IA que corre en tu navegador: qué puede hacer y qué no

Hace no tanto, cualquier cosa con la etiqueta “inteligencia artificial” significaba enviar tus datos a un servidor. Era inevitable: los modelos no cabían en otro sitio.

Hoy hay una parte que sí cabe. Quitar el fondo de un retrato, detectar caras, reconocer texto en una imagen o mejorar la resolución de una foto pequeña puede ocurrir enteramente dentro de una pestaña, sin que el archivo salga de tu ordenador.

Pero la frontera es real y bastante nítida. Conviene saber de qué lado está cada cosa.

Qué hace falta para que funcione

Tres piezas tuvieron que encajar.

Modelos pequeños. Un modelo de segmentación —el que separa a una persona del fondo— puede ocupar entre 5 y 50 MB. Uno de lenguaje de los que están de moda ocupa decenas de gigabytes. La diferencia es de tres órdenes de magnitud, y explica casi todo lo demás.

Cuantización. Un modelo se entrena con números de 32 bits, pero para usarlo suele bastar con 8. Eso reduce el tamaño a la cuarta parte y acelera el cálculo, a cambio de una pérdida de precisión que en tareas visuales es casi imperceptible.

Acceso a la GPU. El navegador puede usar la tarjeta gráfica a través de WebGL o, más recientemente, WebGPU. Sin eso, todo esto sería inviable: en CPU pura, un modelo de imagen tarda decenas de segundos donde la GPU tarda uno.

Lo que ya funciona bien

Segmentación de personas. Separar a alguien del fondo. Es lo que hace el fondo desenfocado de las videollamadas, y funciona en tiempo real.

Detección de caras y puntos faciales. Rápido y fiable. La base de los filtros.

Reconocimiento de texto (OCR). Extraer texto de una imagen. Funciona bien con documentos escaneados y regular con fotos torcidas o con poca luz.

Escalado de imagen. Ampliar una foto pequeña inventando detalle plausible. Funciona, pero es de lo más pesado del grupo: en imágenes grandes puede tardar bastante y consumir mucha memoria.

Clasificación y etiquetado. Reconocer qué hay en una foto.

Eliminación de ruido. Limpiar el grano de fotos hechas con poca luz.

Todo esto comparte una característica: son modelos visuales especializados, entrenados para una tarea concreta. Ahí es donde el navegador rinde.

Lo que no cabe

Modelos de lenguaje grandes. Los que conversan y escriben. Los más pequeños que resultan útiles ocupan varios gigabytes; los buenos, mucho más. Hay experimentos que los cargan en el navegador, y funcionan, pero descargar tres gigabytes antes de la primera respuesta no es una experiencia que nadie quiera repetir.

Generación de imágenes. Los modelos de difusión necesitan mucha memoria de GPU y muchos pasos de cálculo. Existen versiones reducidas para navegador, pero el resultado y la espera no compiten con un servicio en servidor.

Vídeo en tiempo real más allá de lo básico. Segmentar un fotograma es viable. Aplicar un modelo pesado a treinta fotogramas por segundo, no.

Cualquier cosa que necesite tu biblioteca entera. Buscar en diez mil fotos, entrenar con tus datos, comparar contra una base de datos grande. El navegador procesa lo que le das, no lo que tienes guardado.

El precio que se paga

Merece la pena ser explícito, porque estas herramientas a veces se presentan como si no tuvieran coste:

La primera carga es pesada. El modelo hay que descargarlo. Entre 5 y 100 MB según la tarea. Queda en caché, pero la primera vez se nota, sobre todo con datos móviles.

Depende de tu equipo. Un portátil sin GPU dedicada puede tardar diez veces más que uno con ella. No hay una experiencia uniforme como en un servicio de servidor, donde todos los usuarios comparten el mismo hardware.

Consume tu memoria. Una imagen grande puede no caber. Es habitual que estas herramientas limiten el tamaño de entrada, y no es una restricción arbitraria: es que por encima de cierto punto el navegador se queda sin memoria y falla.

La calidad es algo menor. Un modelo cuantizado de 20 MB no iguala a uno completo de 2 GB. Para la mayoría de usos la diferencia no se aprecia, pero existe.

Lo que se gana

A cambio hay tres ventajas que no son pequeñas:

Tu archivo no sale de tu ordenador. Para una foto de un documento, de un menor o de material bajo confidencialidad, esto no es un detalle: es la diferencia entre poder usar la herramienta y no poder.

No hay coste por uso. Un servicio en servidor paga GPU por cada operación, y por eso todos acaban con límites, registro o suscripción. Lo que corre en tu máquina no le cuesta nada a nadie.

Funciona sin conexión. Una vez cargado el modelo, la herramienta sigue operando aunque te quedes sin internet. Es también la prueba más contundente de que no está enviando nada: si funciona con el WiFi apagado, no hay servidor detrás.

Cómo elegir

La pregunta útil no es “¿es mejor local o en servidor?”, sino qué estás procesando:

• Documentos personales, fotos de familia, material de trabajo confidencial → local, sin dudarlo. La privacidad pesa más que la diferencia de calidad.
• Una imagen enorme, o resultados de máxima calidad para algo profesional → servidor. Tu navegador no va a ganar esa comparación.
• Uso ocasional de algo sencillo → local. Es más rápido en la práctica, porque no hay que subir ni esperar cola.
• Generar texto o imágenes desde cero → servidor. Aquí no hay debate todavía.

Hacia dónde va

WebGPU está llegando a todos los navegadores y multiplica el rendimiento respecto a WebGL. Los modelos pequeños seguirán encogiendo con mejores técnicas de compresión. Y los sistemas operativos empiezan a exponer sus aceleradores de IA a las aplicaciones web.

La frontera se va a mover, y va a moverse a favor de lo local. Pero no va a desaparecer: siempre habrá modelos demasiado grandes para una pestaña, y para esos seguirá haciendo falta un servidor.

Lo interesante es que la parte que ya cabe cubre buena parte de lo que la gente hace a diario con imágenes. Y esa parte, ahora, puede hacerse sin entregarle el archivo a nadie.