# IA en tu portátil y en tu móvil: modelos pequeños y on-device en 2026

> Flint, Indra OCR y Andee muestran la IA que corre en tu portátil, tu CPU o tu móvil. Ventajas, límites reales y cuándo conviene sacarla de la nube.

- Página canónica: https://www.stellarflavor.com/blog/ia-en-el-dispositivo-modelos-pequenos-2026
- Fecha: 2026-11-09
- Sitio: Stellar Flavor (https://www.stellarflavor.com/)
- Contacto: sun@stellarflavor.com

---

**En resumen:** durante años, "usar IA" significaba mandar tus datos a un servidor. Esa idea está cambiando. En noviembre de 2026 hay ejemplos concretos de IA que corre **en tu portátil** (el modelo de código Flint), **solo con la CPU** (el OCR Indra, de menos de 80 MB) y **en tu móvil** (el agente Andee). Ganas privacidad, latencia y control; pagas con límites de calidad, memoria y licencias. Esta guía separa lo que ya funciona de lo que todavía es marketing.

## ¿Qué significa que una IA sea "on-device"?

Que el modelo se ejecuta en el aparato del usuario (móvil, portátil o un servidor propio) en lugar de en la API de un tercero. Las razones para hacerlo son cuatro:

- **Privacidad:** los datos no salen del dispositivo.
- **Latencia y disponibilidad:** responde sin depender de la red.
- **Coste:** no pagas por cada llamada.
- **Control:** el modelo no cambia de un día para otro sin que lo decidas.

El [Radar de O'Reilly de noviembre de 2026](https://www.oreilly.com/radar/radar-trends-to-watch-november-2026/) apunta que los laboratorios de IA se dirigen hacia modelos que puedan correr en teléfonos y hardware similar, y IBM prevé que la eficiencia y la IA en el borde (*edge AI*) sean una frontera clave en 2026. Veamos tres proyectos reales.

## Flint: un modelo de código pensado para el portátil

[Flint](https://huggingface.co/RecursiveSI/flint), de Recursive, es un modelo de pesos abiertos para programación. Lo interesante es su arquitectura de **mezcla de expertos** (*mixture of experts*): según su ficha en Hugging Face tiene unos **39,8 mil millones de parámetros en total, pero solo activa unos 2,5 mil millones por cada token**, con 256 expertos de los que se eligen 6 por token más uno compartido. Con menos parámetros activos, cada respuesta cuesta menos cómputo.

Los pesos se publican bajo licencia Apache 2.0. Recursive ha lanzado además `rec`, un motor de inferencia ajustado a Flint para chips Apple M4 Pro y M5 Pro/Max, y presenta el modelo como una forma de programar con IA **sin conexión y en el propio equipo** ([VKTR](https://www.vktr.com/ai-platforms/recursive-launches-flint-to-keep-ai-coding-offline-and-on-device/)).

**Lo que hay que matizar:**

- La puntuación de 89,7 % en SWE-bench Pro v2 es **un dato de la propia compañía** y no hay todavía un informe técnico completo ni evaluaciones independientes.
- "Cabe en un portátil" depende de la versión. Una reseña apunta a que el checkpoint en BF16 pesa unos 80 GB y su kit de servicio apunta a GPUs de centro de datos; en un portátil lo normal serán versiones **cuantizadas** o el motor `rec`.

## Indra OCR: reconocimiento de texto en CPU, en 76 MB

[Indra](https://github.com/datalab-to/indra), de Datalab, es un modelo OCR open source que convierte PDFs e imágenes a Markdown, texto o JSON con coordenadas. Según su README:

- El reconocedor principal tiene en torno a **1,25 millones de parámetros** (todos los modelos por defecto suman unos 7,3 millones) y las descargas ocupan unos **76 MB**.
- Funciona con **ONNX Runtime en CPU**, sin GPU ni PyTorch. Se instala con `pip install indra-ocr`.
- Reporta unas 44 páginas por segundo con 32 núcleos, alrededor de **15 veces la velocidad de Tesseract** en la misma máquina, y unos 210 ms por página con 4 núcleos.
- Anuncia más de 80 idiomas.

También documenta sus puntos débiles: rinde peor con **escritura a mano** y **escaneos degradados**, y las **tablas complejas** son una limitación conocida. Las cifras son de Datalab. Y ojo a la licencia: el código es Apache 2.0, pero los **pesos** usan una variante de OpenRAIL-M, gratuita para investigación, uso personal y startups de menos de 20 millones de financiación o ingresos; un uso comercial más amplio requiere licencia aparte.

Es un buen ejemplo de IA "pequeña pero útil": no escribe poemas, pero extrae texto de documentos sin enviarlos a ninguna parte.

## Andee: un agente que usa las apps de tu móvil

[Andee](https://github.com/kuafuai/andee) es un agente experimental para Android y macOS que usa tu teléfono **como lo haría una persona**: lee la pantalla, toca y escribe, sin integraciones ni root. Según su documentación:

- El razonamiento se configura con **cualquier modelo compatible con la API de OpenAI** que elijas.
- Guarda las contraseñas en una **bóveda local** y no las revela.
- No incluye SDK de analítica; la comprobación de actualizaciones envía la versión de la app y el modelo del teléfono, y el audio y los chats van a los proveedores que tú elijas.
- Necesita Android 8.1 o superior para instalarse y Android 11 o superior para controlar la pantalla; en Mac, macOS 14.
- Su licencia es Apache 2.0 con condiciones añadidas que prohíben reventa como SaaS y marca blanca.

El propio proyecto avisa de que **puede gastar dinero o enviar mensajes** y de que se entrega sin garantía. Es un recordatorio de que un agente local sigue necesitando los controles que contamos en [seguridad de agentes de IA](/blog/seguridad-agentes-ia-sandbox-kill-switch-2026).

## ¿Cuándo conviene sacar la IA de la nube?

Estas son pautas de decisión, no reglas universales:

| Situación | Mejor opción |
|---|---|
| Datos sensibles (contratos, salud, finanzas) | Local o en infraestructura propia |
| Tarea acotada y repetitiva (OCR, clasificación) | Modelo pequeño local |
| Razonamiento complejo, mucho contexto | Modelo grande en API |
| Uso sin conexión (campo, viajes, apps móviles) | On-device |
| Pico de demanda impredecible | API gestionada |

Y antes de decidir, comprueba tres cosas:

1. **Calidad real en tu caso.** Prueba con tus propios documentos o tu propio código, no con benchmarks.
2. **Hardware necesario.** Memoria, tiempo de respuesta y batería importan.
3. **Licencia.** "Pesos abiertos" no siempre significa "uso comercial libre".

La respuesta suele ser **híbrida**: un modelo pequeño local para lo rutinario y privado, y un modelo grande en la nube para lo difícil.

## Cómo lo abordamos

Si estás valorando llevar IA a una app móvil, a un proceso interno o a un sistema que no puede enviar datos fuera, en [Stellar Flavor](/servicios/inteligencia-artificial) analizamos el caso, comparamos opciones locales y en la nube y diseñamos una arquitectura que equilibre coste, privacidad y calidad. También puedes ver cómo encaja con [arquitecturas RAG](/blog/arquitecturas-rag-que-todo-equipo-debe-conocer-2026) y con la [integración de IA a medida](/blog/automatizaciones-sistemas-ia-a-medida).

## Fuentes

- [Flint (Recursive) en Hugging Face](https://huggingface.co/RecursiveSI/flint)
- [VKTR: Recursive launches Flint to keep AI coding offline and on-device](https://www.vktr.com/ai-platforms/recursive-launches-flint-to-keep-ai-coding-offline-and-on-device/)
- [Indra OCR en GitHub](https://github.com/datalab-to/indra) (datos consultados el 9 de noviembre de 2026)
- [Andee en GitHub](https://github.com/kuafuai/andee)
- [O'Reilly Radar: Radar Trends to Watch, noviembre de 2026](https://www.oreilly.com/radar/radar-trends-to-watch-november-2026/)
- [IBM: AI and tech trends and predictions for 2026](https://www.ibm.com/think/news/ai-tech-trends-predictions-2026)