Procesar datos de inteligencia artificial directamente en el dispositivo del usuario, sin enviarlos a servidores externos, está dejando de ser una promesa técnica para convertirse en una propuesta de negocio viable. Underdog, un asistente de IA desarrollado por Sigil Wen —becario del programa Thiel Fellowship— opera completamente en local sobre Macs y PCs con Windows, con expansión prevista a Linux, iOS y Android. El modelo activo es un sistema de razonamiento de 27 mil millones de parámetros ajustado a partir de Qwen3.8-27B, que según pruebas comparativas internas compite con modelos de referencia en tareas de razonamiento cotidiano como investigación de compras o resolución matemática.

La arquitectura que hace posible la inferencia local

El componente técnico central de Underdog es Husky, un motor de inferencia propietario diseñado para minimizar el movimiento de datos entre el procesador principal y la GPU. La mayoría de los motores de inferencia existentes generan cuellos de botella precisamente en ese traslado de pesos del modelo, lo que degrada el rendimiento en hardware de consumo. Husky aborda ese problema de forma estructural, no como optimización marginal, sino como principio de diseño desde el origen.

Además del procesamiento local, Underdog incorpora encriptación de claves de correo electrónico y otras cuentas que el usuario autorice. Esto significa que el asistente puede interactuar con sistemas externos —correo, calendarios, pagos— sin que los datos transiten por infraestructura de terceros. La distinción es relevante: no se trata solo de no almacenar datos, sino de que el modelo nunca los abandona el dispositivo del usuario.

Un modelo de negocio sin publicidad ni venta de datos

La viabilidad económica de este enfoque depende de un mecanismo de monetización que no requiere publicidad ni entrenamiento con datos de usuarios. Underdog planea cobrar un porcentaje sobre las transacciones que el asistente ejecute a través de infraestructura de pagos seguros, un esquema análogo a las comisiones de intercambio que operan en el ecosistema fintech. Al ejecutarse en el dispositivo, la aplicación evita los costos de infraestructura de inferencia en la nube, lo que hace sostenible ofrecer el servicio sin costo inicial para el usuario.

Este modelo contrasta directamente con el de la mayoría de los asistentes de IA disponibles hoy, que financian su operación mediante la recopilación de datos para publicidad dirigida o para el entrenamiento de modelos propios. La diferencia no es solo técnica: implica un alineamiento de incentivos distinto entre el proveedor del servicio y el usuario final, más cercano al que existe entre un banco y su cliente que al que existe entre una plataforma publicitaria y su audiencia.

Implicaciones para el mercado de asistentes empresariales

Para organizaciones con requisitos estrictos de cumplimiento normativo —sectores financiero, legal, salud— la posibilidad de desplegar un asistente de IA sin que los datos salgan del perímetro del dispositivo reduce significativamente la superficie de riesgo regulatorio. La pregunta que este tipo de arquitectura plantea al mercado no es si los modelos locales pueden igualar a los modelos en la nube, sino a qué velocidad la brecha de capacidad se cierra frente a las ventajas de privacidad y control.

Wen sostiene que los modelos compactos que operan en dispositivo seguirán mejorando conforme avance la eficiencia de los algoritmos de cuantización y los chips de consumo incorporen mayor capacidad de cómputo neuronal. Si esa trayectoria se mantiene, la arquitectura local podría dejar de ser una concesión de capacidad para convertirse en una ventaja operativa en contextos donde la confidencialidad de los datos es un activo estratégico.