Los modelos de inteligencia artificial que puedes instalar en tu propio ordenador no son buenos. No son lo que ya estás acostumbrado a usar. Y aun así, merece la pena tenerlos, entenderlos y, si puedes, ponerlos a funcionar antes de necesitarlos.
Me explico.
Cuando comparamos herramientas, tendemos a hacerlo en términos de rendimiento presente. ¿Cuál es mejor ahora mismo, para lo que necesito hoy? Es una pregunta razonable, pero incompleta.
La IA que usamos hoy —Claude, ChatGPT, Gemini— está financiada por una burbuja. Las valoraciones de las principales empresas del sector no responden a beneficios reales sino a expectativas de dominio futuro del mercado. Los precios que pagamos —o que no pagamos, porque muchos servicios son gratuitos o casi— no reflejan el coste real de la infraestructura que los sostiene.
No hace falta ser economista para intuir que esto tiene fecha de caducidad.
Cuando el ajuste llegue —que no si, sino cuándo— pueden pasar varias cosas: los precios suben hasta hacerse inaccesibles para la mayoría de usuarios individuales o para centros educativos con presupuestos ajustados; los servicios se degradan o desaparecen; el acceso a las herramientas más potentes queda restringido a quienes puedan pagar una tarifa premium que hoy no existe.
En ese escenario, quien haya desarrollado capacidad local tendrá continuidad. Quien dependa exclusivamente de plataformas externas, no.
La pregunta inevitable es: ¿cuánto hardware hace falta para que este plan B sea real? La respuesta, en 2026, es más asequible de lo que parece. Una tarjeta gráfica de gama media con 12 GB de memoria —como la RTX 3060, presente en miles de ordenadores de escritorio domésticos— es capaz hoy de correr modelos de 14.000 millones de parámetros a una velocidad conversacional aceptable: unos 20 tokens por segundo. No es ChatGPT. Pero es razonamiento, es síntesis, es acompañamiento de escritura.
El umbral de entrada para tener algo funcionalmente útil en local ya no es un servidor de datacenter. Una estimación realista —tarjeta gráfica, RAM suficiente y el resto del equipo— ronda los 1.000 euros. No es barato, pero tampoco es infraestructura empresarial. Lo que cambia si la burbuja revienta no es que necesitarás construir infraestructura desde cero. Es que tendrás que haberla probado antes, cuando todavía era opcional.
Si llega el momento en que los modelos en la nube son inaccesibles o prohibitivamente caros, lo que tengamos en local puede haber evolucionado de dos maneras distintas. La primera: los modelos locales habrán avanzado hasta alcanzar un nivel de calidad comparable al que hoy ofrecen los servicios en línea. La tendencia en los últimos años apunta en esa dirección —el salto cualitativo ha sido enorme—, aunque nadie puede garantizar que el ritmo se mantenga si el dinero que lo financia deja de fluir. La segunda: aunque los modelos locales no lleguen a ese nivel, si la alternativa es no tener nada, el umbral de lo suficientemente bueno baja. Un modelo que hoy parece arcaico comparado con Claude puede ser perfectamente útil el día que Claude no esté disponible o cueste diez veces más. El umbral de lo suficientemente bueno no depende de la herramienta: depende de si tienes alternativa.
Hay un segundo espacio para los modelos locales que tiene menos que ver con el riesgo económico y más con la educación. Cuando un alumno de doce años interactúa con Claude o ChatGPT, lo que ve es un oráculo. Una caja negra que produce respuestas perfectas de forma instantánea, sin esfuerzo visible, sin coste aparente, sin fricción. Eso hace muy difícil entender qué es realmente la inteligencia artificial: qué recursos consume, qué limitaciones tiene, por qué se equivoca, cómo funciona. Un modelo local es todo lo contrario. Es lento. Se equivoca de maneras visibles. A veces colapsa. Requiere instalación, configuración, hardware dedicado. Tiene una huella energética que el ordenador no esconde. Todo eso enseña algo que los modelos en la nube ocultan completamente.
La IA local en los centros educativos no como herramienta de producción, sino como escalera de comprensión. Un chatbot local que ayuda a escribir mejor en cuarto de primaria no está compitiendo con Claude: está introduciendo al alumno en una relación con la tecnología que puede evolucionar hacia usos más sofisticados y más conscientes a medida que crece. Empiezas hablando con un modelo pequeño que corrige tu ortografía. Acabas usando herramientas profesionales con criterio propio y sin dependencia acrítica. Y para usos escolares básicos —corrección de textos, acompañamiento de la escritura, apoyo en resolución de problemas, explicaciones en otras palabras— los modelos actuales ya son suficientemente buenos ahora mismo, con la ventaja nada menor de no enviar datos de menores a servidores externos.
Esta mañana pasé horas comparando modelos. No los de siempre, sino los que puedo instalar en mi propio ordenador: modelos locales que corren en mi RTX 3060, sin conexión, sin suscripción, sin que ningún servidor externo vea lo que les pregunto.
Les pasé a todos el mismo prompt. Uno sencillo, nada tramposo: una propuesta de situación de aprendizaje para sexto de primaria sobre la etimología de las palabras del español que vienen del griego, del latín, del árabe y del íbero.
Los resultados fueron reveladores, pero no de la manera que esperaba.
Algunos modelos entraron en bucles de repetición absurdos justo cuando llegaban a la parte íbera —que es, precisamente, la más difícil de documentar, la que tiene menos datos fiables. Como si el modelo, al encontrarse sin suelo firme, simplemente se atascara y repitiera la última frase que había generado, cientos de veces, hasta que el contexto se llenaba y se detenía. Otros inventaron etimologías con total confianza: palabras latinas atribuidas al árabe, raíces íberas completamente fabricadas, todo presentado con el mismo tono seguro con el que daban los datos correctos. Sin señal de alerta, sin matiz, sin «no estoy seguro de esto.»
El modelo que mejor se comportó fue también el más lento, el más pesado, el que más tarda en responder. Una paradoja que tiene su lógica: más parámetros, más contexto de entrenamiento, más capacidad para no inventar cuando no sabe.
Los modelos en la nube —los de siempre— fueron claramente superiores. La brecha es real. No tiene sentido negarla.
Y aun así, lo que más me quedó de la mañana no fue la comparativa en sí, sino el hecho de haberla hecho yo mismo. No porque lo haya leído, sino porque lo he visto. Con mi hardware, con mis modelos, con el mismo prompt aplicado sistemáticamente a todos. Eso es lo que distingue el uso consciente del uso cómodo.
Sigo usando Claude. Sigo usando ChatGPT cuando necesito contrastar. La comparativa de esta mañana lo confirma: son mejores, punto. Pero me parece importante haber probado las alternativas antes de necesitarlas. Haber entendido qué se pierde cuando desaparecen. Haber construido aunque sea un conocimiento mínimo de lo que hay debajo, antes de que sea la única opción disponible.
Slow-TIC no propone abandonar las herramientas potentes. Propone no depender de ellas ciegamente, y construir alternativas antes de necesitarlas.
La IA local, hoy, es una apuesta a futuro. Mañana, puede ser lo único que tengamos.
Slow-TIC és un projecte de reflexió crítica sobre tecnologia i educació.
Els models d’intel·ligència artificial que pots instal·lar al teu propi ordinador no són bons. No són el que ja estàs acostumat a fer servir. I tot i així, val la pena tenir-los, entendre’ls i, si pots, posar-los a funcionar abans de necessitar-los.
M’explico.
Quan comparem eines, tendim a fer-ho en termes de rendiment present. Quina és millor ara mateix, per al que necessito avui? És una pregunta raonable, però incompleta.
La IA que fem servir avui —Claude, ChatGPT, Gemini— està finançada per una bombolla. Les valoracions de les principals empreses del sector no responen a beneficis reals sinó a expectatives de domini futur del mercat. Els preus que paguem —o que no paguem, perquè molts serveis són gratuïts o gairebé— no reflecteixen el cost real de la infraestructura que els sosté.
No cal ser economista per intuir que això té data de caducitat.
Quan l’ajust arribi —que no si, sinó quan— poden passar diverses coses: els preus pugen fins a fer-se inaccessibles per a la majoria d’usuaris individuals o per a centres educatius amb pressupostos ajustats; els serveis es degraden o desapareixen; l’accés a les eines més potents queda restringit a qui pugui pagar una tarifa premium que avui no existeix.
En aquest escenari, qui hagi desenvolupat capacitat local tindrà continuïtat. Qui depengui exclusivament de plataformes externes, no.
La pregunta inevitable és: quant de maquinari cal per tal que aquest pla B sigui real? La resposta, el 2026, és més assequible del que sembla. Una targeta gràfica de gamma mitjana amb 12 GB de memòria —com la RTX 3060, present en milers d’ordinadors d’escriptori domèstics— és capaç avui de córrer models de 14.000 milions de paràmetres a una velocitat conversacional acceptable: uns 20 tokens per segon. No és ChatGPT. Però és raonament, és síntesi, és acompanyament de l’escriptura.
El llindar d’entrada per tenir alguna cosa funcionalment útil en local ja no és un servidor de datacenter. Una estimació realista —targeta gràfica, RAM suficient i la resta de l’equip— ronda els 1.000 euros. No és barat, però tampoc és infraestructura empresarial. El que canvia si la bombolla rebenta no és que hauràs de construir infraestructura des de zero. És que l’hauràs d’haver provat abans, quan encara era opcional.
Si arriba el moment en què els models al núvol són inaccessibles o prohibitivament cars, el que tinguem en local pot haver evolucionat de dues maneres diferents. La primera: els models locals hauran avançat fins a assolir un nivell de qualitat comparable al que avui ofereixen els serveis en línia. La tendència dels últims anys apunta en aquesta direcció —el salt qualitatiu ha estat enorme—, tot i que ningú pot garantir que el ritme es mantingui si els diners que el financen deixen de fluir. La segona: encara que els models locals no arribin a aquell nivell, si l’alternativa és no tenir res, el llindar del prou bo baixa. Un model que avui sembla arcaic comparat amb Claude pot ser perfectament útil el dia que Claude no estigui disponible o costi deu vegades més. El llindar del prou bo no depèn de l’eina: depèn de si tens alternativa.
Hi ha un segon espai per als models locals que té menys a veure amb el risc econòmic i més amb l’educació. Quan un alumne de dotze anys interactua amb Claude o ChatGPT, el que veu és un oracle. Una caixa negra que produeix respostes perfectes de forma instantània, sense esforç visible, sense cost aparent, sense fricció. Això fa molt difícil entendre què és realment la intel·ligència artificial: quins recursos consumeix, quines limitacions té, per què s’equivoca, com funciona. Un model local és tot el contrari. És lent. S’equivoca de maneres visibles. De vegades col·lapsa. Requereix instal·lació, configuració, maquinari dedicat. Té una petjada energètica que l’ordinador no amaga. Tot això ensenya alguna cosa que els models al núvol oculten completament.
La IA local als centres educatius no com a eina de producció, sinó com a escala de comprensió. Un chatbot local que ajuda a escriure millor a quart de primària no competeix amb Claude: està introduint l’alumne en una relació amb la tecnologia que pot evolucionar cap a usos més sofisticats i més conscients a mesura que creix. Comences parlant amb un model petit que et corregeix l’ortografia. Acabes fent servir eines professionals amb criteri propi i sense dependència acrítica. I per a usos escolars bàsics —correcció de textos, acompanyament de l’escriptura, suport en resolució de problemes, explicacions amb altres paraules— els models actuals ja són prou bons ara mateix, amb l’avantatge gens menor de no enviar dades de menors a servidors externs.
Aquest matí he passat hores comparant models. No els de sempre, sinó els que puc instal·lar al meu propi ordinador: models locals que corren a la meva RTX 3060, sense connexió, sense subscripció, sense que cap servidor extern vegi el que els pregunto.
Els hi he passat a tots el mateix prompt. Un de senzill, gens trampos: una proposta de situació d’aprenentatge per a sisè de primària sobre l’etimologia de les paraules de l’espanyol que venen del grec, del llatí, de l’àrab i de l’iber.
Els resultats van ser reveladors, però no de la manera que esperava.
Alguns models van entrar en bucles de repetició absurds just quan arribaven a la part ibèrica —que és, precisament, la més difícil de documentar, la que té menys dades fiables. Com si el model, en trobar-se sense terra ferma, simplement s’encallés i repetís l’última frase que havia generat, centenars de vegades, fins que el context s’omplia i s’aturava. Altres van inventar etimologies amb total confiança: paraules llatines atribuïdes a l’àrab, arrels ibèriques completament fabricades, tot presentat amb el mateix to segur amb què donaven les dades correctes. Sense senyal d’alerta, sense matís, sense «no n’estic segur.»
El model que millor es va comportar va ser també el més lent, el més pesat, el que més tarda a respondre. Una paradoxa que té la seva lògica: més paràmetres, més context d’entrenament, més capacitat per no inventar quan no sap.
Els models al núvol —els de sempre— van ser clarament superiors. La bretxa és real. No té sentit negar-la.
I tot i així, el que em va quedar més del matí no va ser la comparativa en si, sinó el fet d’haver-la feta jo mateix. No perquè ho hagi llegit, sinó perquè ho he vist. Amb el meu maquinari, amb els meus models, amb el mateix prompt aplicat sistemàticament a tots. Això és el que distingeix l’ús conscient de l’ús còmode.
Continuo fent servir Claude. Continuo fent servir ChatGPT quan necessito contrastar. La comparativa d’aquest matí ho confirma: són millors, punt. Però em sembla important haver provat les alternatives abans de necessitar-les. Haver entès què es perd quan desapareixen. Haver construït encara que sigui un coneixement mínim del que hi ha a sota, abans que sigui l’única opció disponible.
Slow-TIC no proposa abandonar les eines potents. Proposa no dependre d’elles cegament, i construir alternatives abans de necessitar-les.
La IA local, avui, és una aposta de futur. Demà, pot ser l’única cosa que tinguem.
Slow-TIC és un projecte de reflexió crítica sobre tecnologia i educació.
