¿Por qué una IA local para programar?
En menos de una hora, instalé un asistente de código que funciona íntegramente en mi PC, sin suscripción ni conexión a internet. Escribe a 65 tokens por segundo en una tarjeta gráfica de 2019 con solo 4 GB de memoria.
Uso IA en línea todos los días. Pero tienen tres inconvenientes cuando desarrollas para clientes:
- La confidencialidad: el código va a servidores de terceros. En un proyecto de cliente, no es poca cosa.
- El coste: las suscripciones y los créditos de API se acumulan rápido.
- La dependencia: sin red, no hay asistente.
Una IA local resuelve estos tres puntos. La pregunta era si mi PC, bastante modesto, sería suficiente. Aquí tienes el paso a paso completo, con mis mediciones reales.
Mi configuración y lo que permite
La memoria de la tarjeta gráfica (VRAM) lo decide todo. Es la que fija el tamaño del modelo que se puede ejecutar rápido.
| Componente | Mi equipo | Impacto para la IA |
|---|---|---|
| Tarjeta gráfica | NVIDIA GTX 1650 Super, 4 GB de VRAM | El factor limitante |
| RAM | 32 GB | Permite que un modelo más grande se desborde a ella, a costa de la velocidad |
| Procesador | Intel Core i5-11400F (6 núcleos, 12 hilos) | Apoyo correcto |
| Sistema | Windows 64 bits | Ollama lo soporta de forma nativa |
Para conocer tu propia configuración, abre PowerShell y ejecuta:
Get-CimInstance Win32_Processor | Select-Object Name
[math]::Round((Get-CimInstance Win32_ComputerSystem).TotalPhysicalMemory/1GB,1)
nvidia-smi --query-gpu=name,memory.total --format=csv
Con 4 GB de VRAM, hay que apuntar a modelos de unos 3.000 millones de parámetros en cuantización Q4. Elegí Qwen2.5-Coder 3B: está especializado en código, pesa 1,9 GB y cabe entero en la tarjeta.
Paso 1: actualizar el controlador e instalar Ollama
Un controlador NVIDIA reciente es imprescindible para que la IA use la tarjeta gráfica. El mío era de 2022 (versión 517). Lo actualicé a la versión 617.14 desde la web de NVIDIA y reinicié.
Ollama es el programa que descarga y ejecuta los modelos en local. En Windows, basta con un solo comando:
winget install Ollama.Ollama
Cierra PowerShell, vuelve a abrirlo y comprueba la instalación:
ollama --version
nvidia-smi --query-gpu=driver_version --format=csv
Si winget no está disponible, el instalador se descarga en ollama.com/download.
Paso 2: primer modelo y prueba de velocidad
El modelo se descarga y se ejecuta con el mismo comando:
ollama run qwen2.5-coder:3b "Escribe una función en Python que compruebe si una cadena es un palíndromo"
La descarga ocupa 1,9 GB. La primera carga en memoria tarda unos segundos y luego la respuesta aparece palabra por palabra.
Para comprobar que la tarjeta gráfica hace el trabajo, abre una segunda ventana de PowerShell:
ollama ps
En mi equipo, el modelo ocupa 2,2 GB y la columna PROCESSOR muestra 100% GPU. Nada se desborda al procesador.
Para medir la velocidad, se añade la opción --verbose:
ollama run qwen2.5-coder:3b --verbose "Escribe una función en JavaScript que ordene un array de objetos por fecha"
| Medida | Resultado |
|---|---|
| Velocidad de generación (eval rate) | 65,86 tokens/s |
| Lectura de la pregunta (prompt eval rate) | 51,37 tokens/s |
| Tokens generados | 698 |
| Duración total | 10,9 s |
| Carga del modelo (ya en memoria) | 7 ms |
Una función completa con sus explicaciones, en menos de 11 segundos. Es una velocidad de lectura cómoda, comparable a la de un asistente en línea.
Paso 3: conectar la IA a VS Code con Continue
La extensión Continue conecta VS Code con Ollama. Añade un chat sobre el código y el autocompletado. Ya tenía Cline, pero está pensado para modelos más grandes que trabajan de forma autónoma. Con un modelo 3B, Continue encaja mejor.
- En VS Code, abre las extensiones (
Ctrl+Shift+X), busca Continue e instala la extensión publicada por Continue. - Haz clic en el icono de Continue en la barra lateral. No introduzcas ninguna clave de API: sirven para las IA en línea.
- Abre el archivo de configuración desde «Main Config», o directamente en
C:\Users\<tú>\.continue\config.yaml. - Sustituye su contenido por:
name: IA local
version: 1.0.0
schema: v1
models:
- name: Qwen Coder 3B (local)
provider: ollama
model: qwen2.5-coder:3b
roles:
- chat
- edit
- apply
- autocomplete
- Guarda y elige Qwen Coder 3B (local) en el selector de modelo.
Uso a propósito el mismo modelo para el chat y el autocompletado. La tarjeta solo carga uno, lo que evita saturar los 4 GB de VRAM.
Uso diario:
Ctrl+Lsobre código seleccionado: haces una pregunta en el chat.Ctrl+I: pides una modificación directamente en el archivo.- Mientras escribes código, aparece una sugerencia en gris.
Tabpara aceptarla.
Caso práctico: usarla para WordPress y SEO
Aquí es donde el modelo local me resulta más útil en el día a día: tareas técnicas cortas y repetitivas, a menudo sobre código de clientes que prefiero mantener en mi equipo.
Prepararla para WordPress
Continue acepta reglas permanentes en config.yaml. Añado este bloque bajo models: para que cada respuesta respete las buenas prácticas de WordPress:
rules:
- Eres un desarrollador WordPress senior. Respondes en español.
- Respeta los WordPress Coding Standards y usa prefijos en las funciones (ej. pxv_).
- Escapa siempre las salidas (esc_html, esc_attr, esc_url) y sanea las entradas (sanitize_text_field).
- Usa hooks (add_action, add_filter) en lugar de modificar el núcleo o el tema padre.
Truco: en el chat, escribe @ seguido del nombre de un archivo (functions.php, una plantilla) para dárselo como contexto al modelo.
Lo que funciona bien en desarrollo WordPress
| Tarea | Ejemplo de petición |
|---|---|
| Hooks y snippets | «Añade un filtro que elimine los emojis de WordPress del head» |
| Custom post types | «Crea un CPT «proyecto» con una taxonomía «sector»» |
| Consultas | «Escribe un WP_Query de las 3 últimas entradas de la categoría SEO» |
| Shortcodes | «Crea un shortcode [cta] con un título y un enlace como parámetros» |
| Depuración | Pegar un error PHP del debug.log y pedir la explicación |
| Redirecciones | «Convierte esta lista de URL en reglas 301 para .htaccess» |
Lo que funciona bien en SEO técnico
| Tarea | Ejemplo de petición |
|---|---|
| Datos estructurados | «Genera un JSON-LD LocalBusiness para un restaurante en Madrid» |
| Regex de Search Console | «Escribe una regex que filtre las consultas que contengan presupuesto o precio» |
| Etiquetas hreflang | «Genera las etiquetas hreflang FR/EN/ES para esta URL» |
| Tratamiento de exportaciones | «Escribe un script en Python que liste las páginas sin meta description en este CSV» |
| Etiquetas en masa | «Propón un title de menos de 60 caracteres para cada una de estas 10 páginas» |
Lo que no le confío
- La redacción de artículos: Qwen2.5-Coder está especializado en código. Sus textos son correctos pero planos, y no conoce la actualidad del posicionamiento.
- La estrategia SEO: elección de palabras clave, análisis de la competencia, enlazado interno de todo un sitio. Le falta perspectiva y datos actualizados.
- El código en producción sin revisión: siempre compruebo el escapado de datos y pruebo en un entorno de preproducción antes de desplegar.
En resumen: el modelo local es mi asistente para el código WordPress y el SEO técnico, no para el contenido ni la estrategia.
Los límites, y mi veredicto
Un modelo 3B no es un asistente en línea de gama alta. Es rápido y útil, pero hay que saber qué pedirle.
Un ejemplo revelador: le pedí «una función que calcule el IVA al 20 % de un precio sin impuestos». Devolvió una función que calcula el importe del IVA, no el precio con IVA. Es correcto, pero mínimo: un modelo pequeño se toma la petición al pie de la letra. Hay que ser preciso en las instrucciones.
| Bueno para | Menos bueno para |
|---|---|
| Autocompletado, funciones cortas | Arquitectura de un proyecto entero |
| Explicar un fragmento de código | Razonar sobre varios archivos |
| Regex, scripts, conversiones | Agentes autónomos (Cline y similares) |
| Trabajar sin conexión y con confidencialidad | Peticiones vagas o ambiguas |
Para ir más allá con el mismo equipo, se puede probar qwen2.5-coder:7b. Es más acertado, pero se desborda de la VRAM a la RAM, así que será más lento.
Mi veredicto: para un desarrollador con una tarjeta gráfica de 4 GB, una IA local ya es una ganancia real en el día a día. Complementa a un asistente en línea sin sustituirlo: reservo lo local para el código de clientes y las tareas repetitivas, y la nube para los problemas complejos. Todo gratis, en menos de una hora de instalación.