Los 3 mejores dispositivos para IA local en 2026

Elegir hardware para IA local no debería exigir un doctorado en arquitectura de GPU. El número que decide casi todo es la memoria: el modelo tiene que caber antes de que importe la velocidad. Aquí comparamos tres plataformas edge habituales con las fichas técnicas de sus fabricantes, consultadas el 2026-10-09.

Los tres candidatos

NVIDIA Jetson Orin Nano Super

La Jetson Orin Nano Super es la placa edge pequeña de NVIDIA, pensada para inferencia con poco consumo. No es un ordenador de escritorio.

Especificaciones (de la página del kit de NVIDIA, consultada el 2026-10-09):

• Rendimiento IA: 67 TOPS INT8 (el kit Orin Nano anterior tenía 40; quien ya lo tiene obtiene las cifras Super con una actualización de software)
• GPU: NVIDIA Ampere, 1024 núcleos CUDA y 32 Tensor Cores
• CPU: Arm Cortex-A78AE de 6 núcleos
• Memoria: 8 GB LPDDR5, 102 GB/s
• Almacenamiento: ranura microSD + NVMe externo
• Consumo: 7-25 W
• Sistema: JetPack (Linux basado en Ubuntu)

Qué puede ejecutar: los benchmarks de Jetson AI Lab de NVIDIA (MLC, INT4) dan Llama 3.2 3B a 43,07 tok/s, Gemma 2 2B a 34,97, Qwen2.5 7B a 21,75, Llama 3.1 8B a 19,14 y Gemma 2 9B a 9,21 tok/s. Así que los modelos de 7-8B funcionan, pero los 8 GB se comparten con el sistema y queda poco sitio para contexto o un segundo modelo. Donde brilla es en visión, con DeepStream y TensorRT.

Apple Mac mini M4 (2024)

El Mac mini M4 usa memoria unificada compartida entre CPU y GPU, así que el modelo no tiene que copiarse a una tarjeta gráfica aparte.

Especificaciones (de la ficha técnica del Mac mini (2024), consultada el 2026-10-09):

• CPU: M4 de 10 núcleos (4 de rendimiento + 6 de eficiencia)
• GPU: 10 núcleos
• Neural Engine: 16 núcleos; Apple da al Neural Engine del M4 38 billones de operaciones por segundo
• Memoria: 16 GB unificada (base), configurable a 24 GB o 32 GB
• Ancho de banda: 120 GB/s
• Almacenamiento: SSD de 256 GB (base), hasta 2 TB
• Consumo: 155 W máximo continuo
• Sistema: macOS (Ollama, llama.cpp y MLX funcionan de forma nativa)

Configuración M4 Pro: CPU de 12 núcleos, GPU de 16 (20 opcional), 24 GB de memoria unificada configurable a 48 GB o 64 GB, 273 GB/s. Apple ha renovado después la gama Mac mini, así que mira la ficha actual antes de comprar.

Mini PC Intel Core Ultra (antigua clase NUC)

Un mini PC con chip Intel Core Ultra es un ordenador de uso general con una NPU pequeña integrada. Intel cedió la línea NUC a ASUS en 2023, y muchas marcas venden equipos parecidos.

Chip de referencia: Intel Core Ultra 7 155H (de la ficha de Intel, consultada el 2026-10-09):

• CPU: 16 núcleos, 22 hilos
• NPU: Intel AI Boost, 11 TOPS INT8; 33 TOPS sumando CPU + GPU + NPU
• Memoria: hasta 96 GB DDR5 o LPDDR5/X
• Consumo: 28 W base, 115 W turbo máximo
• Sistema: Windows 11 o Linux

Qué puede ejecutar: aquí Ollama ejecuta los modelos en la CPU, así que la memoria que instales decide el tamaño del modelo y la CPU decide la velocidad. Cuenta con que sea más lento por token que la GPU de la Jetson o el Mac. Mejor como servidor general que además ejecuta IA.

Tabla comparativa

Fuentes: las páginas del fabricante enlazadas arriba, consultadas el 2026-10-09. Hemos dejado fuera los precios: cambian con la configuración y el mes, así que mira la tienda del fabricante el día que compres.

Qué cabe en cada uno

El tamaño de descarga de un modelo en Ollama es un buen mínimo de la memoria que necesita. Suma unos pocos GB para contexto y sistema operativo. Los tamaños son las versiones Q4 por defecto de ollama.com/library, consultadas el 2026-10-09:

flowchart TD
    TASK{"¿Tarea principal?"}
    TASK -->|"Cámaras, sensores"| JETSON["Jetson Orin Nano Super<br/>8 GB"]
    TASK -->|"Texto, modelos 7-14B"| MINI["Mac mini M4<br/>16-32 GB"]
    TASK -->|"Texto, modelos 24-70B"| PRO["Mac mini M4 Pro<br/>48-64 GB"]
    TASK -->|"Servidor general + IA"| PC["Mini PC Core Ultra<br/>32-96 GB"]

Nuestra recomendación

• Para visión artificial e IoT: Jetson Orin Nano Super. Si tu caso usa cámaras (almacén, inspección de calidad, seguridad), la GPU de la Jetson y las herramientas DeepStream y TensorRT de NVIDIA encajan mejor. Para texto, quédate en modelos de 3-4B para tener sitio para el contexto.
• Para modelos de lenguaje: Mac mini M4 Pro de 48-64 GB. Es nuestra opción por defecto para PYMEs. Con 48 GB cabe Mistral Small 24B con margen; 64 GB es la configuración que admite un modelo de 70B en Q4.
• Para probar IA local: Mac mini M4 de 16-24 GB. El modelo base ejecuta Gemma 2 9B y Phi-4: suficiente para resúmenes, borradores de soporte y RAG básico.
• Para un servidor general que además ejecuta IA: mini PC Core Ultra. Elígelo si necesitas Windows, mucha RAM barata o un equipo que también sirva de servidor de archivos.

Cómo empezar

Elijas el hardware que elijas, el despliegue empieza con Ollama:

# En Mac mini (macOS)
brew install ollama
ollama pull gemma2:9b      # 5,4 GB, Mac mini de 16 GB
ollama pull mistral-small  # 14 GB, Mac mini de 24-32 GB o M4 Pro

# En Jetson o un mini PC con Linux
curl -fsSL https://ollama.com/install.sh | sh
ollama pull gemma2:2b      # 1,6 GB, cabe en 8 GB
ollama pull phi4           # 9,1 GB, mini PC con 16 GB+

Luego ejecuta ollama ps mientras el modelo responde: muestra cuánta memoria ocupa de verdad, que es el número con el que dimensionar.

Lecturas relacionadas

• Ajusta Modelos IA en Tu Propio Hardware: Guía LoRA para PYMEs
• NPU vs GPU: Por Qué las Unidades de Procesamiento Neural Son el Futuro de la IA Edge
• Cuantización: modelos de 70B en hardware de consumo

Subvenciones

Las convocatorias del Kit Digital para beneficiarios han finalizado, pero otras líneas (IVACE, ENISA, CDTI) pueden financiar parte de un proyecto de IA cuando están abiertas. Consulta qué hay abierto →

Fuentes: NVIDIA Jetson Orin Nano Super · Benchmarks de Jetson AI Lab · Ficha del Mac mini (2024) · Intel Core Ultra 7 155H · Biblioteca de Ollama

Siguientes pasos

• Haz la lista de modelos que necesita tu tarea y compara su tamaño de descarga con la columna de memoria.
• Lee nuestra guía sobre cómo ajustar modelos en tu propio hardware.

Trabaja con nosotros

Podemos hacer este análisis con tus datos reales antes de recomendar hardware. Una conversación de 30 minutos suele bastar para saber si tiene sentido en tu caso: reserva una llamada o mira cómo trabajamos en consultoría.