Siete horas en un avión, cero internet y una curiosidad por el coding local de IA. Así acabé descargando 13 GB de modelos en una sala de aeropuerto para lo que se convirtió en un experimento accidental de desarrollo offline.
No fue un proyecto de investigación ni una comparativa formal. Volvía de vacaciones con un vuelo largo y quería evitar el aburrimiento. La pregunta que me rondaba era cómo sería tener un asistente de código totalmente local o, al menos, corriendo en mi propia infraestructura, sin pagar tokens ni suscripciones. Además sonaba divertido. Decidí averiguar en qué punto estamos.
Antes de despegar monté una base con un proyecto Next.js que uso a menudo, con TailwindCSS, Zod y ts-pattern. Quería una pila conocida para no pelearme con herramientas mientras probaba IA local. Tras varias pruebas con modelos y toolings, el único combo que conseguí hacer funcionar en el tiempo disponible fue gpt-oss con OpenCode sobre Ollama, con una descarga de 13 GB. Lo corrí en un MacBook Pro M4 Pro con 24 GB de RAM, y adelanto que el hardware importa mucho.
Elegí un proyecto deliberadamente simple: una app para llevar control de suscripciones recurrentes como streaming o gimnasio. CRUD básico. Persistencia en localStorage con una capa de abstracción para migrar más adelante a una API o a un backend como Supabase.
Durante las siete horas a 12 000 metros seguí un flujo basado en planificar primero con ayuda del asistente, revisar y guardar ese plan en un documento que iba actualizando como bitácora viva mientras implementaba.
Observaciones clave de la experiencia: la planificación fue más que aceptable para un caso sencillo; la velocidad estuvo entre cuatro y cinco veces por debajo de una solución en la nube tipo Claude Code según sensaciones; el consumo energético fue alto, con el portátil calentándose y el enchufe del avión incapaz de compensar, por lo que tuve que pausar para recuperar batería; la calidad de código rondó un 95 por ciento, con un 5 por ciento de fricción en ESLint, tipos any y pequeños regresos de UI, como botones que desaparecían entre iteraciones. En un proyecto profesional habría corregido a mano por rapidez, pero preferí insistir con la IA y, con iteraciones, todo se pudo resolver.
En tres o cuatro horas netas conseguí una app funcional con formulario de alta, listado con total del mes y separación de suscripciones vencidas y futuras, edición y eliminación. La interfaz es básica y poco pulida, pero cumple.
Mirando más allá, empezar con OpenCode y gpt-oss fue una grata sorpresa porque funcionó de forma razonable y todo en local, sin revisar cuotas ni uso de claves. Esa independencia se siente liberadora. Aun así, la latencia de un modelo local y el gasto energético dificultan hoy un enfoque completamente local. Los requisitos de hardware son reales y en un portátil medio no va fluido. También eché de menos documentación consolidada y al día en varias herramientas. Próximo paso que quiero probar: usar GPT-OSS con OpenCode desde API o en un servidor con más potencia.
Qué significa para quienes construyen producto: la codificación asistida por modelos locales ya es viable para proyectos simples, pero para trabajo profesional exigente todavía se percibe temprana. Hay contrapartidas claras: necesitas hardware potente, la batería se agota rápido y el ritmo es menor que con herramientas en la nube. Lo positivo es que la base técnica existe y mejora.
Al aterrizar y volver a una solución cloud la diferencia de velocidad se nota al instante. Sin embargo, aquellas horas offline cambiaron mi perspectiva: el desarrollo con IA local pasa de un quizá en el futuro a un es posible con matices.
Cómo encaja Q2BSTUDIO en este escenario: en Q2BSTUDIO ayudamos a compañías a llevar estas capacidades a producción con ia para empresas, diseño e integración de agentes IA, despliegues en entornos locales u orquestados con servicios cloud aws y azure, reforzados por ciberseguridad y pentesting. Además creamos aplicaciones a medida y software a medida alineados con objetivos de negocio, y ofrecemos servicios inteligencia de negocio con analítica avanzada y power bi.
Si quieres explorar un asistente de desarrollo local o híbrido y convertirlo en ventaja competitiva, nuestro equipo puede acompañarte desde la estrategia hasta el despliegue y la observabilidad. Conoce cómo abordamos la inteligencia artificial aplicada en soluciones de inteligencia artificial e ia para empresas y descubre cómo transformamos ideas en productos reales con aplicaciones a medida y software a medida.
Conclusión práctica: disponer de la opción local aporta control, privacidad y costes predecibles; a medida que mejoren la eficiencia de los modelos y el hardware especializado, la experiencia se acercará a la fluidez del cloud. Mientras tanto, un enfoque mixto puede ofrecer el mejor balance entre rendimiento, coste y seguridad.
Notas operativas aprendidas: evalúa la memoria de tu equipo antes de descargar modelos grandes; planifica con la IA antes de escribir código para reducir retrabajo; vigila ESLint y los tipos desde el principio; y considera mover la inferencia a un servidor dedicado cuando el consumo energético del portátil sea una limitación.