Episode Details

Hoy vemos qué son los modelos locales gratuitos de IA, cómo instalarlos en nuestro ordenador, y qué podemos esperar de ellos.

Pero antes, recordemos que en Boluda.com tenéis cursos para emprendedores, marketing online, desarrollo web, y todo lo que necesitáis para vuestro negocio online. Estamos en pleno curso de Codex para todo en el que estamos aprendiendo a conectar Codex con aplicaciones, servicios y plataformas reales para consultar información, crear contenido, ejecutar acciones y automatizar flujos de trabajo mediante lenguaje natural. ¡A por él!

Ahora sí, vamos al lío. Cada vez más personas se preguntan si es posible usar inteligencia artificial en local, sin depender de OpenAI, Anthropic o cualquier otro proveedor externo. La respuesta corta es sí. Se puede. Pero la respuesta larga es bastante más interesante, porque aunque tiene ventajas evidentes, también implica ciertas limitaciones que conviene conocer antes de lanzarse a ello.

Cuando hablamos de IA local no nos referimos simplemente a descargar ChatGPT en nuestro ordenador y olvidarnos de las cuotas mensuales. La realidad es que necesitamos varias piezas trabajando juntas. Por un lado está el modelo, que sería el cerebro. Por otro, el runtime, que actúa como sistema nervioso y permite que ese cerebro funcione. Y finalmente tenemos el agente, que es el encargado de interactuar con nosotros, acceder a archivos, ejecutar tareas o trabajar con código.

Entre los modelos locales más conocidos encontramos Gemma, Llama, Qwen, Mistral, DeepSeek, GLM o Kimi. Todos ellos pueden descargarse y ejecutarse localmente, ya sea en nuestro ordenador o en un servidor propio. Para gestionarlos suele utilizarse un runtime como Ollama, que se ha convertido en una de las opciones más populares por su sencillez y compatibilidad.

El flujo habitual es bastante simple. Yo hablo con un agente como OpenCode. Este agente se comunica con el runtime, por ejemplo Ollama, y este a su vez consulta el modelo que tenga instalado. Es una arquitectura diferente a la que usamos cuando trabajamos con ChatGPT, Claude o Gemini, donde toda esa infraestructura ya viene preparada por el proveedor.

Ahora bien, el gran punto a tener en cuenta es el hardware. Los modelos pequeños pueden funcionar en equipos relativamente normales, pero a medida que aumentamos el tamaño y la capacidad del modelo, también crecen las necesidades de memoria y potencia gráfica. Los modelos más avanzados pueden requerir cantidades importantes de RAM y GPUs potentes para ofrecer una experiencia fluida. De lo contrario, las respuestas pueden tardar bastante en llegar.

A cambio obtenemos ventajas muy interesantes. La primera es la privacidad, ya que los datos no salen de nuestra máquina. También ganamos control total sobre el modelo, la configuración y la infraestructura. Además, podemos trabajar incluso sin conexión a Internet y evitamos depender de APIs externas o de cambios en las políticas de terceros. Y, por supuesto, no pagamos por tokens, ya que toda la computación se realiza con nuestros propios recursos.

Sin embargo, no todo son ventajas. Necesitamos instalar, configurar y mantener todo el entorno. También debemos asumir el coste del hardware o de un servidor suficientemente potente. Y aunque los modelos locales han mejorado muchísimo durante los últimos meses,