IA en local para tu pyme: RTX Spark, Mac M5 y Strix Halo

Imagen generada con IA

Actualizado el 26 de octubre de 2026: el RTX Spark ya se vende en España y hemos revisado los datos, los precios y las fuentes de este artículo.

Hay sectores donde meter datos en ChatGPT no es solo mala idea — es ilegal.

Un abogado que pega el borrador de un contrato en un modelo en la nube sin las garantías adecuadas puede estar incumpliendo el secreto profesional. Un médico que sube el historial de un paciente para que la IA le ayude a redactar el informe trata datos de salud, que el artículo 9 del RGPD protege como categoría especial, y necesita una base legal y un contrato con el proveedor. Una asesoría fiscal que automatiza la lectura de declaraciones con ChatGPT transfiere datos a un procesador externo sin contrato de encargado de tratamiento en regla.

La solución no es renunciar a la IA. Es ejecutarla en tu propio ordenador.

En 2025 eso requería hardware caro o resultados mediocres. En 2026, tres plataformas cambian esa ecuación: el Mac M5 (disponible desde marzo de 2026), el Strix Halo de AMD (ya a la venta) y el RTX Spark de NVIDIA (anunciado en Computex 2026, a la venta en España desde octubre de 2026). Los tres llegan a 128 GB de memoria y pueden ejecutar en local modelos de IA de 70.000 millones de parámetros, sin enviar ni un solo byte a un servidor externo.

Este artículo explica qué rinde cada uno, qué puedes automatizar con ellos y cuál le conviene a tu empresa según el sector, el presupuesto y el sistema operativo que ya usáis.

Por qué una pyme necesita IA en local

Antes de entrar en el hardware, conviene tener claro en qué casos la IA en la nube no es una opción:

Sectores con secreto profesional o datos especialmente protegidos. Abogados, médicos, psicólogos, asesores fiscales y contables trabajan con información que la ley protege de forma específica. Enviarla a un modelo externo — aunque sea para obtener un resumen o un borrador — implica transferirla a un tercero sin las garantías legales exigibles.

Empresas con información confidencial de clientes. Un estudio de arquitectura con los planos de un proyecto, una empresa de ingeniería con sus especificaciones técnicas o una pyme industrial con sus procesos de fabricación pueden no querer que esa información pase por servidores de OpenAI, Anthropic o Google.

Automatizaciones con RGPD. Si usas cualquier motor de automatización para procesar documentos con datos personales — contratos, facturas, albaranes con nombre de cliente — y la IA entra en el flujo, necesitas un contrato de encargado de tratamiento con cada proveedor externo. Un modelo local elimina ese problema de raíz: los datos nunca salen de tu infraestructura.

Coste a escala. Si tu automatización llama a la API de OpenAI miles de veces al día, el coste puede ser significativo. Un modelo local corre sin coste por inferencia una vez pagado el hardware.

La guía de cumplimiento del AI Act para pymes detalla qué obligaciones del AI Act afectan a una pyme y desde cuándo; el uso de IA local no elimina todas esas obligaciones, pero simplifica enormemente la gestión de la privacidad.

Los tres contendientes

Mac M5 — el que ya funciona, sin fricciones

Apple lanzó el MacBook Pro con M5 Pro y M5 Max en marzo de 2026 (Apple Newsroom, marzo 2026). La arquitectura unificada — CPU, GPU y memoria en el mismo chip — lleva varios años siendo la referencia para IA en local en portátil, y el M5 es el salto más grande hasta la fecha.

Lo que importa para inferencia local:

• M5 Pro: hasta 64 GB de memoria unificada, 307 GB/s de ancho de banda. Con 24–32 GB caben modelos cuantizados de hasta unos 30B parámetros, y con 64 GB, de 70B con poco margen (estimación propia, ver la tabla de memoria más abajo).
• M5 Max: hasta 128 GB y hasta 614 GB/s de ancho de banda (460 GB/s en la versión con GPU de 32 núcleos, según la ficha técnica). Le caben modelos de 70B.
• Herramientas como Ollama y LM Studio llevan años optimizadas para Apple Silicon vía Metal y se instalan en pocos minutos.
• El ecosistema macOS es el más maduro para este uso: MLX (el framework de Apple para inferencia local) exprime el hardware mejor que ningún otro stack en portátil.

Precio: el MacBook Pro de 16" con M5 Max, 128 GB, GPU de 40 núcleos, 2 TB y pantalla estándar cuesta 7.949 € en la Apple Store española (precio comprobado el 26 de octubre de 2026). Las configuraciones con M5 Pro y menos memoria cuestan bastante menos: consulta cada una en la misma tienda.

Limitación honesta: si ya trabajáis en Windows, cambiar de ecosistema tiene un coste real de adaptación. La versión de 128 GB (M5 Max, 16", pantalla estándar) cuesta 7.949 €. Por qué está tan cara la memoria lo explicamos en escasez de RAM por la IA: precios 2026 y perspectivas 2027.

Strix Halo (Ryzen AI Max+ 395) — la potencia bruta en Windows

El Ryzen AI Max+ 395 es la apuesta de AMD para el mismo segmento: un APU (procesador + GPU en un solo chip) con 16 núcleos Zen 5, una GPU Radeon 8060S de 40 unidades de cómputo y hasta 128 GB de memoria LPDDR5x unificada (AMD, 2025).

Para inferencia local, los números hablan solos:

• Con 128 GB cabe un modelo de 70B completo en memoria con cuantización Q4 (estimación propia, ver la tabla de memoria más abajo), algo que una tarjeta gráfica de consumo con 24 GB no puede hacer sola.
• Lleva además un NPU (un procesador dedicado a IA) de hasta 50 TOPS.

En la práctica, el Strix Halo es hoy la mejor opción para Windows + IA local + volumen de inferencia, sobre todo en el rango 30B–70B. El motor de inferencia recomendado es Ollama con backend Vulkan/RADV o ROCm, que se integra con las herramientas de automatización que ya tengas en uso.

Precio: el Framework Desktop con 128 GB cuesta 3.919 € en su tienda española, y la versión de 64 GB, 2.239 € (los dos, como precio rebajado); el 26 de octubre de 2026 las dos aparecían agotadas. El chip también va en portátiles como el ASUS ROG Flow Z13, con hasta 128 GB.

Limitación honesta: el soporte ROCm de AMD en Windows todavía es menos maduro que CUDA de NVIDIA o Metal de Apple. Para algunos modelos, la configuración requiere ajustes manuales. Y ya hay sucesor: Framework ofrece en reserva equipos con la serie Ryzen AI Max PRO 400, desde 7.759 € en su tienda.

RTX Spark — el más nuevo, ya a la venta

NVIDIA presentó el RTX Spark en Computex 2026 el 31 de mayo (NVIDIA, mayo 2026). Es la apuesta más ambiciosa de las tres: un superchip Arm que, en su versión completa, combina una CPU Grace de 20 núcleos con una GPU Blackwell de 6.144 núcleos CUDA y Tensor Cores de quinta generación con precisión FP4. Hay también configuraciones de 18 núcleos de CPU y 5.120 núcleos CUDA (Profesional Review).

En papel, los números son los más altos de la categoría:

• Hasta 1 petaflop de cálculo de IA.
• Hasta 128 GB de memoria unificada, con hasta 300 GB/s de ancho de banda (Tom's Hardware). La CPU y la GPU se comunican mediante NVLink-C2C, el enlace de alta velocidad de NVIDIA.
• Capaz de correr modelos de 120.000 millones de parámetros en local, según la presentación de NVIDIA que recoge Tom's Hardware).
• Formato portátil: de 14 a 16 pulgadas, desde 14 mm de grosor y desde unos 1,4 kg.
• Fabricantes: ASUS, Dell, HP, Lenovo, Microsoft y MSI; Acer y Gigabyte llegarán después.

El ecosistema CUDA es el estándar de facto en IA desde hace una década, y casi todas las herramientas de IA local (Ollama, llama.cpp, vLLM, ComfyUI) nacieron sobre él. Lo que hay que comprobar es que cada una tenga versión para Windows on Arm.

Precio: los primeros portátiles con RTX Spark ya se venden en España. Según Profesional Review (15 de octubre de 2026), el más barato es el ASUS ProArt P14 con 32 GB, a 3.299,99 €, y el único con 128 GB de su selección es el ASUS ProArt P16 OLED con 2 TB, a 7.369 €: casi lo mismo que el MacBook Pro M5 Max con 128 GB.

Limitación honesta: corre Windows on Arm, lo que puede generar incompatibilidades con software de empresa que no tenga versión nativa Arm. Al ser una plataforma nueva, el soporte de aplicaciones de gestión, ERP y herramientas sectoriales deberá confirmarse caso a caso antes de comprarlo.

Comparativa rápida

Precios comprobados el 26 de octubre de 2026 en la Apple Store, la tienda de Framework y, para el RTX Spark, en Profesional Review. Pueden variar; consulta la tienda antes de decidir. Por qué ha subido la memoria en 2026 lo explicamos en escasez de RAM por la IA: precios 2026 y perspectivas 2027.

Por qué la memoria unificada lo cambia todo

Cuando ves una tarjeta gráfica con "12 GB VRAM" o "24 GB VRAM", esa memoria es exclusiva de la GPU: rápida para lo suyo, pero completamente separada de la RAM del sistema que usa el resto de aplicaciones. Esto crea un problema concreto para la IA en local.

Para ejecutar un modelo de lenguaje, todo el modelo tiene que caber en la memoria del procesador que lo ejecuta. Una tarjeta gráfica de consumo con 24 GB de VRAM no puede con un modelo de 70.000 millones de parámetros: en cuantización Q4 ocupa unos 40 GB (cálculo en la tabla de abajo). No cabe. El sistema intenta partir el modelo entre la VRAM y la RAM normal, y la velocidad cae tanto que la experiencia se vuelve poco práctica.

Los chips de esta comparativa resuelven eso por diseño. En el M5, el Strix Halo y el RTX Spark no hay separación: CPU y GPU comparten el mismo banco de memoria de alta velocidad. Lo que el ordenador tiene disponible es lo que el modelo puede usar completo, sin particiones ni cuellos de botella.

La regla práctica para saber qué modelos caben en tu equipo es una cuenta sencilla: en cuantización Q4 (una forma de comprimir el modelo), cada parámetro ocupa algo más de medio byte. Así, 1.000 millones de parámetros son unos 0,6 GB, a lo que hay que sumar espacio para el sistema y para el texto que el modelo lee.

Estimación propia con la regla de arriba (por ejemplo, 70B × 0,6 GB ≈ 42 GB). Cada modelo y cada formato varían algo: comprueba el tamaño del fichero antes de descargarlo.

La memoria también determina el tamaño de contexto que puedes procesar: la cantidad de texto que el modelo puede leer de una vez. Con más memoria caben documentos más largos de una vez (un contrato extenso, un expediente completo, el historial de un cliente), aunque cuanto más largo es el texto, más tarda el modelo en responder.

Para una pyme que necesita analizar documentos largos, no es solo una diferencia de velocidad: es una diferencia de qué tareas son posibles.

Qué puedes hacer con IA en local

El motor de inferencia (Ollama, llama.cpp u otros) es la pieza que ejecuta el modelo. Para integrarlo en los procesos de tu empresa se conecta con las herramientas de automatización que ya uses o que elijas implementar. Algunos casos de uso habituales:

Lectura y resumen de documentos confidenciales. Un contrato, un historial clínico, un expediente de recursos humanos: se convierte a texto, pasa por el modelo local y devuelve el resumen o los puntos clave. Ningún dato sale del ordenador.

Clasificación y enrutamiento de correos. El modelo lee los correos entrantes, los clasifica por tipo de consulta o urgencia y los asigna al departamento correcto. Todo el texto — que puede incluir datos de clientes — se procesa en local.

Extracción de datos de facturas y albaranes. El modelo extrae los campos relevantes de un PDF y los vuelca en tu hoja de cálculo o ERP, sin mandar los datos de tus proveedores a ningún servidor externo.

Base de conocimiento interna. Con un vector store local (Qdrant, pgvector u otros) y un modelo de embeddings corriendo en el mismo equipo, montas un sistema de búsqueda semántica sobre tus propios documentos: procedimientos internos, manuales de producto, historial de casos, respondiendo preguntas en lenguaje natural.

Si ya tenéis flujos de automatización montados, en la mayoría de los casos integrar la IA local es sustituir la llamada a la API externa por una llamada al modelo local — el resto del flujo no cambia.

Para flujos más complejos en los que la IA toma decisiones en múltiples pasos, la arquitectura de agentes de IA aplica igual en local que en la nube — con la ventaja de que los datos nunca salen de tu infraestructura.

Cuál elegir según tu situación

Si ya trabajáis en Mac y queréis empezar cuanto antes: M5 Pro con 24 GB para modelos pequeños y medianos, o M5 Max con 64–128 GB si necesáis 70B. El ecosistema Apple Silicon es el más maduro para inferencia local en portátil y la configuración es la más sencilla. Tened en cuenta que el MacBook Pro M5 Max con 128 GB cuesta 7.949 € en la Apple Store española (16", pantalla estándar, 2 TB).

Si trabajáis en Windows y la privacidad es crítica ya: Strix Halo. Equipos con Ryzen AI Max+ 395 disponibles ahora y, con 128 GB, el precio más bajo de los tres: 3.919 € el Framework Desktop (agotado el 26 de octubre). Tened en cuenta la curva de configuración del stack ROCm. Para una guía de compra con todos los equipos disponibles en España, ver hardware para LLMs en local: precios 2026.

Si queréis un portátil Windows con el ecosistema CUDA de NVIDIA: RTX Spark. Ya se vende en España, desde 3.299,99 € con 32 GB y 7.369 € con 128 GB, así que no es la opción barata. Tiene menos ancho de banda de memoria que el M5 Max (hasta 300 GB/s frente a 614 GB/s), y eso pesa en la velocidad de respuesta. Antes de comprar, verificad que vuestro software de empresa y vuestras herramientas de IA funcionan en Windows on Arm.

Si el presupuesto es ajustado: los modelos de 7B–14B (como Qwen2.5 o Mistral Nemo) corren bien incluso en portátiles con 16 GB de RAM unificada, sin necesidad de los equipos de gama alta de esta comparativa. El límite no es la calidad del modelo — es el tamaño que podéis meter en memoria.

Una nota sobre el RGPD y la IA en local

Ejecutar IA en tu propio ordenador elimina la obligación de firmar un contrato de encargado de tratamiento con un proveedor de IA en la nube, porque los datos nunca salen de tu control. Pero no elimina el resto de obligaciones del RGPD: el registro de actividades de tratamiento, la base jurídica para procesar los datos y, si el sistema toma decisiones automatizadas que afectan a personas, el análisis de impacto.

La IA en local simplifica la privacidad — no la resuelve por completo. Si vuestra empresa maneja datos especialmente sensibles (salud, datos de menores, datos penales), consulta con un asesor legal antes de poner en marcha cualquier sistema, local o en la nube.

Cómo podemos ayudarte

La decisión de implementar IA en local implica elegir hardware, seleccionar el modelo adecuado para tu caso de uso, configurar el entorno, integrarlo con los sistemas que ya tienes y asegurarte de que el conjunto cumple con las obligaciones legales. Cada uno de esos pasos tiene sus propias variables, y la combinación correcta depende del sector, el tamaño del equipo y los procesos concretos que quieres mejorar.

En Happy Automating acompañamos el proceso completo:

• Análisis previo: qué procesos tienen restricciones legales para usar IA en la nube y cuáles no, y qué modelo de IA local tiene sentido para cada uno.
• Recomendación de hardware: qué configuración de memoria y plataforma necesita tu caso de uso, sin sobredimensionar ni quedarse corto — especialmente relevante con los precios actuales.
• Instalación y puesta en marcha: el motor de inferencia, la integración con tus aplicaciones actuales y la validación de que todo funciona como debe.
• Formación del equipo: cómo usar la IA local de forma eficaz y cumpliendo con el artículo 4 del AI Act — la obligación de alfabetización en IA, que se aplica desde febrero de 2025. Desde el 27 de julio de 2026 pide adoptar medidas que apoyen esa alfabetización, sin exigir un nivel concreto de cada persona (Reglamento UE 2026/1744).

Si no tienes claro si la IA en local es la opción adecuada para tu empresa, o si lo tienes claro pero no sabes por dónde empezar, pídenos una consulta: lo valoramos juntos sin compromiso.

En resumen

Si tu empresa trabaja con datos que no deben salir de casa, la IA en local ya es viable, y lo que decide qué puedes hacer es la memoria del equipo, no la marca. Con 128 GB, el Strix Halo es hoy el más barato, el Mac M5 Max el más rápido leyendo memoria y el RTX Spark la vía para quien necesite CUDA en Windows. Para la mayoría de las tareas de una pyme bastan 32–64 GB. La acción de hoy: apunta qué documentos con datos sensibles quieres procesar con IA y qué tamaño de modelo necesitas; con eso ya sabes cuánta memoria pedir.