Volver al blog
IAApplemacOSBun

Apple prepara una app para ejecutar IA local en Mac: qué cambia

12 de noviembre de 2026·6 min de lectura·Diego Horvatti

Apple tiene una app nueva para Mac en camino, y la propuesta es facilitarle la vida a quien quiere ejecutar modelos de IA en su propia máquina. La información es de 9to5Mac. Si ya intentaste ejecutar IA local en Mac, sabes que instalar nunca fue la parte difícil. Lo difícil es elegir el modelo, descubrir si cabe en la memoria y conectarlo a tu código.

No voy a recontar la nota aquí. Nombre, fecha y requisitos los revisas en la fuente. Lo que me interesa es otra pregunta: ¿qué cambia esto para quien programa?

Qué está preparando Apple

El hecho es simple. Según 9to5Mac, viene una app de Mac hecha por la propia Apple, enfocada en hacer fácil la ejecución de modelos de IA locales.

Esto encaja en una historia que ya se venía armando por piezas:

  • MLX: el framework open source de Apple para ejecutar y entrenar modelos en Apple Silicon. Existe desde fines de 2023 y se volvió el estándar de la comunidad en Mac.
  • Foundation Models: el framework presentado en la WWDC 2025 que da acceso, vía Swift, al modelo que corre en el propio dispositivo.

Las piezas eran buenas, pero todas exigían terminal o Xcode. Faltaba una puerta de entrada. Hoy ese espacio lo ocupan herramientas de terceros, como Ollama y LM Studio. Una app oficial entra exactamente ahí.

Por qué tiene sentido ejecutar IA local en Mac

El motivo es el hardware. En Apple Silicon, la memoria es unificada: CPU y GPU usan la misma RAM. En una PC, el modelo tiene que caber en la VRAM de la tarjeta gráfica, y una tarjeta con 24 GB sale cara. En un Mac con 32 GB, buena parte de esos 32 GB sirve para el modelo.

En la práctica, la cuenta es más o menos esta:

  • Un modelo de 7B cuantizado en 4 bits ocupa cerca de 5 GB.
  • Uno de 14B queda en el rango de 9 GB.
  • Uno de 32B pasa de 20 GB.

Desde fines de 2024, el Mac más básico viene con 16 GB. Eso corre un modelo de 7B con holgura y uno de 14B con el navegador cerrado. Los de 32B piden 32 GB o más, y un ventilador con ganas.

El mejor modelo local es el que cabe en tu RAM y responde antes de que pierdas la paciencia.

También está el lado que ningún benchmark muestra. El código del cliente, los logs de producción y los datos personales no salen de la máquina. No hay factura por token. Y funciona en el avión.

Cómo ejecutar un modelo local hoy, sin esperar a Apple

No necesitas esperar la app para probar la idea. Con Ollama, son tres comandos:

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

Ollama levanta un servidor en localhost:11434 con una API compatible con la de OpenAI. Ese es el detalle que importa: cualquier código que hable ese formato funciona sin cambios.

Un ejemplo real con Bun. Un script que lee el diff en stage y sugiere el mensaje 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: 'Escribe un mensaje de commit corto, en español.' },
      { role: 'user', content: diff },
    ],
  }),
})

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

Se ejecuta con bun commit-msg.ts. Sin SDK, sin clave de API, sin dependencias.

Fíjate en las dos variables de entorno de arriba. Son la parte más importante del script. Hoy apuntan a Ollama. Mañana pueden apuntar a LM Studio, a un proveedor en la nube o, si la app de Apple expone un servidor local en ese formato, a ella. Tu código no necesita saber quién está del otro lado.

Qué cambia en tu flujo de trabajo

Siendo honesto: un modelo local no va a reemplazar al modelo grande que usas en el editor. Un 7B no refactoriza diez archivos con contexto largo. Quien promete eso está vendiendo algo.

Donde funciona bien es en la tarea pequeña y repetitiva:

  • Mensaje de commit y resumen de diff.
  • Clasificar o extraer campos de texto, como logs y tickets.
  • Generar embeddings para una búsqueda semántica interna.
  • Cualquier cosa que involucre datos que no pueden salir de la empresa.

Donde sufre:

  • Agentes con muchas llamadas a herramientas en secuencia.
  • Contexto grande, tipo un monorepo entero.
  • Tareas en las que equivocarse sale caro y nadie revisa.

Lo que cambia una app oficial es la fricción. Hoy, sugerir IA local al equipo significa escribir un tutorial de instalación y cruzar los dedos. Si viene junto con el sistema, o a un clic en la App Store, se vuelve algo que puedes asumir que tu compañero tiene. Eso cambia lo que se puede poner en un script de proyecto o en un hook de pre-commit.

Lo que quiero ver antes de entusiasmarme

Tres preguntas deciden si esta app va a ser útil para devs o solo bonita en la keynote.

¿Expone una API local? Una ventana de chat está bien para probar. Para integrar en código, hace falta un endpoint. Si es compatible con el formato de OpenAI, mejor todavía, porque todo el ecosistema ya habla eso.

¿Se puede ejecutar cualquier modelo abierto? Si la app solo acepta un catálogo cerrado, pierde contra Ollama el primer día. La gracia de la IA local es cambiar de modelo cuando sale uno mejor, y sale uno mejor cada mes.

¿Cómo maneja la memoria? El error clásico de quien empieza es descargar un modelo más grande que la RAM y ver el Mac trabarse en el swap. Una app de Apple conoce el hardware mejor que nadie. Decir "este modelo no cabe en tu máquina" antes de la descarga ya sería un avance enorme.

¿Vale la pena esperar la app de Apple?

No. Vale la pena probar hoy, con lo que ya existe, y dejar tu código listo para cambiar de servidor.

Mi opinión fuerte: el problema de la IA local nunca fue la instalación. Fue la expectativa. La persona descarga un modelo de 5 GB, lo compara con el mejor modelo de la nube, se decepciona y lo desinstala. Una app más fácil resuelve el primer paso y no cambia esa comparación. Lo que cambia el juego es que sepas qué tarea merece un modelo local y cuál no.

Dicho esto, ojalá salga bien. Cuando la dueña del hardware se hace cargo de la experiencia, el piso sube para todos, incluso para los competidores. Y la competencia en este espacio es buena para quien programa.

Si quieres ver cómo uso estas herramientas en productos de verdad, echa un vistazo a mis proyectos.

Resumen para LinkedIn

El problema de la IA local nunca fue la instalación. Fue la expectativa.

Apple está preparando una app de Mac para facilitar la ejecución de modelos en tu propia máquina, según 9to5Mac. Ojalá salga bien, pero resuelve solo el primer paso.

Un modelo de 7B ocupa cerca de 5 GB y corre con holgura en un Mac de 16 GB. Pero no va a refactorizar tu monorepo. Funciona bien en la tarea pequeña y repetitiva: mensaje de commit, resumen de diff, clasificar logs, datos que no pueden salir de la empresa.

Quien descarga un modelo de 5 GB, lo compara con el mejor de la nube y lo desinstala hizo la comparación equivocada.

Mi consejo: no esperes a Apple. Tres comandos con Ollama lo resuelven hoy, y dos variables de entorno dejan tu código listo para cambiar de servidor después.

Escribí en el blog las tres preguntas que quiero ver respondidas antes de entusiasmarme. Si ya usas IA local, cuéntame para qué la usas.

#IALocal #AppleSilicon #Ollama #Bun #DesarrolloDeSoftware