La carrera por llevar la Inteligencia Artificial desde los grandes centros de datos hasta dispositivos pequeños como teléfonos móviles está entrando en una nueva etapa. La tendencia conocida como IA en el dispositivo, o on-device AI, busca que una parte cada vez mayor del procesamiento de los modelos de Inteligencia Artificial se realice directamente en el hardware del teléfono, en lugar de enviar cada solicitud a servidores externos.
El cambio no se limita a conseguir respuestas más rápidas. El procesamiento local también está relacionado con cuestiones como la privacidad, el funcionamiento sin conexión, el consumo energético y la posibilidad de adaptar los modelos a las características particulares de cada dispositivo.
Investigaciones recientes en inteligencia artificial en el borde (edge AI), arquitectura de procesadores y computación neuromórfica muestran que el desarrollo tecnológico está avanzando precisamente hacia sistemas capaces de ejecutar redes neuronales con menos recursos. Una revisión publicada en Engineering Applications of Artificial Intelligence en junio de 2026 señala que la evolución conjunta del hardware, las arquitecturas neuronales ligeras y las herramientas de software está acercando la computación de IA al lugar donde se generan los datos.
Al mismo tiempo, fabricantes de procesadores y sistemas operativos ya están incorporando modelos diseñados específicamente para funcionar dentro de teléfonos y otros dispositivos móviles. Google, por ejemplo, informó en julio de 2026 que Gemini Nano 4 estaba siendo utilizado como modelo optimizado para funciones de Inteligencia Artificial directamente en dispositivos Android.
¿Qué significa realmente procesar IA dentro de un teléfono?
Durante buena parte de la expansión de la Inteligencia Artificial generativa, el teléfono funcionaba principalmente como una puerta de entrada a servicios alojados en la nube.
Cuando una persona escribía una pregunta, enviaba una fotografía o utilizaba una función inteligente, el dispositivo podía enviar la información a un servidor. Allí se realizaba una parte importante del procesamiento y posteriormente se enviaba la respuesta al teléfono.
El modelo de IA en el dispositivo modifica esa arquitectura.
En lugar de depender constantemente de un servidor remoto, determinados modelos pueden almacenarse y ejecutarse directamente utilizando los componentes de procesamiento del smartphone. Android explica que su sistema AICore permite ejecutar funciones de IA generativa directamente en el hardware de determinados teléfonos y tabletas, incluyendo modelos como Gemini Nano.
Esto no significa que todos los modelos de Inteligencia Artificial puedan ejecutarse en un teléfono. Los sistemas más grandes continúan necesitando enormes cantidades de memoria y capacidad de procesamiento, por lo que la computación en la nube sigue siendo fundamental para muchas aplicaciones.
El objetivo es diferente: determinar qué tareas pueden realizarse localmente y cuáles requieren infraestructura externa.
Los NPU se convierten en una pieza fundamental
Uno de los componentes más importantes para esta transición es la Unidad de Procesamiento Neural, conocida como NPU por sus siglas en inglés.
Una NPU está diseñada específicamente para acelerar operaciones utilizadas por redes neuronales. Al integrarla dentro del sistema en chip de un teléfono, el dispositivo puede dedicar hardware especializado a determinadas tareas de Inteligencia Artificial sin depender exclusivamente de la CPU.
Samsung explica que el procesamiento de IA directamente en dispositivos móviles utiliza el rendimiento de las NPU para realizar cálculos complejos de manera rápida y eficiente. La compañía señala además que este tipo de procesamiento puede reducir la latencia y permitir determinadas funciones incluso sin conexión a Internet.
La importancia de estas unidades ha aumentado a medida que los teléfonos han comenzado a incorporar funciones como traducción en tiempo real, reconocimiento de imágenes, edición fotográfica asistida por IA, generación de contenido y asistentes capaces de interpretar lenguaje natural.
En septiembre de 2026, por ejemplo, MediaTek presentó sus nuevos procesadores móviles Dimensity 9600 Pro y Dimensity 9600M. Reuters informó que el Dimensity 9600 Pro utiliza un proceso de fabricación de 2 nanómetros y que su NPU ofrece un aumento del 51 % en el rendimiento para tareas de IA generativa ejecutadas en el dispositivo frente a su generación anterior.
Ese tipo de avances muestra que la competencia entre fabricantes de chips ya no se centra únicamente en la velocidad de la CPU o el rendimiento gráfico. La capacidad de ejecutar Inteligencia Artificial localmente se está convirtiendo en otro de los elementos centrales de los procesadores móviles.
Modelos más pequeños para dispositivos con recursos limitados
El principal problema es que los teléfonos no disponen de los mismos recursos que un centro de datos.
Un gran modelo de lenguaje puede requerir enormes cantidades de memoria y potencia de cálculo. Un teléfono, en cambio, tiene limitaciones físicas relacionadas con batería, temperatura, memoria, almacenamiento y tamaño.
Por ello, una parte importante de la investigación se concentra en desarrollar modelos más pequeños y técnicas para reducir su demanda computacional.
Entre ellas se encuentran la cuantización, la reducción de precisión numérica, la poda de redes neuronales, la optimización de arquitecturas y diferentes estrategias para reducir la cantidad de memoria necesaria durante la inferencia.
Una investigación publicada en 2026 sobre una NPU de precisión variable, por ejemplo, explora el uso de diferentes formatos numéricos para mejorar la eficiencia de los cálculos destinados a modelos de Inteligencia Artificial móviles. El trabajo reporta mejoras de eficiencia energética en su implementación experimental y estudia su utilización en redes neuronales profundas, transformadores y otros tipos de modelos.
La importancia de estas técnicas es considerable: no basta con hacer un modelo más inteligente; también hay que conseguir que sea suficientemente pequeño y eficiente para ejecutarse dentro de un dispositivo que funciona con una batería.
La privacidad es uno de los principales argumentos
El procesamiento local también está relacionado con una de las mayores preocupaciones alrededor de la Inteligencia Artificial: qué ocurre con los datos que proporcionan los usuarios.
Un teléfono puede contener fotografías, conversaciones, documentos, información de ubicación, grabaciones de voz y otros datos personales. Si una función de IA necesita enviar todo ese contenido a un servidor externo, existe un flujo adicional de información que debe ser protegido.
Cuando el procesamiento puede realizarse localmente, determinados datos pueden permanecer en el dispositivo.
Google describe precisamente este aspecto como una de las ventajas de la inferencia en el dispositivo: los datos y las instrucciones pueden procesarse localmente sin enviarse a un servidor, lo que también permite utilizar determinadas funciones cuando la conexión a Internet es limitada o inexistente.
Android AICore sigue un principio similar. Google explica que los modelos administrados por este servicio pueden ejecutarse en el propio hardware del teléfono y que las tareas locales no necesitan enviar los datos a servidores externos para realizar el procesamiento correspondiente.
Sin embargo, procesamiento local no significa automáticamente privacidad absoluta.
La seguridad depende también del sistema operativo, las aplicaciones, el almacenamiento de los datos, los permisos, las actualizaciones de seguridad y la forma en que cada fabricante implementa sus servicios.
Un estudio publicado en 2026 sobre las percepciones de privacidad de los usuarios de teléfonos con IA generativa encontró que las preocupaciones abarcan todo el ciclo de vida de los datos, desde su recopilación hasta el almacenamiento y el control que tiene el usuario sobre ellos. Los investigadores también señalaron que algunos usuarios tienen una comprensión limitada de cómo funcionan estas tecnologías hasta que conocen con mayor detalle sus mecanismos internos.
Apple también apuesta por modelos que funcionan localmente
La tendencia no está limitada al ecosistema Android.
Apple presentó en junio de 2026 su tercera generación de modelos fundacionales para Apple Intelligence. Según la compañía, esta familia incluye dos modelos diseñados para ejecutarse directamente en los dispositivos: AFM 3 Core, con 3.000 millones de parámetros, y AFM 3 Core Advanced, un modelo multimodal orientado a tareas más exigentes.
Apple plantea una arquitectura híbrida. Cuando una tarea puede resolverse en el dispositivo, el procesamiento puede permanecer allí. Para solicitudes que requieren capacidades adicionales, la compañía utiliza Private Cloud Compute, un sistema destinado a ejecutar determinadas cargas de Inteligencia Artificial en servidores bajo mecanismos específicos de privacidad.
Esta combinación es importante porque muestra hacia dónde está evolucionando la infraestructura de IA móvil: no necesariamente hacia una sustitución completa de la nube, sino hacia una distribución de las tareas entre teléfono y servidores.
¿Qué tiene que ver la neurociencia con estos avances?
Existe además una línea de investigación relacionada con la computación neuromórfica, un campo situado en la intersección entre la ingeniería, la informática y la investigación de sistemas neuronales.
La computación neuromórfica intenta desarrollar hardware inspirado, en distintos grados, en la manera en que funcionan las neuronas y las sinapsis biológicas. En lugar de limitarse a ejecutar los algoritmos tradicionales sobre procesadores convencionales, estos sistemas buscan arquitecturas capaces de procesar información de una manera más eficiente.
Una revisión publicada en Frontiers in Neuroscience analizó en 2025 el desarrollo de circuitos neuromórficos para edge AI, incluyendo redes neuronales de disparos o spiking neural networks (SNN). Estas redes utilizan eventos discretos para realizar cálculos y pueden ofrecer ventajas de eficiencia energética en determinadas aplicaciones.
La relación con los dispositivos móviles es especialmente interesante debido a sus limitaciones energéticas.
Un teléfono no puede mantener indefinidamente un procesamiento intensivo sin generar calor y consumir batería. Por eso, cualquier arquitectura que permita realizar más operaciones utilizando menos energía puede resultar importante para el futuro de la IA móvil.
Hardware inspirado en el cerebro busca reducir consumo y aumentar seguridad
La investigación neuromórfica también está abordando directamente la seguridad de los datos.
Un estudio publicado en Nature Communications en mayo de 2026 presentó un transistor ferroeléctrico-iónico diseñado para combinar capacidades de computación neuromórfica con mecanismos de protección frente a determinados ataques destinados a recuperar información almacenada en el hardware. Los investigadores describieron experimentos relacionados con la protección frente a ataques de inversión de modelos, en los que un atacante intenta reconstruir información a partir del comportamiento de una red neuronal.
Este tipo de investigación todavía pertenece principalmente al ámbito experimental y no significa que los teléfonos actuales utilicen exactamente esos dispositivos.
Lo relevante es que existe una convergencia entre varias áreas: arquitectura de chips, Inteligencia Artificial, ingeniería neuromórfica y seguridad informática.
Todas buscan resolver un problema parecido: conseguir que sistemas inteligentes puedan realizar cada vez más operaciones con menos energía y con mayor control sobre los datos.
El desafío de la batería
La autonomía continúa siendo uno de los principales obstáculos para la IA local.
Ejecutar un modelo requiere realizar operaciones matemáticas y mover información entre memoria y unidades de procesamiento. En modelos grandes, esos procesos pueden consumir cantidades importantes de energía.
Por esta razón, el desarrollo de IA móvil no consiste simplemente en colocar un modelo de lenguaje dentro de un teléfono.
Los investigadores deben encontrar un equilibrio entre:
- capacidad del modelo;
- velocidad de respuesta;
- consumo energético;
- memoria disponible;
- temperatura del dispositivo;
- calidad de las respuestas;
- seguridad de los datos.
La investigación en edge AI señala precisamente que los dispositivos de borde tienen recursos limitados y que esas restricciones condicionan la complejidad de los modelos que pueden ejecutar.
Menos dependencia de Internet
Otra consecuencia importante del procesamiento local es que algunas funciones pueden continuar disponibles cuando el teléfono no tiene conexión.
Esto puede ser útil para traducción, transcripción, reconocimiento de imágenes, asistentes personales o determinadas funciones de accesibilidad.
Google destaca que las funciones basadas en Gemini Nano pueden ejecutarse directamente en el dispositivo y que esto permite mantener determinadas capacidades incluso cuando la conexión es deficiente o inexistente.
La ventaja tampoco se limita a situaciones en las que no existe Internet.
Reducir el número de solicitudes que deben viajar hasta un servidor también puede disminuir la latencia. En una aplicación que necesita responder en tiempo real, unos pocos cientos de milisegundos pueden marcar una diferencia perceptible.
El futuro probablemente será híbrido
Aunque el procesamiento local está avanzando rápidamente, todavía existen razones para mantener centros de datos y modelos en la nube.
Los modelos más grandes requieren cantidades de memoria y capacidad computacional que difícilmente pueden instalarse dentro de un teléfono convencional.
Por eso, la evolución más probable de esta tecnología pasa por una arquitectura híbrida.
Las tareas sencillas pueden resolverse en el dispositivo. Las solicitudes que requieren modelos más grandes o mayor capacidad de procesamiento pueden trasladarse a servidores.
Apple ya utiliza explícitamente este enfoque mediante la combinación de procesamiento en el dispositivo y Private Cloud Compute, mientras que Android desarrolla herramientas para que los desarrolladores incorporen inferencia local mediante modelos optimizados para teléfonos.
La frontera entre teléfono y nube, por tanto, empieza a ser menos rígida.
¿Qué tipo de funciones podrían beneficiarse?
A medida que los procesadores móviles y los modelos mejoren, la IA local puede ampliar el número de tareas que un teléfono es capaz de realizar sin recurrir constantemente a servidores.
Entre las aplicaciones que ya se encuentran en desarrollo o utilización están:
Traducción en tiempo real: algunos teléfonos pueden procesar voz y generar traducciones directamente mediante modelos integrados.
Edición fotográfica: determinadas operaciones de reconocimiento, segmentación y modificación de imágenes pueden realizarse localmente.
Transcripción: la conversión de voz a texto puede beneficiarse de modelos optimizados para dispositivos móviles.
Asistentes personales: las funciones básicas de interpretación de lenguaje pueden ejecutarse mediante modelos pequeños.
Reconocimiento de objetos: cámaras y sensores pueden utilizar modelos de visión para identificar elementos de una escena.
Accesibilidad: los modelos locales pueden contribuir al reconocimiento de voz, descripción de imágenes y otras herramientas destinadas a facilitar la interacción con el dispositivo.
Samsung, por ejemplo, describe funciones móviles basadas en NPU que abarcan traducción, generación y edición de imágenes, procesamiento de vídeo y otras aplicaciones de IA.
El gran cambio: la IA deja de depender exclusivamente del centro de datos
La evolución hacia la IA en el dispositivo representa un cambio importante en la arquitectura de la Inteligencia Artificial.
Durante años, el desarrollo de modelos cada vez más grandes estuvo estrechamente relacionado con centros de datos equipados con enormes cantidades de procesadores especializados. Ahora, una parte de la investigación se concentra en el extremo opuesto: conseguir modelos y hardware suficientemente eficientes para realizar operaciones complejas en dispositivos que funcionan con una batería.
Las investigaciones sobre NPUs de bajo consumo, modelos comprimidos, arquitecturas neuromórficas y procesamiento de datos local forman parte de ese mismo proceso.
No significa que los teléfonos vayan a reemplazar a los centros de datos. Más bien, la Inteligencia Artificial está adoptando una arquitectura distribuida en la que el teléfono, el procesador especializado y la nube pueden encargarse de diferentes partes de una misma tarea.
Privacidad, eficiencia y capacidad: el nuevo campo de batalla de los teléfonos inteligentes
El avance de la IA móvil también está modificando lo que se considera importante en un procesador para teléfonos.
La potencia de la CPU continúa siendo relevante y el rendimiento gráfico mantiene un papel fundamental, pero los fabricantes están prestando cada vez más atención a las unidades especializadas capaces de ejecutar modelos de Inteligencia Artificial con un consumo energético relativamente bajo.
La llegada de modelos específicamente diseñados para dispositivos móviles, como Gemini Nano, y de familias de modelos que combinan procesamiento local y servicios privados en la nube, como la arquitectura de Apple Intelligence, muestran que esta tendencia ya está integrada en productos y plataformas comerciales, no solamente en laboratorios.
El siguiente paso será conseguir que esos modelos sean capaces de realizar tareas más complejas sin que el consumo de batería, la temperatura, el almacenamiento o la privacidad se conviertan en obstáculos.
En ese escenario, la investigación tecnológica y la computación inspirada en principios neuronales convergen en un objetivo común: hacer que la Inteligencia Artificial pueda estar cada vez más cerca de la persona, procesando información de manera rápida y eficiente directamente donde se generan los datos.
