IA local o en la nube: qué elegir para trabajar
Neaptide · 28 de septiembre de 2026 · 12 min de lectura · Actualizado: 4 de octubre de 2026
Compara IA local y en la nube: privacidad, calidad, velocidad y costes. Dos esquemas, un cálculo transparente y una plantilla para probar tus tareas.
En este artículo
La IA local atrae con una promesa sencilla: los documentos se quedan en tu ordenador, el modelo funciona sin Internet y nadie te cobra por cada consulta. Pero que ejecutar el modelo sea gratis no garantiza que el resultado salga barato. Si pasas mucho tiempo corrigiendo respuestas, lo ahorrado en la suscripción puede esfumarse en unos días de trabajo.
Respuesta breve: un modelo de lenguaje local es útil cuando necesitas procesar en tu propio dispositivo o trabajar sin conexión, siempre que su calidad sea suficiente para la tarea. Elige un servicio en la nube cuando su modelo y sus herramientas produzcan un mejor resultado de trabajo y sus condiciones de tratamiento de datos sean aceptables. Combinar ambos tiene sentido si has definido qué materiales pueden salir de tu infraestructura y en qué etapa.
Esta guía compara asistentes de texto, documentos y código con documentación verificada el 3 de octubre de 2026. No hemos hecho una prueba comparativa. El presupuesto distingue datos publicados de equipos, energía y trabajo que debes medir en tu entorno.
Qué significa que la IA sea local
En este artículo, IA local es un modelo cuyos cálculos se ejecutan en tu ordenador o en un servidor que administras. IA en la nube es un modelo que un proveedor externo ejecuta para ti. La ventana de la aplicación puede ser idéntica en ambos casos.
Un portátil con un modelo y un servidor en tu oficina no son la misma configuración. El portátil, una vez preparado, puede funcionar sin conexión. El servidor necesita acceso por red, aunque a cambio lo puede usar todo el equipo. Alquilar un servidor e instalar un modelo por tu cuenta es otro caso: controlas el software, pero la infraestructura física pertenece al proveedor. La palabra «local» no describe por sí sola todos estos límites.
LM Studio ilustra bien la diferencia. Su documentación indica que el chat con un modelo descargado y el procesamiento de documentos pueden funcionar sin conexión. Sin embargo, los modelos en la nube y la búsqueda web de esa misma aplicación de escritorio envían consultas fuera del dispositivo. Comprueba, por tanto, el modo elegido y el proceso de principio a fin.
Comparación según ocho criterios prácticos
En esta tabla, la opción local es un modelo en tu ordenador. Un servidor compartido por el equipo añade acceso por red, administración de usuarios y gestión de la carga conjunta.
| Criterio | Modelo local | Servicio en la nube |
|---|---|---|
| Datos | Puede procesar sin enviarlos a proveedores externos si todas las etapas permanecen en el dispositivo | El proveedor procesa la consulta; la conservación, el entrenamiento y el acceso dependen del producto y sus condiciones |
| Calidad | Limitada por el modelo y la configuración disponibles; hay que probarla con tus tareas | Puedes elegir modelos que no caben en tu ordenador; su calidad también debe comprobarse |
| Uso sin conexión | Posible tras descargar los componentes necesarios; las herramientas de red son un caso aparte | El procesamiento remoto requiere acceso al servicio |
| Velocidad | Depende del equipo, el modelo, la longitud de la entrada y otras tareas del ordenador | Depende del modelo, la red, la cola y los límites del servicio |
| Costes | Equipo, energía, configuración, mantenimiento y revisión de respuestas | Suscripción o pago por uso, integración, administración y revisión de respuestas |
| Mantenimiento | Tú eliges y actualizas modelos, aplicación y entorno | El proveedor mantiene la infraestructura del modelo; el proceso y los accesos siguen siendo tu responsabilidad |
| Aumento de la demanda | Más usuarios comparten recursos limitados; crecer puede exigir otro equipo | La ampliación depende de cuotas, planes y capacidad disponible del proveedor |
| Versiones | Puedes conservar archivos concretos del modelo y su entorno | El proveedor determina qué versiones están disponibles y durante cuánto tiempo |
La tabla sirve para definir tus requisitos. No te dirá qué opción es más rápida, barata o precisa con tus documentos.
Cuándo resulta útil la IA local
El procesamiento puede quedarse en tu infraestructura
Si las normas del equipo impiden enviar materiales de trabajo a un servicio externo, el procesamiento local resuelve la tarea sin esa transferencia: preparar un borrador de resumen de notas internas, por ejemplo, o clasificar solicitudes. Tanto el modelo como los componentes que leen los archivos originales deben ejecutarse localmente.
Ese control da trabajo. Hay que restringir el acceso al ordenador y a las carpetas, comprobar las copias de seguridad y actualizar el software. Tener el modelo en el disco no protege un documento frente a otro usuario, software malicioso o una sincronización mal configurada.
Puedes trabajar sin Internet
Durante un viaje o con una conexión inestable, un asistente local puede seguir editando texto y respondiendo sobre los materiales disponibles. Hay que descargar antes el modelo, los componentes de ejecución y los documentos. La búsqueda web, una base de conocimiento remota y otras dependencias de red no estarán disponibles sin conexión. La documentación de LM Studio explica esta separación entre funciones locales y descarga de componentes.
Puedes conservar una configuración probada
Para una operación repetitiva, puede ser útil fijar un modelo, sus ajustes y la aplicación. Procesar con regularidad fichas similares puede importar más que tener cada semana el modelo más reciente. Aun así, conservar los archivos no garantiza una respuesta idéntica en cada ejecución: hay que comprobar el comportamiento junto con los ajustes de generación y el entorno.
Los modelos en la nube también tienen versiones, pero es el proveedor quien decide cuánto tiempo siguen disponibles. Ollama, por ejemplo, avisa de la retirada de determinados modelos en la nube y aclara que no afecta a los modelos locales ya descargados.
Las limitaciones de ejecutar un modelo localmente
La primera es la calidad en una tarea concreta. Un modelo que cabe cómodamente en un portátil puede tener dificultades con código complejo, documentos largos o instrucciones ambiguas. Es una hipótesis que hay que comprobar. No justifica descartar todos los modelos pequeños, porque una tarea bien delimitada puede exigir menos capacidades que una conversación abierta.
La segunda es la memoria y la carga de trabajo. El archivo del modelo es solo una parte de la memoria que hará falta al usarlo. El procesamiento del contexto, los datos de trabajo y los demás programas también ocupan lo suyo. En los modelos de lenguaje, uno de esos consumos es la caché KV; sus necesidades dependen de la arquitectura y la estrategia de almacenamiento. Documentación de Hugging Face sobre la caché. Nuestra guía de RAM, VRAM y contexto incluye explicaciones y cálculos detallados.
De ahí una regla de compra: la etiqueta AI PC y una cifra de TOPS no sustituyen una prueba del modelo en la aplicación que vas a usar. La documentación de AMD describe, por ejemplo, distintas formas de ejecutar modelos en CPU, GPU y NPU con componentes de software diferentes. Que exista una NPU no significa que cualquier aplicación vaya a utilizarla automáticamente.
La tercera limitación es tu tiempo. Ni siquiera una aplicación cómoda elimina la selección del modelo, la revisión de su licencia, las actualizaciones o la resolución de fallos. En un experimento personal, eso puede ser parte del atractivo. En un proceso de equipo, alguien debe responsabilizarse. Si no hay nadie, conviene recalcular el ahorro previsto.
Qué aporta la nube y dónde están sus límites
Un servicio en la nube permite empezar sin comprar hardware para el modelo. Da acceso a modelos y herramientas que no puedes o no quieres mantener. Su utilidad depende de la tarea. Poder subir un archivo o invocar una herramienta no dice nada sobre si el resultado es correcto.
La contrapartida es depender del acceso al servicio, sus límites y sus cambios. Una suscripción no implica necesariamente un uso ilimitado. Una API exige controlar el gasto. Si cambia el modelo o desaparece una versión necesaria, tendrás que volver a validar el proceso.
Para unas pocas tareas variadas, la nube suele ser un buen punto de partida, porque puedes comprobar su utilidad antes de invertir en equipo. Hablamos del orden de los pasos. No afirmamos que la nube sea siempre más barata. Con una carga constante y hardware adecuado ya disponible, el cálculo puede cambiar.
Privacidad: cuatro preguntas distintas
Decir que «la IA en la nube se entrena con todo lo que subes» es demasiado general. Anthropic afirma, por ejemplo, que no utiliza por defecto las entradas y salidas de sus productos comerciales, incluidos Claude for Work y la API, para entrenar modelos. El envío de comentarios o un consentimiento específico pueden cambiar esas condiciones. Los productos de consumo tienen otras reglas.
Excluir los datos del entrenamiento no dice por sí solo cuánto tiempo se conservan. Para decidir dónde procesarlos, plantea cuatro preguntas:
- ¿Quién procesa los datos? ¿Solo tu máquina, tu servidor o un proveedor externo y sus subcontratistas?
- ¿Qué se guarda y durante cuánto tiempo? Los archivos originales, el historial, los registros de consultas y las copias de seguridad son objetos distintos.
- ¿Puede usarse el material para entrenar? Revisa las reglas de tu producto, plan y configuración de comentarios.
- ¿Qué servicios adicionales reciben el contenido? La búsqueda web, el reconocimiento de documentos escaneados, las herramientas externas y la sincronización pueden tener condiciones propias.
Incluso con un mismo proveedor, la conservación puede variar entre la API, los archivos subidos y la interfaz de chat. Los acuerdos sin conservación también pueden cubrir solo determinadas funciones y condiciones.
En un proceso local, una comprobación sencilla consiste en abrir un documento, hacer una pregunta y obtener una respuesta con la red desactivada. Así sabrás que el escenario probado funciona sin conexión. Lo que no queda demostrado es que no se envíen datos cuando vuelva la conectividad. Ollama permite desactivar sus funciones en la nube con OLLAMA_NO_CLOUD=1 y un reinicio de la aplicación, pero ese ajuste no controla los demás programas del ordenador.
Cuánto cuesta un resultado que puedes utilizar
Compara el mismo volumen de trabajo e incluye el tiempo humano. Una fórmula mensual básica es: parte de la inversión inicial + uso del servicio + energía adicional + mantenimiento + revisión y corrección de respuestas. Los gastos que son iguales en ambas opciones puedes dejarlos fuera, siempre que lo indiques.
Hay datos públicos: la API base de Claude Sonnet 5.5 cuesta 2/10 USD por millón de tokens de entrada/salida; los archivos Qwen2.5-7B-Instruct Q4_K_M suman 4,683 GB. Verificado el 3 de octubre de 2026. El tamaño no indica coste de equipos ni memoria en ejecución.
| Partida | Local | Nube |
|---|---|---|
| Modelo o API | Qwen2.5-7B-Instruct Q4_K_M: 4,683 GB de archivos | Sonnet 5.5: 2/10 USD por millón de tokens entrada/salida |
| Equipos | Compra adicional real y vida útil | Dispositivos de acceso y recursos necesarios |
| Energía | kWh adicionales medidos × tu tarifa | Consumo adicional medible de tu infraestructura |
| Configuración y mantenimiento | Horas registradas × tarifa acordada | Horas registradas × tarifa acordada |
| Revisión | Tiempo, rechazos y reintentos registrados | Mismas reglas en las mismas tareas |
La tabla no compara la calidad de Qwen y Claude ni calcula una factura mensual. Para ello necesitas modelo, carga y resultados del piloto. No cuentes un ordenador existente como compra nueva; registra aparte las ampliaciones exigidas por el modelo.
Coste mensual extra de revisión = tareas × minutos adicionales / 60 × coste por hora. Usa minutos medidos. Ni el tamaño del archivo ni el precio del token indican qué opción necesitará menos correcciones.
Para cerrar, calcula el coste por resultado aceptado: todos los gastos del volumen comparado, incluidos intentos fallidos y correcciones, divididos entre los resultados que superan tus comprobaciones. Si no hay ninguno aceptado, no hay nada que dividir: el proceso todavía no cumple su función.
Cómo probar ambas opciones antes de comprar equipo
Para un primer piloto puedes elegir 12 tareas representativas: cuatro de extracción de hechos, cuatro de redacción o edición y cuatro de razonamiento o código. Es un punto de partida cómodo, sin pretensiones estadísticas. Ajusta las proporciones a tu trabajo y utiliza solo materiales que ambas opciones tengan permitido procesar.
Con preguntas fáciles no basta. Añade un documento contradictorio, una pregunta cuya respuesta no aparezca en las fuentes y una tarea donde sea fácil pasar por alto un error. Si el modelo extrae un plazo de entrega, anota antes el plazo correcto y su fuente. Si edita un correo, enumera los hechos que debe preservar. Para código, prepara una comprobación del comportamiento esperado.
- Registra las condiciones. Nombre y versión del modelo, configuración local y cuantización, aplicación, contexto disponible, herramientas y modo. Para la nube: plan o API, modo elegido y fecha.
- Aporta las mismas fuentes. Si comparas modelos, iguala el acceso a búsqueda y herramientas. Si comparas procesos completos, conserva las diferencias útiles y descríbelas claramente.
- Mide la espera. Distingue la primera consulta, cuando el modelo aún no está cargado, de las siguientes. Repite el escenario varias veces; una ejecución rápida dice poco sobre una jornada de trabajo.
- Aplica criterios definidos de antemano. Registra errores críticos, aceptación o rechazo y minutos de corrección. Un formato atractivo no debe ocultar un dato incorrecto.
- Calcula los costes y prueba una situación exigente. Por ejemplo, un documento largo con tus aplicaciones habituales abiertas o un servidor compartido por varios usuarios. Prueba por separado el uso sin conexión si lo necesitas.
Los tokens por segundo sirven para el diagnóstico técnico, pero no miden el tiempo hasta obtener un resultado útil. La API de Ollama informa, por ejemplo, de duraciones separadas para cargar el modelo, procesar la entrada y generar la salida. La revisión humana y el tiempo total de la tarea tendrás que medirlos tú.
Nuestra plantilla de comparación entre IA local y en la nube incluye condiciones del piloto, una ficha de tarea y un registro de resultados. Está vacía: no contiene puntuaciones inventadas de modelos. Para tu primera instalación local, consulta la guía de Ollama.
Cuándo conviene combinar IA local y en la nube
Un proceso mixto resulta útil cuando cada etapa tiene requisitos distintos de datos y calidad. Por ejemplo, un informe interno se procesa localmente. Después, una persona prepara un resumen autorizado para el procesamiento externo y el modelo en la nube ayuda a redactar un texto público. El resultado final se comprueba frente a los hechos originales.
La dificultad está en el contenido del resumen intermedio. Eliminar nombres no basta si quedan cifras confidenciales, condiciones comerciales u otra información sensible. Transfiere únicamente el material cuyo procesamiento externo esté realmente permitido. Si no es posible, la tarea se queda dentro de la infraestructura autorizada o la realiza una persona.
Combinar ambos enfoques tiene costes propios: dos conjuntos de herramientas, traspasos entre ellos y revisión de materiales intermedios. Si una sola opción ya resuelve bien la tarea, no hace falta añadir otra solo para que la arquitectura luzca más.
Por dónde empezar
Empieza con un modelo local si trabajar sin conexión o procesar dentro de tu infraestructura es obligatorio. Prueba primero la tarea con el equipo disponible. Si la calidad no basta, decide si conviene cambiar el modelo, el proceso o el hardware. Una restricción sobre los datos no vuelve útil una respuesta deficiente.
Empieza con un servicio en la nube si el procesamiento externo es admisible, las tareas son variadas y quieres comprobar pronto la utilidad de la herramienta. Compara el resultado con tu método actual y fija un límite de gasto claro.
Combina ambas opciones cuando tengas una frontera concreta: qué originales se quedan dentro, qué puede enviarse y quién revisa el paso entre etapas. La compra de un «ordenador para IA» tiene sentido después de esa decisión, cuando ya conoces el modelo, la carga y los requisitos del resultado.