Los modelos de inteligencia artificial generativa empiezan a abandonar los grandes centros de datos para ejecutarse también en ordenadores personales. Un Mac con Apple Silicon y suficiente memoria unificada puede generar imágenes, modificarlas y aumentar su resolución completamente en local, sin enviar fotografías, prompts o documentos a servidores externos. La combinación de modelos más pequeños, cuantización y herramientas como ComfyUI está haciendo posible algo que hace pocos años requería una GPU dedicada de gama alta.
Las claves de la IA generativa local en 20 segundos
- Los Mac con Apple Silicon pueden ejecutar algunos modelos de generación de imágenes utilizando la aceleración Metal de Apple.
- La cuantización permite reducir considerablemente la memoria necesaria para cargar los modelos.
- ComfyUI se ha convertido en una de las herramientas habituales para construir estos flujos locales.
- Una prueba con un MacBook Air M5 y 24 GB logró generaciones sostenidas cercanas a 30 segundos.
- Privacidad, coste y funcionamiento sin conexión son algunas de las ventajas frente a la nube.
La diferencia está en que no se pretende ejecutar localmente los modelos gigantescos que utilizan las grandes plataformas comerciales. El avance procede de otra dirección: modelos especializados más pequeños y versiones cuantizadas que sacrifican parte de la precisión numérica para reducir sus necesidades de memoria.
Esto encaja especialmente bien con la arquitectura de los Mac actuales. En los equipos Apple Silicon, CPU y GPU pueden acceder a una memoria unificada común. Un ordenador con 24, 32 o más GB no dispone de esa cantidad como memoria gráfica dedicada, pero la arquitectura permite utilizar una parte considerable para las cargas de inteligencia artificial.
ComfyUI convierte el Mac en una pequeña estación de generación de imágenes
Una de las herramientas que está ayudando a extender este tipo de instalaciones es ComfyUI, una interfaz basada en nodos que permite construir flujos de generación de imágenes conectando modelos, codificadores, samplers, sistemas de ControlNet, procesos de edición y herramientas de escalado.
Su principal ventaja para estos escenarios es el control. En lugar de introducir un prompt en una aplicación y esperar el resultado, el usuario puede definir qué modelo interviene en cada etapa y cómo se procesa la imagen.
Además, PyTorch dispone de soporte para Metal Performance Shaders (MPS), la tecnología que permite utilizar la GPU integrada en los procesadores de Apple para acelerar determinados cálculos. Esto evita depender de CUDA, la plataforma de NVIDIA utilizada tradicionalmente en buena parte del software de IA.
Un ejemplo práctico especialmente interesante es el publicado por Sajith K en “How to Run Image Generation Locally on a MacBook”, donde documenta paso a paso una instalación de ComfyUI sobre un MacBook Air M5 con 24 GB de memoria unificada. El autor utiliza modelos cuantizados en formato GGUF y publica además los flujos de trabajo y scripts empleados durante las pruebas.
Su instalación necesita aproximadamente 20 GB de descargas y recomienda 24 GB de memoria. Según sus pruebas, 16 GB pueden quedarse muy ajustados en operaciones exigentes como el escalado de imágenes.
Los resultados ayudan a entender hasta dónde ha llegado ya la IA local. En sus pruebas con uno de los modelos más rápidos, las primeras generaciones podían completarse alrededor de los 21 segundos, pero el rendimiento sostenido del MacBook Air, un portátil sin ventilador, se estabilizaba aproximadamente en 30 segundos por imagen debido al comportamiento térmico.
Es una diferencia importante frente a algunos benchmarks de IA local. Medir una única generación después de cargar el modelo puede ofrecer una cifra poco representativa de lo que ocurrirá cuando el ordenador lleve varios minutos trabajando.
La cuantización está cambiando los requisitos para ejecutar IA
Buena parte de esta evolución no sería posible simplemente aumentando la potencia de los portátiles. También están cambiando los propios modelos.
La cuantización reduce la precisión utilizada para representar sus parámetros. En términos sencillos, permite almacenar y procesar un modelo utilizando menos memoria, a cambio de introducir determinados compromisos respecto a la versión original.
Formatos como GGUF se han popularizado precisamente por facilitar la ejecución de modelos en hardware que está muy lejos de las configuraciones utilizadas para su entrenamiento.
En la prueba de Sajith K se utilizan modelos GGUF junto con un complemento específico para cargarlos desde ComfyUI. El resultado permite mantener todo el proceso dentro de los 24 GB de memoria unificada del equipo utilizado.
Pero ejecutar un modelo es solamente una parte del problema. También hay que tener memoria disponible para decodificar imágenes, utilizar otros componentes del flujo y realizar operaciones posteriores.
El escalado a resoluciones elevadas es un buen ejemplo. El autor explica que la decodificación convencional puede fallar en Apple Silicon al trabajar con imágenes de 2.048 × 2.048 píxeles, mientras que la decodificación por bloques permite completar el proceso reduciendo el tamaño de las operaciones individuales.
También comprobó que utilizar más pasos de inferencia no significa necesariamente obtener mejores imágenes. Los modelos destilados están diseñados para trabajar con configuraciones concretas y superar esos valores puede incluso introducir ruido o elementos que no estaban incluidos en el prompt.
Es una buena muestra de cómo la IA local todavía exige conocer algo más que el botón de generar.
Privacidad y coste cambian cuando la IA se ejecuta en el ordenador
El atractivo de estos sistemas tampoco está únicamente en poder generar una imagen sin conexión a Internet.
Cuando todo el proceso se ejecuta localmente, el prompt y las imágenes utilizadas como referencia no necesitan abandonar el ordenador. Esto puede resultar interesante para profesionales que trabajan con fotografías privadas, diseños todavía no publicados, documentación empresarial o material sujeto a políticas internas de confidencialidad.
También cambia el modelo económico. Una vez descargados los modelos, no existe necesariamente un coste por imagen, token o petición a una API externa. A cambio, el usuario asume el coste del ordenador, el almacenamiento, el consumo eléctrico y, especialmente, el tiempo de procesamiento.
La nube mantiene una ventaja enorme en velocidad y capacidad. Una GPU de centro de datos puede trabajar con modelos mucho mayores y producir resultados a una velocidad difícilmente comparable con la de un portátil.
La generación local tiene otra ventaja: permite construir procesos completos.
El ejemplo de Sajith K combina distintos modelos dependiendo de la tarea. Sus pruebas muestran un flujo en el que Z-Image se utiliza para crear la imagen, Klein para editarla y nuevamente Z-Image para aumentar la resolución. El proceso permite que cada modelo haga el trabajo en el que obtiene mejores resultados en lugar de depender de uno solo para todo.
El autor también utiliza la API HTTP de ComfyUI para automatizar las generaciones desde la línea de comandos. De esta forma, la generación de imágenes puede integrarse en scripts, procesos por lotes e incluso herramientas de programación que necesiten crear recursos gráficos automáticamente.
Esta posibilidad puede terminar siendo más relevante que generar imágenes manualmente. Un agente de programación podría crear recursos provisionales para una aplicación, mientras que una herramienta de diseño podría producir variantes sin necesidad de enviar cada petición a una API externa.
La IA se reparte entre el dispositivo y los centros de datos
Que un MacBook pueda generar imágenes localmente no significa que los centros de datos vayan a perder importancia. El entrenamiento de los grandes modelos continúa necesitando miles de aceleradores, enormes cantidades de memoria y una infraestructura eléctrica y de refrigeración que ningún ordenador personal puede reproducir.
También habrá tareas de inferencia demasiado grandes para ejecutarse en un portátil.
Pero empieza a dibujarse una arquitectura más distribuida. El entrenamiento y las cargas más exigentes pueden permanecer en los centros de datos, mientras determinados modelos especializados se ejecutan directamente en ordenadores, móviles y otros dispositivos.
Los aproximadamente 30 segundos por imagen en carga sostenida registrados en el MacBook Air M5 de la prueba no compiten con una gran plataforma de generación comercial. Sí demuestran que un portátil sin GPU dedicada puede realizar un trabajo que hasta hace relativamente poco estaba reservado a estaciones mucho más potentes.
El siguiente salto probablemente vendrá de la combinación entre modelos más eficientes y hardware diseñado específicamente para ejecutar IA. Apple, Qualcomm, AMD, Intel y otros fabricantes están dedicando cada vez más superficie de sus procesadores a GPU y unidades especializadas para estas cargas.
Por eso la cuestión ya no es únicamente qué modelo ofrece la mejor calidad. También empieza a importar dónde se ejecuta la inteligencia artificial y qué información necesita salir del dispositivo para hacerlo.
Preguntas frecuentes
¿Se pueden generar imágenes con IA en un MacBook sin conexión a Internet?
Sí, una vez descargados el software y los modelos necesarios. Herramientas como ComfyUI permiten ejecutar determinados modelos directamente sobre Apple Silicon mediante aceleración MPS.
¿Cuánta memoria necesita un Mac para generar imágenes con IA?
Depende del modelo y del flujo utilizado. En la prueba documentada por Sajith K se recomiendan 24 GB de memoria unificada, mientras que 16 GB pueden resultar limitados en operaciones como el escalado.
¿Es necesario tener una GPU NVIDIA para utilizar ComfyUI?
No. Aunque NVIDIA y CUDA siguen siendo habituales para cargas de IA, ComfyUI y PyTorch pueden utilizar la GPU de Apple Silicon mediante Metal Performance Shaders.
¿La generación local sustituye a servicios de IA en la nube?
No necesariamente. Los servicios cloud continúan ofreciendo más capacidad y acceso a modelos de mayor tamaño. La ejecución local aporta otras ventajas, especialmente privacidad, control, funcionamiento sin conexión y ausencia de un coste directo por cada generación.
Fuentes:
- Sajith K, How to Run Image Generation Locally on a MacBook, 26/07/2026.
- ComfyUI, documentación y repositorio oficial.
- PyTorch, documentación de Metal Performance Shaders (MPS).
