Voltar para o blog
IAApplemacOSBun

Apple prepara app para rodar IA local no Mac: o que muda

12 de novembro de 2026·6 min de leitura·Diego Horvatti

A Apple tem um app novo para Mac a caminho, e a proposta é facilitar a vida de quem quer rodar modelos de IA na própria máquina. A informação é do 9to5Mac. Se você já tentou rodar IA local no Mac, sabe que instalar nunca foi a parte difícil. Difícil é escolher o modelo, descobrir se ele cabe na memória e plugar isso no seu código.

Eu não vou recontar a matéria aqui. Nome, data e requisitos você confere na fonte. O que me interessa é outra pergunta: o que isso muda pra quem programa?

O que a Apple está preparando

O fato é simples. Segundo o 9to5Mac, vem aí um app de Mac feito pela própria Apple, com foco em tornar fácil rodar modelos de IA locais.

Isso encaixa numa história que já vinha sendo montada em peças:

  • MLX: o framework open source da Apple para rodar e treinar modelos em Apple Silicon. Existe desde o fim de 2023 e virou o padrão da comunidade no Mac.
  • Foundation Models: o framework apresentado na WWDC 2025 que dá acesso, via Swift, ao modelo que roda no próprio aparelho.

As peças eram boas, mas todas exigiam terminal ou Xcode. Faltava uma porta de entrada. Hoje esse espaço é ocupado por ferramentas de terceiros, como Ollama e LM Studio. Um app oficial entra exatamente aí.

Por que rodar IA local no Mac faz sentido

O motivo é hardware. No Apple Silicon, a memória é unificada: CPU e GPU usam a mesma RAM. Num PC, o modelo precisa caber na VRAM da placa de vídeo, e placa com 24 GB custa caro. Num Mac com 32 GB, boa parte desses 32 GB serve para o modelo.

Na prática, a conta é mais ou menos esta:

  • Um modelo de 7B quantizado em 4 bits ocupa perto de 5 GB.
  • Um de 14B fica na faixa de 9 GB.
  • Um de 32B passa de 20 GB.

Desde o fim de 2024, o Mac mais básico sai com 16 GB. Isso roda um modelo de 7B com folga e um de 14B com o navegador fechado. Os de 32B pedem 32 GB ou mais, e uma ventoinha com disposição.

O melhor modelo local é o que cabe na sua RAM e responde antes de você perder a paciência.

Tem também o lado que nenhum benchmark mostra. Código de cliente, log de produção e dado pessoal não saem da máquina. Não tem fatura por token. E funciona no avião.

Como rodar um modelo local hoje, sem esperar a Apple

Você não precisa esperar o app para testar a ideia. Com Ollama, são três comandos:

brew install ollama
ollama serve
ollama pull qwen2.5-coder:7b

O Ollama sobe um servidor em localhost:11434 com uma API compatível com a da OpenAI. Isso é o detalhe que importa: qualquer código que fala esse formato funciona sem mudança.

Um exemplo real com Bun. Um script que lê o diff em stage e sugere a mensagem de commit:

// commit-msg.ts
import { $ } from 'bun'

const baseURL = process.env.LLM_BASE_URL ?? 'http://localhost:11434/v1'
const model = process.env.LLM_MODEL ?? 'qwen2.5-coder:7b'

const diff = await $`git diff --staged`.text()

const res = await fetch(`${baseURL}/chat/completions`, {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model,
    messages: [
      { role: 'system', content: 'Escreva uma mensagem de commit curta, em português.' },
      { role: 'user', content: diff },
    ],
  }),
})

const { choices } = await res.json()
console.log(choices[0].message.content)

Roda com bun commit-msg.ts. Sem SDK, sem chave de API, sem dependência.

Repare nas duas variáveis de ambiente no topo. Elas são a parte mais importante do script. Hoje apontam para o Ollama. Amanhã podem apontar para o LM Studio, para um provedor na nuvem ou, se o app da Apple expuser um servidor local nesse formato, para ele. Seu código não precisa saber quem está do outro lado.

O que muda no seu fluxo de trabalho

Sendo honesto: modelo local não vai substituir o modelo grande que você usa no editor. Um 7B não refatora dez arquivos com contexto longo. Quem promete isso está vendendo alguma coisa.

Onde ele funciona bem é na tarefa pequena e repetitiva:

  • Mensagem de commit e resumo de diff.
  • Classificar ou extrair campos de texto, como logs e tickets.
  • Gerar embeddings para uma busca semântica interna.
  • Qualquer coisa que envolva dado que não pode sair da empresa.

Onde ele sofre:

  • Agentes com muitas chamadas de ferramenta em sequência.
  • Contexto grande, tipo um monorepo inteiro.
  • Tarefas em que errar custa caro e ninguém revisa.

O que um app oficial muda é o atrito. Hoje, sugerir IA local para o time significa escrever um tutorial de instalação e torcer. Se vier junto com o sistema, ou a um clique na App Store, vira algo que você pode assumir que o colega tem. Isso muda o que dá para colocar num script de projeto ou num hook de pre-commit.

O que eu quero ver antes de me empolgar

Três perguntas decidem se esse app vai ser útil para dev ou só bonito na keynote.

Ele expõe uma API local? Uma janela de chat é legal para testar. Para integrar em código, precisa de um endpoint. Se for compatível com o formato da OpenAI, melhor ainda, porque o ecossistema inteiro já fala isso.

Dá para rodar qualquer modelo aberto? Se o app só aceitar um catálogo fechado, ele perde para o Ollama no primeiro dia. A graça da IA local é trocar de modelo quando sai um melhor, e sai um melhor todo mês.

Como ele lida com memória? O erro clássico de quem começa é baixar um modelo maior que a RAM e ver o Mac travar no swap. Um app da Apple conhece o hardware melhor que ninguém. Dizer "esse modelo não cabe na sua máquina" antes do download já seria um avanço enorme.

Vale esperar o app da Apple?

Não. Vale testar hoje, com o que já existe, e deixar seu código pronto para trocar de servidor.

Minha opinião forte: o problema da IA local nunca foi instalação. Foi expectativa. A pessoa baixa um modelo de 5 GB, compara com o melhor modelo da nuvem, se decepciona e desinstala. Um app mais fácil resolve o primeiro passo e não muda essa comparação. O que muda o jogo é você saber qual tarefa merece um modelo local e qual não merece.

Dito isso, eu torço para dar certo. Quando a dona do hardware assume a experiência, o piso sobe para todo mundo, inclusive para os concorrentes. E concorrência nesse espaço é boa para quem programa.

Se você quer ver como eu uso essas ferramentas em produto de verdade, dá uma olhada nos meus projetos.

Resumo para o LinkedIn

O problema da IA local nunca foi instalação. Foi expectativa.

A Apple está preparando um app de Mac para facilitar rodar modelos na própria máquina, segundo o 9to5Mac. Eu torço para dar certo, mas ele resolve só o primeiro passo.

Um modelo de 7B ocupa perto de 5 GB e roda com folga num Mac de 16 GB. Só que ele não vai refatorar seu monorepo. Ele funciona bem na tarefa pequena e repetitiva: mensagem de commit, resumo de diff, classificar log, dado que não pode sair da empresa.

Quem baixa um modelo de 5 GB, compara com o melhor da nuvem e desinstala fez a comparação errada.

Meu conselho: não espere a Apple. Três comandos com Ollama resolvem hoje, e duas variáveis de ambiente deixam seu código pronto para trocar de servidor depois.

Escrevi no blog as três perguntas que quero ver respondidas antes de me empolgar. Se você já roda IA local, me conta pra que usa.

#IALocal #AppleSilicon #Ollama #Bun #DesenvolvimentoDeSoftware