Comprar un ordenador nuevo empieza a tener una pregunta incómoda encima de la mesa: ¿esto me sirve para usar IA en local? Y la respuesta rápida sería mirar una cifra, comparar dos fichas técnicas y decidir. Pero no funciona así.
Lo estoy viendo de forma muy clara al comparar opciones que, sobre el papel, parecen competir en el mismo terreno: un portátil ultraligero con Snapdragon X2 Elite y una NPU de 80 TOPS, un MacBook con Apple Silicon M5 o M5 Pro, un portátil gaming con RTX, una torre con NVIDIA dedicada o incluso una máquina Linux pensada para cacharrear. Todos pueden presumir de inteligencia artificial. Todos pueden ejecutar algún tipo de IA local. Pero no sirven para lo mismo.
La pregunta real no es “qué ordenador tiene más IA”, sino qué tipo de IA quieres usar: asistentes integrados, modelos de texto, generación de imágenes, vídeo, automatizaciones, agentes, programación, edición multimedia o experimentos más serios. Y ahí cambian todas las prioridades: sistema operativo, arquitectura, procesador, gráfica, memoria, refrigeración y formato.
Primero: iOS no es la comparación correcta, la comparación real es macOS, Windows y Linux
Cuando hablamos de Apple, conviene separar bien las cosas. iOS y iPadOS pueden tener funciones de IA local, pero no son la plataforma natural para montar un entorno propio de inteligencia artificial. Puedes usar Apple Intelligence, apps con modelos integrados o funciones locales concretas, pero no es el terreno ideal si quieres instalar modelos, tocar dependencias, usar terminal, montar flujos, trabajar con librerías o probar herramientas de código abierto.
La comparación real para IA local es otra: Windows vs macOS vs Linux. Windows es el camino más cómodo para la mayoría de usuarios porque combina escritorio familiar, compatibilidad con muchas apps, soporte de NVIDIA, herramientas creativas y el empuje de Microsoft con Copilot+ y modelos locales. De hecho, en Hefestec ya hablábamos de cómo Microsoft está preparando Windows para agentes y modelos de IA en local, y esa dirección encaja mucho con esta nueva forma de elegir hardware.
macOS tiene una ventaja distinta: integración, estabilidad, eficiencia y memoria unificada. Un Mac con Apple Silicon M5 o M5 Pro puede ser fantástico para trabajar, editar, programar, escribir, producir contenido y ejecutar ciertos modelos locales adaptados a Metal o MLX. Pero si quieres seguir tutoriales pensados para CUDA, instalar herramientas que nacen primero en Windows o Linux, o usar flujos creativos muy dependientes de NVIDIA, puede no ser el camino más directo.
Linux es probablemente la opción más potente para quien sabe lo que está haciendo. Es el entorno natural de muchos servidores, librerías, repositorios, modelos, contenedores y flujos de IA. Pero también exige más paciencia. Para un usuario que quiere probar, crear y no pelearse cada tarde con dependencias, Linux puede ser maravilloso o un agujero negro. Por eso, para la mayoría, lo más realista suele ser Windows con NVIDIA, o macOS si ya vives en el ecosistema Apple y aceptas sus rutas alternativas.
ARM o x86: eficiencia contra compatibilidad
La siguiente gran pregunta es la arquitectura. ARM está de moda porque ofrece eficiencia, batería y equipos más ligeros. Apple Silicon ha demostrado que ARM puede rendir de forma brutal si hardware, software y sistema operativo están diseñados juntos. Qualcomm está intentando llevar esa idea al mundo Windows con sus Snapdragon X, y los nuevos Snapdragon X2 Elite prometen hasta 80 TOPS en la NPU Hexagon.
El problema es que ARM no siempre significa mejor para IA local. Puede ser excelente para portátiles finos, batería larga, funciones integradas y tareas optimizadas para NPU. Pero si vas a instalar herramientas raras, plugins, modelos, editores, librerías o software x86 clásico, la compatibilidad sigue importando mucho. Windows en ARM ha mejorado, pero todavía no es lo mismo que Windows sobre x86 para todo.
x86, con Intel o AMD, sigue siendo el terreno más seguro si quieres máxima compatibilidad en PC. Puede ser menos elegante en consumo que ARM, pero tiene décadas de software detrás, más opciones de sobremesa, más placas, más gráficas, más ampliación y menos sorpresas. Para una torre de IA local, hoy tiene mucho sentido seguir pensando en x86, especialmente si la pieza clave va a ser una GPU NVIDIA dedicada.
Apple Silicon M5, Intel, AMD o Qualcomm: cada uno juega a una cosa
Apple Silicon M5 ya no debe tratarse como una simple continuación del M4. Apple ha orientado esta generación mucho más claramente hacia cargas de IA, con aceleradores neuronales en la GPU y más ancho de banda de memoria. El M5 base apunta a portátiles y tablets muy eficientes para productividad, creación, edición y modelos locales moderados; el M5 Pro es el escalón que tiene más sentido si quieres un Mac como máquina principal de creación y pruebas locales con más margen.
La ventaja de M5 y M5 Pro no está solo en el Neural Engine. Está en la combinación de memoria unificada, eficiencia, GPU integrada potente, motor multimedia y una integración muy fina con macOS. Para edición, vídeo, fotografía, escritura, desarrollo y ciertos modelos adaptados a Metal o MLX, un Mac con M5 Pro puede ser una máquina muy seria. Pero no lo vendería como sustituto perfecto de una torre NVIDIA para todo: si tu flujo depende de CUDA, ComfyUI, modelos experimentales o vídeo generativo muy pesado, Windows o Linux con NVIDIA siguen siendo el camino más directo.
Intel ha reaccionado con sus Core Ultra y NPUs integradas. Tienen sentido en portátiles modernos para IA integrada, productividad, videollamadas, funciones de sistema, batería y compatibilidad general. Pero si la pregunta es IA local creativa, no compraría un Intel solo por la NPU. Lo miraría como CPU equilibrada dentro de un equipo con buena GPU.
AMD tiene mucho sentido en sobremesa y portátiles potentes. Sus Ryzen ofrecen gran rendimiento por euro, buena eficiencia y configuraciones muy interesantes para torres. También está empujando sus Ryzen AI, pero de nuevo: para IA local pesada, el punto diferencial no suele ser la NPU del procesador, sino la gráfica que lo acompaña, la memoria y la refrigeración.
Qualcomm es quizá el más atractivo para una nueva generación de portátiles ultraligeros con Windows ARM. Un Snapdragon X2 Elite con 80 TOPS puede ser muy potente para funciones de Copilot+, IA integrada, productividad y batería. Pero yo sería prudente si el objetivo principal es ComfyUI, vídeo generativo, modelos raros o herramientas que dependen mucho de CUDA, PyTorch y drivers NVIDIA.
La trampa de los TOPS: no compres solo por la NPU
Los TOPS se han convertido en la cifra de marketing de la IA. En teoría, indican cuántas operaciones por segundo puede realizar un acelerador. Suena perfecto para comparar chips, pero en la práctica es una medida incompleta. Una NPU de muchos TOPS puede ser fantástica para tareas integradas en el sistema, pero irrelevante para una herramienta que no sabe usarla.
Microsoft marcó la idea de Copilot+ PC alrededor de equipos con NPU potente, pero eso no significa que toda la IA local vaya a pasar por la NPU. Para asistentes, filtros, transcripción, resúmenes y pequeñas funciones en segundo plano, sí puede ser clave. Para generar imágenes, vídeo, usar modelos grandes o montar flujos complejos, muchas veces manda otra pieza: la GPU.
Por eso la etiqueta “AI PC” hay que leerla con cuidado. Puede significar “este portátil tiene funciones modernas de IA integrada” o puede significar “esta máquina sirve para trabajar con modelos locales de forma seria”. No es lo mismo. Y no cuesta lo mismo.
Tarjeta gráfica sí o no: aquí se decide casi todo
Si vas a usar IA en local de forma ligera, quizá no necesitas gráfica dedicada. Para escribir con modelos pequeños, probar algún LLM cuantizado, usar Ollama con modelos modestos, hacer transcripción o aprovechar funciones del sistema, un buen portátil moderno puede valer. Incluso un MacBook Air con M5 o un Copilot+ PC con NPU pueden tener sentido si no vas a pedirles demasiado.
Pero si hablamos de generación de imágenes, ComfyUI, Stable Diffusion, vídeo generativo, modelos más grandes o flujos creativos, la gráfica dedicada cambia por completo la experiencia. Y aquí NVIDIA tiene una ventaja muy real. No solo por potencia, sino por ecosistema: CUDA, Tensor Cores, drivers, PyTorch, TensorRT, guías, repositorios y herramientas que suelen dar por hecho que tienes una GPU NVIDIA. La propia NVIDIA presenta CUDA Toolkit como el entorno para crear y desplegar aplicaciones aceleradas por GPU, y TensorRT como un ecosistema para acelerar inferencia de deep learning.
AMD e Intel pueden servir para muchas cosas, y Apple Silicon M5 tiene rutas propias muy interesantes, pero si alguien me pregunta qué da menos dolores de cabeza para IA local creativa en PC, la respuesta sigue siendo bastante clara: NVIDIA con suficiente VRAM.
VRAM, RAM y SSD: las tres memorias que importan
La VRAM es la memoria de la gráfica, y en IA local puede ser más importante que el nombre comercial de la GPU. Muchos modelos necesitan cargar pesos, contexto, resoluciones, lotes y procesos dentro de esa memoria. Si falta VRAM, el sistema puede ir mucho más lento, limitarte a modelos pequeños o directamente fallar.
Como orientación realista: 8 GB de VRAM ya empiezan a quedarse cortos para IA visual; 12 GB son un punto de entrada razonable; 16 GB dan mucha más tranquilidad; y 24 GB o más empiezan a abrir un terreno bastante más serio. No todo el mundo necesita 24 GB, pero sí conviene saber que la VRAM es uno de los primeros muros con los que vas a chocar.
La RAM del sistema también importa. Hoy no compraría un ordenador para IA local con menos de 32 GB de RAM, salvo que el uso sea muy ligero. Para agentes, multitarea, navegador, modelos, editores y herramientas abiertas, 64 GB empiezan a tener mucho sentido. Y el SSD tampoco es secundario: los modelos pesan, los checkpoints se acumulan, las imágenes y vídeos ocupan mucho y un 1 TB puede llenarse antes de lo que parece.
Portátil o torre: la decisión menos sexy, pero más importante
Un portátil potente es tentador. Un 14 pulgadas OLED con RTX, 32 GB de RAM y buen procesador suena como el equipo perfecto para hacerlo todo. Y puede serlo si necesitas una sola máquina para trabajar fuera de casa, editar, jugar, viajar y probar IA de forma razonable.
Pero si ya tienes un portátil bueno para movilidad, la torre empieza a tener muchísimo sentido. Por el mismo dinero suele ofrecer mejor rendimiento sostenido, mejor refrigeración, más ampliación, menos limitaciones térmicas y más vida útil. En IA local eso importa porque no hablamos solo de abrir una app cinco minutos. Hablamos de procesos largos, colas de generación, modelos que cargan memoria, renders, pruebas repetidas y sesiones donde el equipo trabaja de verdad.
Además, una RTX de portátil no es lo mismo que una RTX de sobremesa. Puede compartir nombre, pero está limitada por consumo, calor y tamaño. Para jugar y crear en movilidad tiene sentido. Para montar un laboratorio de IA en casa, una torre suele ser más honesta.
NVIDIA Spark y el futuro del PC de IA
Hay otro elemento interesante, aunque yo lo trataría más como pista de futuro que como compra inmediata: NVIDIA Spark. En Hefestec ya hablamos de Nvidia RTX Spark y el posible cambio del PC con Windows, porque la idea de combinar ARM, gráficos RTX, memoria unificada e IA local apunta a una dirección muy potente.
No lo metería todavía como recomendación general para cualquiera que quiera comprar hoy. Pero sí como señal de hacia dónde se mueve la industria: equipos más compactos, más integrados y pensados desde el principio para modelos locales, agentes y flujos de IA. También conecta con esa nueva generación de dispositivos con IA que Microsoft insinuó con Project Solara, donde el hardware empieza a separarse de la idea clásica de PC.
La lectura importante es esta: el ordenador de IA local del futuro quizá no se parezca exactamente al PC gaming de hoy. Pero si tienes que comprar ahora para trabajar y experimentar, todavía apostaría por algo mucho más terrenal: Windows o Linux, x86, buena NVIDIA, VRAM suficiente y posibilidad de ampliar.
Mínimos recomendables según el uso de IA local
No todo el mundo necesita la misma máquina. Esta sería mi guía práctica para no comprar de más, pero tampoco quedarse corto demasiado pronto.
Uso ligero: IA en navegador, Copilot, Gemini, resúmenes y tareas de productividad
Para este perfil no necesitas una torre ni una RTX enorme. Te basta con un portátil moderno, buena batería y 16 o 32 GB de RAM. Un MacBook Air con M5, un portátil Intel/AMD reciente o un Copilot+ PC ARM pueden ser suficientes. Aquí la NPU sí puede tener sentido, porque el uso va más de funciones integradas que de modelos pesados. Es el mismo cambio de fondo que se ve en Android cuando la IA empieza a meterse en tareas cotidianas, pero llevado al ordenador.
Mínimo razonable: 16 GB de RAM, SSD de 512 GB, buena batería y chip moderno. Ideal: 32 GB de RAM y 1 TB de SSD si quieres que dure más.
LLMs locales pequeños: Ollama, modelos cuantizados y pruebas de texto
Si quieres ejecutar modelos de lenguaje locales pequeños o medianos, la RAM empieza a importar más. Puedes hacerlo en Mac con Apple Silicon M5, en Windows o en Linux. Una GPU ayuda, pero no siempre es obligatoria si aceptas modelos pequeños y algo de paciencia.
Mínimo razonable: 32 GB de RAM y 1 TB de SSD. Ideal: 64 GB de RAM o Apple Silicon M5 Pro con memoria unificada generosa. Si usas GPU, mejor NVIDIA con al menos 12 GB de VRAM.
Imagen local: Stable Diffusion, Flux, ComfyUI y generación creativa
Aquí ya no me complicaría: NVIDIA dedicada. Puedes buscar caminos alternativos en Mac o AMD, pero si quieres menos fricción, más tutoriales y más compatibilidad, la RTX sigue siendo la opción más cómoda.
Mínimo razonable: RTX con 12 GB de VRAM, 32 GB de RAM y SSD de 1 TB. Ideal: 16 GB de VRAM o más, 64 GB de RAM y SSD ampliable. Si puedes elegir entre portátil y torre, para este uso elegiría torre.
Vídeo generativo y flujos pesados
El vídeo generativo es otra liga. Consume más memoria, tarda más, calienta más el equipo y suele agradecer cada gramo de GPU que puedas darle. Aquí un portátil puede servir para probar, pero no lo elegiría como primera opción si el objetivo es usarlo de forma constante.
Mínimo razonable: 16 GB de VRAM, 64 GB de RAM y buen SSD. Ideal: 24 GB de VRAM o más, torre bien refrigerada y almacenamiento ampliable. Si tu presupuesto no llega, mejor asumir que harás pruebas puntuales y no producción pesada.
Agentes locales, automatizaciones y laboratorio personal
Para agentes, la clave no es solo generar rápido. También necesitas estabilidad, RAM, almacenamiento, compatibilidad y una máquina que pueda estar trabajando sin convertirse en una turbina. En Hefestec ya hemos visto cómo los agentes de IA se están convirtiendo en el gran protagonista del software, pero llevar eso a local implica pensar más como laboratorio que como simple portátil bonito.
Mínimo razonable: 32 GB de RAM, 1 TB de SSD y GPU NVIDIA si los agentes van a tocar modelos locales. Ideal: 64 GB de RAM, varios SSD, NVIDIA con 12 o 16 GB de VRAM como mínimo y una torre que puedas ampliar.
Mi recomendación práctica si vas a comprar hoy
Si quieres un ordenador para escribir, trabajar, editar algo, usar IA en navegador y tener buena batería, no te obsesiones con una torre. Un buen portátil moderno te basta. Si quieres movilidad extrema, un ARM tipo Snapdragon X2 Elite puede ser muy atractivo. Si ya estás en Apple, un MacBook con M5 o M5 Pro tiene muchísimo sentido para productividad y creación.
Si quieres experimentar en serio con IA local, mi recomendación cambia: torre antes que portátil, NVIDIA antes que NPU bonita, 32 GB de RAM como mínimo y 12 GB de VRAM como punto de entrada. Si puedes estirarte a 16 GB de VRAM y 64 GB de RAM, mejor. Si además quieres vídeo generativo, empezaría a mirar 24 GB de VRAM o asumiría límites.
Y si dudas entre un portátil premium con ARM, un portátil gaming con RTX o una torre con NVIDIA, la decisión depende de una frase: si quieres moverte, portátil; si quieres experimentar, torre. Lo demás son matices.
El mejor ordenador de IA no siempre es el que más presume de IA
La conclusión incómoda es que la etiqueta “AI PC” sirve para vender, pero no siempre sirve para comprar bien. Una NPU de 80 TOPS puede ser impresionante y, al mismo tiempo, no ser lo que necesitas para generar imágenes en local. Una RTX puede parecer menos moderna en el discurso de marketing, pero darte muchas más posibilidades reales. Un Mac con M5 Pro puede ser una maravilla para trabajar y crear, pero no siempre el camino más fácil para herramientas pensadas alrededor de CUDA.
Por eso, antes de comprar, miraría menos la pegatina y más el flujo de trabajo. ¿Quieres IA integrada en el sistema? Mira NPU y eficiencia. ¿Quieres crear y experimentar en local? Mira GPU y VRAM. ¿Quieres trabajar sin complicarte? Mira compatibilidad y estabilidad. ¿Quieres que el equipo te dure años? Mira ampliación, refrigeración y memoria.
La IA local no va solo de tener el chip más nuevo. Va de tener una máquina que no se quede pequeña justo cuando empieces a usarla de verdad.
