¿Cuándo fue la última vez que leíste un titular sobre Microsoft Copilot? Seguramente hace tiempo. El espacio mediático está lleno de noticias sobre GPT-5, Claude 4.7, Gemini Ultra. Copilot parece una herramienta corporativa aburrida de la que solo se habla en LinkedIn.
Ahora mira quién paga por qué.
Leer más
Cualquiera que lleve el tiempo suficiente trabajando con ChatGPT o Claude termina haciéndose la misma pregunta: ¿se puede ejecutar algo parecido directamente en el portátil, sin suscripción, sin que los datos salgan de casa y sin depender de servidores remotos?
La respuesta, en 2026, es que sí – pero con matices que importan más que la propia respuesta.
Este artículo es para quienes ya usan LLMs en la nube y quieren entender qué aporta realmente ejecutar una modelo en local, qué hardware hace falta y dónde terminan las expectativas razonables. Sin inmersión técnica profunda, pero con cifras concretas.
En noviembre de 2025, los datos de Stanford mostraron un hecho inesperado: los estadounidenses usan IA con más frecuencia en casa que en el trabajo. En mysummit.school lo analizamos en un artículo aparte – y la conclusión entonces fue directa: la IA en el trabajo aún iba por detrás de la personal.
Han pasado cuatro meses. Epoch AI, junto con Ipsos, publicó un nuevo estudio – y el panorama ha cambiado.
Tienes tres archivos de datos: el funnel de activación, los resultados de un test A/B y los tickets de soporte. La tarea – entender por qué el onboarding se está atascando. Abres ChatGPT, subes el primer archivo, haces una pregunta. Obtienes una respuesta. Subes el segundo archivo. ChatGPT pregunta: ¿puedes recordarme el contexto? Subes el tercero. El contexto del primer archivo ya ha sido desplazado.
Cuarenta minutos después tienes tres conversaciones separadas, y ninguna responde a la pregunta original. Porque la pregunta era una sola, y los datos – estaban en tres sitios distintos.
No es un problema de ChatGPT. Es un problema de enfoque.
No todos los managers tienen acceso a GPT-5.4 o Claude. En Rusia, un proyecto de ley sobre «modelos de confianza» podría restringir el uso de modelos extranjeros en organismos estatales e infraestructura crítica a partir de septiembre 2027 – dejando a GigaChat, Alice (YandexGPT) y pocos más como únicas opciones. Pero este no es solo un problema ruso. Cualquier organización que despliega un modelo local de Llama por privacidad de datos, usa Phi o Mistral por costes, o simplemente trabaja con un modelo más barato que el líder del mercado – se enfrenta a la misma pregunta.
En nuestro estudio de 54 modelos, GigaChat obtuvo 3,26 de 5; GPT-5.4 – 4,80. Una brecha del 32%.
Si el modelo que tienes es lo mejor a lo que puedes acceder – por regulación, por presupuesto, por política de seguridad – ¿puede la ingeniería de prompts cerrar esa distancia?
En marzo de 2026, Lenny Rachitsky publicó un artículo con un título rotundo: «Everyone should be using Claude Code». El material se extendió por LinkedIn, acumuló cientos de miles de visualizaciones, y ahora cada semana algún manager pregunta: ¿cómo puedo probarlo?
La respuesta es incómoda. Claude Code requiere una suscripción Anthropic Max de 100 dólares al mes. Es uno de los agentes de IA más comentados del año – y está detrás de un muro de pago que no todos pueden o quieren asumir. Para muchos equipos, ese coste recurrente es difícil de justificar solo para explorar una herramienta nueva.
Existe una alternativa directa. OpenCode es un proyecto open-source que hace exactamente lo mismo, funciona con cualquier modelo (incluidos los gratuitos) y se instala en 15 minutos.
GigaChat Ultra Thinking piensa mas tiempo y consume mas recursos computacionales. Las tareas de gestion las resuelve un 3,3% peor que la version sin razonamiento. Esto no es un error ni una casualidad – es un patron documentado por trabajos academicos durante los ultimos dos anos.
Esta semana, Sber presento GigaChat Ultra – su nuevo modelo insignia con modo de razonamiento (Thinking). El modelo esta disponible de forma gratuita en la version web, aplicaciones moviles y a traves del bot de Telegram. Anadimos inmediatamente ambas variantes a nuestra investigacion de modelos de IA para gestores: los evaluamos en los 32 escenarios siguiendo la metodologia unificada, los calificamos con ambos jueces LLM y los comparamos con los otros 52 modelos.
Doce horas a la semana. Es el tiempo que un project manager típico dedica a informes, actualización de planes, comunicación con stakeholders y seguimiento de riesgos. Casi un tercio de la jornada laboral que no se destina a tomar decisiones, sino a documentarlas.
Con IA, ese tiempo se reduce a tres horas. Pero solo con una condición: la IA debe estar integrada en el ritmo operativo del trabajo, no utilizarse de forma esporádica – “cuando te acuerdas”.
¿Puede un modelo chino open source competir con los buques insignia cerrados de OpenAI y Anthropic? Según nuestras pruebas independientes – sí. El 27 de enero de 2026, la empresa pekinesa Moonshot AI lanzó Kimi K2.5, que se incorporó de inmediato al grupo de élite de los mejores modelos del mundo – compitiendo directamente con GPT-5.4 y Claude Sonnet 4.5. Y es completamente gratuito para uso básico.
El 6 de febrero de 2026, en la plataforma OpenRouter apareció un modelo anónimo llamado «Pony Alpha» – gratuito, sin ningún detalle sobre sus creadores. La comunidad de IA comenzó a identificarlo de inmediato. Sus capacidades de programación se acercaban a las de Claude Opus 4.5. Al preguntarle «¿quién eres?», el modelo respondía: «Soy GLM». Pero cuando le pidieron crear una página web describiéndose a sí mismo, escribió: «I am Claude, created by Anthropic».