La inteligencia artificial en proyectos web ha sido hasta ahora casi siempre una cuestión de conexión: se llama a un servicio a través de una interfaz, la solicitud abandona el equipo, la respuesta regresa. Precisamente este patrón está cambiando. Los modelos de lenguaje locales —es decir, modelos que se ejecutan en el propio navegador de las usuarias y usuarios— trasladan el procesamiento allí donde los datos se generan de todos modos: al frontend.
El navegador se convierte así en una especie de entorno de ejecución para funciones de IA. El soporte contextual, es decir, la ayuda directamente en el lugar donde alguien está trabajando, surge sin pasar por un servicio externo. Esto funciona fundamentalmente también sin conexión, y no se generan costes de inferencia —es decir, ninguna tarifa por consulta al modelo.
Por qué esto es relevante para quienes toman decisiones
Tres puntos marcan la diferencia con el procedimiento anterior, y los tres afectan menos a la técnica que a las condiciones marco de un proyecto.
- Protección de datos: Los contenidos que se procesan en el navegador no tienen que abandonar el equipo. Para formularios, herramientas internas o interfaces de redacción con contenidos sensibles, esto cambia notablemente el punto de partida de una evaluación de impacto en la protección de datos.
- Estructura de costes: Sin consultas a un servicio externo se eliminan los costes corrientes que crecen con el uso. El esfuerzo se traslada al desarrollo y a la entrega de los modelos.
- Disponibilidad: Una función que calcula localmente no depende de la accesibilidad de un proveedor. Esto reduce una dependencia que en muchos proyectos de IA de los últimos años se aceptó tácitamente.
Qué pueden lograr de forma sensata los modelos locales
La expectativa realista no es sustituir uno a uno un gran modelo en la nube. Los modelos que se ejecutan en dispositivos finales son más pequeños, y su fortaleza reside en tareas claramente delimitadas y cercanas al contexto de la interfaz. Los candidatos típicos en proyectos web son:
- Ayudas de formulación y reformulaciones en mascarillas de redacción y entrada
- Resúmenes o propuestas de esquema para textos que se están editando en ese momento
- Clasificación y etiquetado de contenidos como propuesta para la redacción
- Funciones de búsqueda que interpretan una entrada por su contenido y no solo literalmente
- Funciones de asistencia en aplicaciones web que estructuran las entradas de los usuarios antes de guardarlas
Lo común a estos casos es que son breves, que en caso de duda también funcionan sin IA y que un fallo del modelo no causa daño, porque una persona revisa la propuesta de todos modos.
Nombrar abiertamente los límites
Un modelo que se ejecuta en el navegador tiene que llegar hasta allí. Eso significa volúmenes de datos que deben cargarse y, de forma sensata, almacenarse en caché, y significa una dependencia de la capacidad de cálculo del dispositivo final. Un ordenador de trabajo actual se comporta de forma distinta que una tableta más antigua. Por eso, quien planifica funciones locales de IA planifica inevitablemente también un caso en el que la función no está disponible.
De ello se deriva una regla de diseño que ya es conocida por el desarrollo web: las funciones de IA en el frontend deben concebirse como complemento, no como fundamento. La página, el formulario, el proceso de redacción deben seguir siendo completamente utilizables sin el modelo. Todo lo demás conduce a una aplicación cuya usabilidad depende del hardware de las visitantes y visitantes.
Consecuencias para proyectos de CMS y TYPO3
Para los sistemas de gestión de contenidos, la evolución es especialmente interesante porque allí se encuentran dos mundos. En el backend, las editoras y editores trabajan con contenidos que a menudo aún no están publicados y en ocasiones son confidenciales. Precisamente aquí, la cuestión de qué datos podía ver un servicio externo fue a menudo el motivo por el que el soporte de IA no pasó del prototipo.
Una ejecución local desplaza esta discusión. En lugar de una decisión de autorización sobre flujos de datos, se trata de cuestiones técnicas: ¿Cómo se entregan y versionan los modelos? ¿Cuáles son los requisitos para los ordenadores de trabajo de la redacción? ¿Dónde exactamente en la interfaz surge un beneficio real y dónde sería una función de propuesta solo un clic adicional?
En el frontend, es decir, en el sitio web entregado, el criterio es más estricto. El tiempo de carga y la accesibilidad tienen prioridad, y el beneficio de una función de IA debe justificar la necesidad adicional de recursos. En una aplicación web interna con un grupo de usuarios conocido, esta ponderación resulta distinta que en una página de campaña pública.
Cómo se ve un inicio pragmático
- Elegir un paso de trabajo concreto que hoy consume tiempo y para el que basta una propuesta —no una función de asistencia general.
- Comprobar qué datos se procesan en ello. Cuanto más sensibles, más a favor de la ejecución local.
- Aclarar los dispositivos objetivo. El uso interno con un equipamiento conocido es el comienzo más sencillo.
- Definir completamente el proceso sin IA antes de complementar la función.
- Desplegar a pequeña escala, medir si el paso se vuelve realmente más rápido y solo entonces ampliarlo.
Para los proyectos web y de software, el traslado al frontend significa sobre todo una nueva opción en la arquitectura: las funciones de IA podrán implementarse en el futuro también allí donde una transmisión de datos a servicios externos no entra en consideración. Eso no hace automáticamente más sencillos los proyectos, pero los desvincula de los costes corrientes de uso y de la disponibilidad de proveedores individuales.
Sensato es el camino allí donde la tarea está claramente delimitada y el resultado, de todos modos, será revisado por una persona.
Fuentes
- LLMs en el navegador – Parte 1: Un nuevo runtime de IA — heise developer News