Qué portátil necesito para IA local en 2026: guía completa por presupuesto

Correr IA local en un portátil dejó de ser ciencia ficción en 2026. Stable Diffusion, modelos LLM tipo Llama o Mistral, transcripción con Whisper, generación de imágenes y edición asistida por IA ya funcionan razonablemente bien en hardware de consumo. Pero la diferencia entre un portátil que apenas arranca un modelo de 7B parámetros y otro que ejecuta SDXL más un LLM 13B simultáneamente es enorme. Esta guía te dice exactamente qué necesitas según los modelos que vas a usar.

Por qué la IA local cambió el juego en 2026

Hasta 2023, hacer IA local requería una workstation de escritorio con RTX 4090 y al menos 64 GB de RAM. En 2026 hay tres cambios que lo democratizaron:

• NPUs integradas: Intel Core Ultra Series 3 trae 180 TOPS de NPU. Snapdragon X2 Plus llega a 80 TOPS. Apple M5 Pro/Max usa Neural Engine. Esto permite correr modelos pequeños sin GPU dedicada.
• Cuantización agresiva: técnicas como GGUF Q4_K_M reducen el tamaño de un LLM 13B de 26 GB a 7-8 GB sin pérdida significativa de calidad.
• GPUs mobile con más VRAM: RTX 4080/5080 mobile con 12-16 GB ya cubren modelos serios.

Componentes críticos para IA local

NPU integrada

La NPU acelera inferencia eficientemente. Para 2026, busca al menos 40 TOPS — eso cubre Copilot+, generación de imágenes ligera y modelos LLM 1.5B-3B. Para algo serio (Stable Diffusion XL, LLMs 7B+), la NPU no basta y necesitas GPU dedicada.

GPU dedicada y VRAM

Es la métrica que más importa para IA seria. Reglas:

• 6 GB VRAM: solo modelos muy pequeños (Llama 3.2 1B-3B, Stable Diffusion 1.5).
• 8 GB: Llama 7B en Q4, Stable Diffusion 1.5 con margen.
• 12 GB: Llama 13B en Q4, Stable Diffusion XL.
• 16 GB: Llama 13B en Q5/Q6, SDXL con LoRAs, modelos de visión.
• 24 GB+: Llama 30B en Q4, FLUX, workflows complejos.

Para profundizar, mira nuestra guía dedicada qué RTX usar para LLMs.

RAM del sistema

Aunque la VRAM es lo crítico, la RAM del sistema importa porque:

• Modelos cuantizados pueden cargar parte en RAM y parte en VRAM (offload).
• Apple Silicon usa "unified memory" — la RAM total se comparte entre CPU y GPU.
• Para datasets de entrenamiento o RAG con embeddings, necesitas RAM amplia.

Mínimos prácticos: 16 GB para uso básico, 32 GB para IA seria, 64 GB para profesional. Más detalle en cuánta RAM necesitas.

SSD NVMe rápido

Los modelos son grandes (5-50 GB cada uno). Si descargas varios para experimentar, vas a llenar el disco rápido. Recomendaciones:

• 1 TB NVMe PCIe 4.0 mínimo.
• 2 TB NVMe si haces fine-tuning local o tienes biblioteca grande de modelos.

Recomendaciones por modelo de IA

Stable Diffusion 1.5

• VRAM mínima: 4 GB (lento). Cómodo: 6-8 GB.
• Tiempo por imagen 512x512: 5-15 segundos en RTX 4060.
• Funciona aceptablemente en NPU Snapdragon X2.

Stable Diffusion XL

• VRAM mínima: 10 GB. Cómodo: 12-16 GB.
• Tiempo por imagen 1024x1024: 20-60 segundos en RTX 4070.

LLMs cuantizados 7B-13B (Llama, Mistral, DeepSeek)

• 7B Q4: 5-6 GB VRAM, ~30 tokens/s en RTX 4060.
• 13B Q4: 8-9 GB VRAM, ~20 tokens/s en RTX 4070.
• 13B Q5: 10-11 GB VRAM, ~15 tokens/s en RTX 4070.

LLMs 30B-70B

• 30B Q4: ~18 GB VRAM. RTX 4090 mobile o Apple M5 Max unified.
• 70B Q4: ~40 GB. Solo en Mac M5 Max con 64+ GB unified o desktop.

Whisper (transcripción)

• Modelo medium: ~3 GB VRAM. Cómodo en cualquier GPU dedicada.
• Modelo large-v3: ~6 GB. RTX 4050+.

Mejores portátiles para IA local 2026

Entry-level (~$1.500 USD)

ASUS TUF A15 con RTX 4060 8 GB + Ryzen 7 8945HS + 32 GB DDR5 + 1 TB NVMe. Cubre modelos 7B cómodamente, SD 1.5 con margen, SDXL ajustado.

Mainstream (~$2.200 USD)

Lenovo Legion Pro 5 con RTX 4070 8 GB + Intel Core Ultra 9 + 32 GB DDR5 + 1 TB NVMe. Modelos 13B cómodos, SDXL bien, comienza a sentirse competente.

Pro (~$3.500 USD+)

MSI Raider con RTX 5080 12 GB + Core Ultra 9 HX + 64 GB DDR5 + 2 TB NVMe. Modelos 30B en Q4, SDXL con LoRAs múltiples, fine-tuning ligero.

Mac M5 Pro/Max para IA local

Apple Silicon tiene una ventaja clave: unified memory. La RAM total se reparte dinámicamente entre CPU y GPU. Un MacBook Pro M5 Max con 64 GB unified puede correr modelos que en NVIDIA requerirían 64 GB de VRAM dedicada (imposible en portátil).

• M5 base 16 GB: modelos 7B Q4.
• M5 Pro 24-36 GB: 13B-20B cómodos.
• M5 Max 48-128 GB: hasta 70B Q4 en portátil.

Ventajas: menos consumo eléctrico, mejor autonomía bajo carga, sin throttling térmico.

Limitaciones: ecosistema CUDA no funciona (algunos frameworks dependen de él), velocidad pura por token suele ser menor que NVIDIA equivalente.

Preguntas frecuentes

¿Vale la pena un portátil con NPU si voy a usar GPU dedicada? Sí. La NPU acelera tareas ligeras (Copilot+, transcripción, upscaling) sin tirar de la GPU, ahorrando batería.

¿Cuál es la mejor relación calidad-precio para IA local? En 2026, ASUS TUF con RTX 4070 mobile y 32 GB de RAM por ~$1.700 USD. Cubre el 90% de casos de uso.

¿Necesito Windows o puedo usar Linux? Linux corre mejor LLMs locales en general (mejor soporte de drivers, herramientas como llama.cpp más maduras). Pero Stable Diffusion y Ollama funcionan bien en ambos.

¿Apple Silicon vs NVIDIA para IA local? Apple gana en autonomía y modelos grandes (gracias a unified memory). NVIDIA gana en velocidad pura, ecosistema CUDA y precio.

¿Aún no sabes qué portátil específico para tu workflow de IA?

Cuéntale al asesor IA qué modelos quieres correr (Llama 13B, SDXL, Whisper, etc.) y tu presupuesto. Te recomienda el modelo concreto con disponibilidad en tu mercado.