el pronóstico para 2025.
Este es el trasfondo de la infraestructura: los datos se desplazan físicamente más cerca de su origen, es decir, del usuario y sus dispositivos. La inferencia de AI sigue a los datos con la misma lógica que cualquier otro procesamiento: calcular allí donde se generan los datos es más barato y rápido que transmitirlos de un lado a otro de la red.
Hardware: los AI-PC y las NPU se convierten en el estándar
El principal motor práctico es la adopción masiva de las NPU en el hardware de consumo. Los llamados AI-PC (ordenadores con un acelerador neuronal dedicado) están pasando de ser un nicho premium a convertirse en la configuración estándar en cuestión de dos o tres años.
Según datos de IDC, los AI-PC representarán cerca del 40% de los envíos mundiales de PC en 2025 y se acercarán al 60% para 2027. Counterpoint Research pronostica que ya en 2026 los portátiles con NPU superarán la marca de la mitad de los envíos globales.
Fuentes: IDC — Worldwide PC Forecast, Counterpoint Research — AI PCs to surpass half of global shipments in 2026, Computerworld.
Los envíos representan el flujo actual. Sin embargo, el parque de dispositivos instalados es aún más revelador: según estimaciones de IDC, la proporción de AI-PC entre los ordenadores en uso aumentará del 5% en 2023 al 94% para 2028. En unos pocos años, un ordenador común ya sabrá, por defecto, ejecutar tareas de AI de forma local.
Fuente: IDC. Estimación de la base instalada, 2023 y pronóstico para 2028.
Procesadores y smartphones: hacia la AI local por defecto
A nivel de silicio, la tendencia es aún más contundente. Gartner pronostica que para 2029 la AI integrada on-device estará presente en más del 99% de los microprocesadores para PC, frente a aproximadamente el 15% en 2024. Esto significa que la presencia de un acelerador neuronal dejará de ser una opción para convertirse en parte de la arquitectura básica del procesador.
Fuente: Gartner — Top Predictions for IT Organizations and Users. 2024 y pronóstico para 2029.
En los smartphones, la dirección es la misma. Gartner prevé que ya para 2027 los modelos compactos permitirán ejecutar AI generativa avanzada directamente en el teléfono sin necesidad de recurrir a la nube. Y esto no es solo una predicción: las plataformas más grandes ya están distribuyendo este tipo de productos:
| Plataforma | Qué funciona en el dispositivo |
|---|---|
| Apple Intelligence | El modelo principal funciona de manera local; solo una parte de las tareas complejas se delega a la nube (Private Cloud Compute) |
| Microsoft Copilot+ PC | Una categoría de PC con NPU obligatoria; varias funciones de AI se procesan localmente |
| Google Gemini Nano | El modelo se ejecuta completamente en el dispositivo y sin conexión; Android es el primer sistema operativo con un modelo on-device integrado |
Cuando tres compañías que definen las plataformas para miles de millones de personas trasladan simultáneamente los cálculos al dispositivo, esto deja de ser una idea de nicho para convertirse en el rumbo de toda la industria.
Por qué este cambio es sostenible
Detrás de esta tendencia se encuentran varias fuerzas independientes, y ninguna de ellas parece ser temporal:
- La privacidad como requisito. Cuando la inferencia se realiza localmente, los datos no salen del dispositivo. Para la medicina, las finanzas, el sector legal y las notas personales, esto resuelve un problema legal y de reputación, en lugar de ser una simple comodidad. Google califica directamente a Gemini Nano como la opción más privada precisamente porque los datos no se envían a los servidores.
- La economía de la inferencia. Pagar por cada solicitud en GPU de terceros es un modelo difícil de escalar. El dispositivo que el usuario ya ha adquirido realiza los cálculos sin un coste marginal por consulta.
- Latencia y funcionamiento sin conexión. Un modelo local responde de forma instantánea y funciona sin conexión a internet, algo fundamental para los asistentes en tiempo real.
- Madurez del hardware. La inclusión de una NPU en cada nuevo portátil y teléfono ha eliminado la principal barrera técnica: hace apenas cinco años, ejecutar modelos de forma local era costoso y lento.
Qué cambia con esto
El cambio hacia la AI on-device no solo modifica dónde se procesan los modelos, sino también la arquitectura de los productos que los rodean. Si no es obligatorio que los datos viajen a la nube, una base de datos centralizada única donde se almacenen los datos de todos los usuarios deja de ser inevitable. Y este tipo de bases de datos siempre representa un doble riesgo: un punto único de fallo y un punto único de acceso (para un atacante, para una filtración o para una solicitud externa). Cuanto más procesamiento se traslade al dispositivo, menos razones habrá para recopilar datos sensibles en un solo lugar.
Para los usuarios y las empresas, esto significa algo muy sencillo: la privacidad será cada vez más una consecuencia directa de la arquitectura y no de una simple promesa en la política de privacidad. Y los productos ganadores serán aquellos diseñados para un mundo donde la AI convive con la persona, en lugar de residir en un servidor ajeno.
Transparencia: este material ha sido preparado por el equipo de maxOS — desarrollamos herramientas para videollamadas con procesamiento en el dispositivo, por lo que este tema nos resulta muy cercano. Los datos del artículo pertenecen a las fuentes independientes mencionadas anteriormente; hemos intentado presentarlos sin alteraciones. Temas relacionados: adónde va su voz y por qué pagamos por la mejora de modelos locales.