Hay un cambio en marcha en el software empresarial que no suele aparecer en los grandes titulares, pero que cada semana se hace más visible: los proveedores de herramientas de productividad y gestión documental están añadiendo soporte para modelos de IA que funcionan completamente en tu propio servidor, sin enviar ningún dato a servicios externos.
La señal de esta semana
Peter Steinberger, fundador y CEO de Nutrient (antes PSPDFKit), uno de los SDKs de procesamiento de documentos más utilizados en Europa, lo dejó claro esta semana en X. Hablando del estado del ecosistema de IA local, escribió que su equipo había invertido mucho tiempo en añadir soporte para modelos alojados localmente y para LM Studio, y añadió: "we even have a maintainer from @ollama on the team. I love all the progress local models make!"
Nutrient está presente en aplicaciones de banca, derecho, salud y gestión empresarial en toda Europa. Que una empresa de ese perfil incorpore a un colaborador principal del proyecto Ollama a su equipo no es un experimento interno: es una señal clara de lo que los compradores empresariales empiezan a exigir. IA que permanece dentro de su propia infraestructura y no envía datos a terceros.
Por qué el software empresarial apuesta por la IA local
La presión viene de varios frentes simultáneamente:
RGPD y residencia de datos: Las empresas europeas en sectores regulados tienen restricciones claras sobre dónde pueden procesarse determinados datos. Enviar el contenido de documentos internos a una API cloud externa puede generar obligaciones de tratamiento — incluidos acuerdos de encargado del tratamiento conforme al artículo 28 — que muchas organizaciones simplemente no pueden asumir. Una capa de inferencia local elimina ese problema sin sacrificar funcionalidad.
Políticas de seguridad corporativas: Muchas grandes empresas prohíben por defecto enviar documentos internos o código propietario a servicios de IA externos. Un modelo local que no realiza ninguna llamada exterior elimina esa barrera sin necesidad de excepciones en las políticas de seguridad.
Los modelos han alcanzado el umbral de calidad necesario: En 2026, la brecha entre los modelos cloud de vanguardia y los modelos de código abierto que se pueden ejecutar localmente se ha cerrado en muchos casos de uso empresarial. Según mediciones reportadas por la comunidad, Llama 3.3 70B corre a 30–45 tokens por segundo en un Mac Studio M4 Max, velocidad suficiente para análisis documental en tiempo real. Modelos más ligeros como Qwen 3.6-27B o Mistral Small 4 alcanzan 40–60+ tokens por segundo en hardware de estación de trabajo estándar.
Coste total de propiedad: Un Mac Studio M4 Max ronda los 3.000–4.500 €. Comparado con el coste acumulado de API cloud para flujos de trabajo con documentación intensiva, el hardware puede amortizarse en pocos meses de uso intensivo, tras los cuales el coste marginal de la inferencia es prácticamente cero.
El stack técnico: Ollama y LM Studio
Dos herramientas se están imponiendo como referencia para el despliegue local de LLMs en entornos empresariales:
Ollama proporciona un servidor con una API REST compatible con OpenAI, lo que permite a las aplicaciones cambiar de inferencia cloud a inferencia local sin grandes cambios en el código. Esta compatibilidad es precisamente por qué proveedores como Nutrient lo eligen: la integración suele ser un cambio de configuración, no una reescritura. Una aplicación ya conectada a un endpoint GPT-4 puede apuntar a una instancia local de Ollama modificando únicamente la URL.
LM Studio gestiona la experiencia del desarrollador en el lado del escritorio — con un gestor gráfico de modelos y un servidor integrado que usa el framework MLX de Apple en Apple Silicon. Según reportes consistentes de la comunidad, los modelos cuantizados con MLX superan a sus equivalentes GGUF en hardware Mac, lo que lo hace relevante para equipos que desarrollan y prueban integraciones de IA local antes de desplegarlas en instancias Ollama de producción.
Qué modelos recomienda la comunidad
Para casos de uso empresarial en 2026, las recomendaciones actuales de la comunidad se concentran en tres opciones:
- Qwen 3.6-35B-A3B: Arquitectura mixture-of-experts con solo 3,5 mil millones de parámetros activos por inferencia (de 35 mil millones en total). Funciona con eficiencia en Apple Silicon de 32–48 GB, con una calidad que se acerca a los modelos de vanguardia en muchas tareas empresariales.
- Llama 3.3 70B: La referencia de alta capacidad para hardware potente. 30–45 tok/s en Mac Studio M4 Max, según mediciones reportadas por la comunidad.
- Mistral Small 4: La opción ligera para máquinas con 16–32 GB; reportada a 40–60+ tok/s.
Un patrón de integración concreto
Una integración empresarial típica funciona así: un sistema de gestión documental, una herramienta de análisis de contratos o una plataforma de atención al cliente conecta con una instancia de Ollama que corre localmente en lugar de con un endpoint cloud. El modelo procesa el documento, genera el resumen o la extracción de datos, y devuelve el resultado a la aplicación. Ningún contenido sale de la red corporativa en ningún momento. Ningún archivo de log en un centro de datos de terceros guarda una copia.
Para los desarrolladores, este patrón está cada vez mejor documentado y probado en producción. La API compatible con OpenAI de Ollama permite adaptar integraciones existentes con cambios mínimos.
Ventajas para el cumplimiento del RGPD
Según nuestra interpretación de las obligaciones del RGPD, la integración de LLMs locales ofrece ventajas significativas en materia de cumplimiento:
Sin acuerdo de encargado del tratamiento (en la mayoría de configuraciones): cuando no se transfieren datos a un tercero, no surge la relación de tratamiento que activa las obligaciones del artículo 28. El procesamiento permanece dentro del ámbito jurídico de la propia organización.
Privacidad desde el diseño (artículo 25 RGPD): la arquitectura local es una implementación directa del principio de protección de datos desde el diseño. La capacidad de procesamiento va a los datos, no al revés.
Ámbito de la Ley de IA de la UE: los sistemas internos que usan modelos de código abierto generalmente tienen requisitos regulatorios más ligeros que los servicios GPAI en la nube ofrecidos a terceros. La superficie de cumplimiento se reduce considerablemente cuando no hay un proveedor de servicios externo involucrado.
Esta es una valoración informativa basada en nuestra interpretación del marco normativo. Las situaciones jurídicas individuales varían — tu delegado de protección de datos debe evaluar tu caso concreto antes de extraer conclusiones de cumplimiento.
Qué significa esto para las pymes españolas y europeas
Para las pequeñas y medianas empresas en España y Europa, la tendencia del software empresarial hacia los LLMs locales crea una oportunidad directa. Las herramientas que ya utilizas pueden pronto ofrecer funciones de IA seguras sin contratos cloud adicionales. Pero no hace falta esperar a que los proveedores se pongan al día:
Inicia un piloto: identifica un caso de uso interno — resumen de documentos, clasificación de correos, extracción de cláusulas en contratos — y pruébalo con un modelo local vía Ollama antes de comprometer una inversión mayor.
Evalúa el soporte de LLM local en tus herramientas: convierte la inferencia on-premise en un criterio de evaluación de software. Los proveedores que la ofrecen señalan un compromiso real con el control de los datos del usuario.
Kit Digital: la subvención puede cubrir soluciones de IA local para pymes españolas, incluyendo configuración de software e integración. Consulta las categorías elegibles y cómo solicitarla en la página de Kit Digital de Freshlab.
Programas de apoyo a la digitalización: tanto a nivel europeo como nacional existen programas que pueden cubrir hardware de alto rendimiento para IA local. Consulta con tu cámara de comercio regional para identificar las opciones disponibles.
Descubre más sobre cómo Freshlab ayuda a las pymes europeas a desplegar IA local en la página de IA Local y el Kaira Toolkit. Para empresas que quieren tratar la soberanía de datos como un activo estratégico, la página de Soberanía de Datos ofrece más contexto. Cuando estés listo para un piloto acotado, la página de Proyecto Piloto explica cómo estructuramos los compromisos.
Siguiente paso
El software empresarial está adoptando la IA local como estándar. Las herramientas son maduras, los modelos son capaces y los argumentos de cumplimiento están de tu lado. La pregunta no es si tu organización usará LLMs locales, sino si estarás por delante del cambio o intentando alcanzarlo.
Contacta con Freshlab para explorar cómo puede ser una integración de IA local en tu caso de uso y stack tecnológico concretos.