--- id: CP-269 slug: ia-local-npu-vs-ia-nube lang: es title: IA local en el equipo o IA en la nube description: "Una IA en el equipo (chip NPU) y una IA en la nube no plantean las mismas preguntas: elegir una herramienta autorizada, qué introducir, a quién avisar." canonical_url: https://startbrain.io/cyberpedia/es/articles/ia-local-npu-vs-ia-nube/ markdown_url: https://startbrain.io/cyberpedia/es/articles/ia-local-npu-vs-ia-nube.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, «IA local en el equipo o IA en la nube», Cyberpedia, 2026. https://startbrain.io/cyberpedia/es/articles/ia-local-npu-vs-ia-nube/ (CC BY 4.0) wing: 4 theme: authorized_tools reflex: air-021 schema: G3 updated: "2026-11-03" translations: es: https://startbrain.io/cyberpedia/es/articles/ia-local-npu-vs-ia-nube/ fr: https://startbrain.io/cyberpedia/fr/articles/ia-locale-npu-vs-ia-cloud/ en: https://startbrain.io/cyberpedia/en/articles/on-device-ai-npu-vs-cloud-ai/ de: https://startbrain.io/cyberpedia/de/articles/lokale-ki-npu-vs-cloud-ki/ it: https://startbrain.io/cyberpedia/it/articles/ia-locale-npu-vs-ia-cloud/ sources: - "n": 1 title: Develop AI applications for Copilot+ PCs publisher: Microsoft url: https://learn.microsoft.com/en-us/windows/ai/npu-devices/ accessed: "2026-11-03" - "n": 2 title: Guidelines for secure AI system development publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development published: "2023-11-27" accessed: "2026-11-03" - "n": 3 title: LLMRisks Archive publisher: OWASP url: https://genai.owasp.org/llm-top-10/ accessed: "2026-11-03" - "n": 4 title: "AI Data Security: Best Practices for Securing Data Used to Train & Operate AI Systems" publisher: CISA url: https://www.cisa.gov/resources-tools/resources/ai-data-security-best-practices-securing-data-used-train-operate-ai-systems published: "2025-05-22" accessed: "2026-11-03" - "n": 5 title: Les fiches pratiques IA publisher: CNIL url: https://www.cnil.fr/fr/les-fiches-pratiques-ia accessed: "2026-11-03" - "n": 6 title: Intelligence artificielle publisher: CNIL url: https://www.cnil.fr/fr/intelligence-artificielle accessed: "2026-11-03" - "n": 7 title: "Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations" publisher: NIST url: https://csrc.nist.gov/pubs/ai/100/2/e2023/final accessed: "2026-11-03" - "n": 8 title: AI Risk Management Framework publisher: NIST url: https://www.nist.gov/itl/ai-risk-management-framework accessed: "2026-11-03" --- # IA local en el equipo o IA en la nube Una IA «local» hace sus cálculos en el ordenador del empleado. Una IA «en la nube» los hace en servidores alojados en otro lugar, a los que la herramienta se conecta. Para quien escribe una pregunta o pega un documento, las dos se parecen. Sin embargo, los riesgos para los datos de la empresa no son los mismos, y la decisión de usar una u otra herramienta corresponde a la empresa. Esta ficha explica la diferencia y después lo que puede hacer el empleado: elegir una herramienta autorizada, saber qué puede introducir en ella y preguntar en caso de duda. ## En 30 segundos - Dónde ocurre: asistentes de traducción o de generación de imágenes, en un equipo reciente con un chip de IA [1]. - Qué cambia: una IA local funciona en la máquina; una IA en la nube, en un servicio alojado. En ambos casos, hay que controlar tanto los datos introducidos como la propia herramienta. - El reflejo: usar solo las herramientas validadas por la empresa y consultar a seguridad o al departamento de informática antes de introducir un dato sensible o de instalar una herramienta nueva. - Si ya lo ha hecho: avise sin demora al departamento de informática, indicando la herramienta y lo que se introdujo. ## Preguntas directas ### ¿Qué es un chip NPU? Microsoft lo describe como un chip especializado en tareas de IA pesadas, como la traducción en tiempo real o la generación de imágenes [1]. Los PC «Copilot+» de Microsoft incorporan uno capaz de realizar más de 40 billones de operaciones por segundo (40 TOPS) [1]. El NPU trabaja junto con el procesador y la tarjeta gráfica, y Windows 11 reparte las tareas entre ellos [1]. Permite ejecutar funciones de IA en el propio dispositivo [1]. ### ¿Una IA local está libre de riesgos? No. Nada en las fuentes citadas aquí afirma que un modelo ejecutado en el equipo exima de tomar precauciones. El NCSC británico recuerda que los sistemas de IA están expuestos a nuevas vulnerabilidades, que deben tenerse en cuenta además de las amenazas informáticas habituales [2]. OWASP incluye en sus diez riesgos para las aplicaciones basadas en modelos de lenguaje la divulgación de información sensible, la cadena de suministro y el envenenamiento de datos y de modelos [3]. Ninguna de estas fuentes limita esos riesgos a las herramientas alojadas en otro lugar. ### ¿Qué cambia con la IA en la nube? El NCSC dirige sus directrices sobre todo a los proveedores de sistemas de IA que utilizan modelos alojados por una organización o interfaces de programación (API) externas [2]. Con una API externa, la herramienta depende de un servicio de terceros. Las fuentes citadas aquí no detallan qué hace cada proveedor con los datos introducidos: ese punto se consulta en las condiciones del servicio y se comprueba con el departamento de informática de la empresa. ### ¿Qué puedo introducir en una herramienta de IA? Las fuentes citadas aquí no fijan una lista de datos permitidos. La regla aplicable es la de la empresa. La CISA vincula la seguridad de los datos con la exactitud, la integridad y la fiabilidad de los resultados de una IA, en todas las etapas de su vida [4]. En caso de duda, es preferible no introducir nada confidencial ni personal hasta tener una respuesta. ### ¿A quién me dirijo en caso de duda? Al departamento de informática o al de seguridad de la empresa y, si hay datos personales en juego, al delegado de protección de datos. Estos interlocutores varían de una empresa a otra, y ninguna fuente citada aquí los nombra. ## Cómo funciona Un modelo de IA se ejecuta («inferencia») sobre un hardware. En un PC con NPU, Microsoft recomienda usar Windows ML para lanzar tareas de IA en el NPU [1]. Si el NPU no está disponible, Windows ML recurre a la GPU o al procesador [1]. Windows ML se apoya en ONNX Runtime, un motor de inferencia de código abierto [1]. Los modelos suelen publicarse en formatos pesados. Muchos NPU solo aceptan cálculos con enteros de precisión reducida, de modo que los modelos deben convertirse («cuantizarse») antes de funcionar en ellos [1]. Existen modelos ya convertidos, y cada usuario puede aportar su propio modelo para convertirlo [1]. Este último punto importa al empleado: un modelo local es un archivo, y procede de alguien. ## Qué hace usted - Use las herramientas facilitadas o validadas por la empresa, ya sean locales o en la nube. - Antes de instalar una herramienta o un modelo, pida la autorización del departamento de informática. - Antes de introducir un documento sensible o datos de personas, pregunte si la herramienta está autorizada para ese uso. La CNIL publica fichas prácticas sobre la aplicación del RGPD a la IA, entre ellas una sobre la seguridad del desarrollo de un sistema de IA [5]. - Si ya ha introducido un dato en una herramienta no validada, comuníquelo. ## Los errores que conviene evitar ### Creer que una IA local no tiene riesgos El cálculo se hace en el equipo, pero el modelo y la aplicación siguen siendo programas que hay que mantener actualizados. El NCSC incluye las actualizaciones y el registro de actividad entre las acciones de la fase de explotación y mantenimiento de un sistema de IA [2]. OWASP señala además el riesgo de «agencia excesiva»: un sistema basado en un modelo de lenguaje suele recibir cierta autonomía [3]. Una herramienta local conectada a sus archivos o a sus buzones de correo es un ejemplo que conviene examinar con el departamento de informática. ### Usar una herramienta no validada («shadow AI») Una herramienta no validada escapa a las comprobaciones de la empresa. El NCSC recomienda tratar la seguridad como un requisito básico, a lo largo de todo el ciclo de vida de un sistema [2]. Una herramienta elegida por un empleado por su cuenta no pasa por ninguno de esos controles. ### Descargar un modelo de procedencia desconocida Un modelo descargado es un elemento de la cadena de suministro, un riesgo que OWASP cita de forma explícita [3]. El informe del NIST sobre aprendizaje automático adversarial trata los ataques por puerta trasera y por «caballo de Troya», así como el envenenamiento de datos [7]. Por su parte, la CNIL mantiene una herramienta que permite explorar la genealogía de los modelos de IA publicados en código abierto, actualizada el 26 de agosto de 2026 [6]. Para un modelo de procedencia desconocida, pida la autorización del departamento de informática antes de instalarlo. ### Descuidar los accesos a los datos Una IA que lee documentos puede revelar su contenido. OWASP cita la divulgación de información sensible, que afecta tanto al modelo como a su aplicación [3]. El marco de gestión de riesgos del NIST, de uso voluntario, pretende integrar la fiabilidad en el diseño, el uso y la evaluación de los sistemas de IA [8]. ## Fuentes 1. Microsoft, «Develop AI applications for Copilot+ PCs». https://learn.microsoft.com/en-us/windows/ai/npu-devices/ (consultado el 3 de noviembre de 2026) 2. NCSC (Royaume-Uni), «Guidelines for secure AI system development», 27 de noviembre de 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (consultado el 3 de noviembre de 2026) 3. OWASP, «LLMRisks Archive». https://genai.owasp.org/llm-top-10/ (consultado el 3 de noviembre de 2026) 4. CISA, «AI Data Security: Best Practices for Securing Data Used to Train & Operate AI Systems», 22 de mayo de 2025. https://www.cisa.gov/resources-tools/resources/ai-data-security-best-practices-securing-data-used-train-operate-ai-systems (consultado el 3 de noviembre de 2026) 5. CNIL, «Les fiches pratiques IA». https://www.cnil.fr/fr/les-fiches-pratiques-ia (consultado el 3 de noviembre de 2026) 6. CNIL, «Intelligence artificielle». https://www.cnil.fr/fr/intelligence-artificielle (consultado el 3 de noviembre de 2026) 7. NIST, «Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations». https://csrc.nist.gov/pubs/ai/100/2/e2023/final (consultado el 3 de noviembre de 2026) 8. NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultado el 3 de noviembre de 2026) --- Fuente original: Cyberpedia, la enciclopedia pública de ciberseguridad e IA publicada por Brain. Versión canónica: https://startbrain.io/cyberpedia/es/articles/ia-local-npu-vs-ia-nube/ Puede reutilizar este texto libremente bajo la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), siempre que cite «Brain, Cyberpedia» con un enlace a la dirección anterior.