Un modelo abierto como Llama 3.1 admite 128.000 tokens de contexto. En la práctica: puede leer de una sentada un informe de decenas de páginas, el hilo de correo de toda una semana o las actas de un trimestre, en tu propio ordenador y sin conexión. Esa capacidad, que hasta hace muy poco vivía en un centro de datos ajeno, hoy cabe en un portátil de gama media.
Lo que ya se delega sin despeinarse
La lista corta: transcribir, resumir, redactar
La primera lista se escribe casi sola. Transcribir reuniones, resumir hilos de correo interminables, traducir un presupuesto del alemán, convertir notas sueltas en un acta o redactar el primer borrador de un correo rutinario: tareas así ya no pasan por las manos de mucha gente. El patrón común es evidente: mucho volumen y poco riesgo, porque el resultado pasa por tus ojos antes de salir al mundo y un fallo se corrige en segundos.
Las herramientas maduraron lo bastante para que esto sea rutina y no experimento. El Whisper de OpenAI, de código abierto desde 2022, transcribe en tu máquina sin enviar el audio a nadie. Modelos como Llama 3.1, Mistral o Qwen, ejecutados con Ollama, resumen, traducen y reescriben con una calidad suficiente para borradores y notas internas. El coste marginal ronda el cero: no hay contador de peticiones ni factura por token cuando el modelo corre en tu equipo.
El límite real: tu inventario de tiempo
El límite aquí no lo pone la tecnología, lo pone tu inventario. Casi nadie sabe cuánto tiempo se le va en texto repetitivo hasta que lo apunta. Y la productividad no viene de escribir más rápido, viene de no escribir lo que ya está escrito. Siguiente paso: durante una semana anota cada tarea de texto que repitas, elige la más frecuente, delega a un modelo el primer borrador y compara el tiempo de revisión con el que te llevaba hacerla tú.
La segunda ola: flujos que se ejecutan solos
Delegar una tarea es preguntar y copiar. Delegar un flujo es otra cosa: el proceso corre solo, todos los días, contra tus aplicaciones reales. Ese salto llegó de la mano de los protocolos que conectan modelos con herramientas.
MCP y agentes: el estándar que conecta todo
El más extendido se llama Model Context Protocol (MCP), un estándar abierto presentado por Anthropic a finales de 2024. A través de servidores MCP, un modelo local puede leer tu agenda, consultar una base de datos o publicar en WordPress. Un circuito bien documentado combina Ollama como motor, Qdrant como memoria vectorial y WordPress como destino de publicación; en MCP en tu stack local: conecta Ollama, Qdrant y WordPress con Model Context Protocol tienes el cableado completo, paso a paso.
Sobre esa base se apoyan los agentes: programas que encadenan llamadas al modelo y a las herramientas hasta cumplir un objetivo. Vigilar una bandeja de entrada, clasificar facturas, preparar el resumen semanal del equipo o alimentar una base vectorial con los documentos nuevos de una carpeta; todo eso entra en lo que ya se puede llamar automatización de oficina con IA. Si quieres montar el tuyo, en Agentes de IA locales: Hermes Agent y automatización con Docker Compose hay una puesta en marcha con Docker Compose que no exige programar desde cero.
La clave de estos flujos no es el modelo, es el disparador. Un cron que lanza el resumen a las 8:00, un webhook que salta cuando llega un formulario, una carpeta vigilada que ingiere cada PDF nuevo: la IA entra como una pieza más de una tubería que ya conoces. Donde antes tenías una tarea programada que movía archivos, ahora el último paso puede redactar el informe.
Permiso de escritura: poder y responsabilidad
Una advertencia antes de lanzarte. Un agente con permiso de escritura, si así lo configuras, borra, publica o envía sin pedirte confirmación, y un fallo a las tres de la madrugada no espera a que vuelvas a la mañana siguiente. Arranca con un flujo de solo lectura, por ejemplo un resumen diario de tu bandeja que solo lees tú, y concede permisos de escritura cuando lleves semanas sin sustos.
El asistente local: números y límites
Los asistentes en la nube siguen siendo la opción por defecto, pero el asistente local gana terreno por razones muy concretas. Tus datos no salen del disco, todo funciona sin conexión y el coste desaparece de la factura mensual: los planes de pago de los grandes asistentes en la nube, como ChatGPT Plus o Copilot Pro, se mueven alrededor de los veinte dólares al mes. Para un abogado con un contrato bajo NDA o un consultor con datos de cliente, la primera razón decide sola. La comparativa entre IA local y SaaS desgrana el por qué con números.
Hardware: lo que hace falta de verdad
El hardware dejó de ser excusa. Un modelo de 8.000 millones de parámetros en formato cuantizado corre en un portátil con una GPU dedicada corriente, y Mistral 7B, publicado en 2023 bajo licencia Apache 2.0, lleva años demostrando que un tamaño modesto basta para el trabajo textual diario. Qdrant, una base de datos vectorial de código abierto, añade memoria a largo plazo: el asistente ancla sus respuestas en tus documentos en lugar de tirar de memoria genérica. Sigue haciendo falta verificar cada dato, pero lo que se cita pasa a ser tuyo. Los costes y opciones de máquina están en la guía de self-hosting de IA.
Como referencia de tamaño: los modelos de 7B u 8B funcionan con holgura en tarjetas de 8 GB de memoria de vídeo, mientras que los de 70B se van a decenas de gigas. Antes de comprar hardware, mide tu caso real.
Dónde pierde un modelo local de 8B
El límite también conviene nombrarlo. En razonamiento complejo, un modelo local de 8B queda por detrás de los mejores servicios en la nube, y la elección honesta se hace tarea por tarea: borradores y documentos sensibles contra el modelo local, análisis difícil contra el servicio de pago. Tu prueba de diez minutos: instala Ollama, descarga un modelo de 7B u 8B y pásale un documento real de tu trabajo; con esa respuesta concreta decides con datos, no con suposiciones.
Lo que todavía no se delega
Este es el otro lado de la IA en el trabajo. Hay tareas que se quedan contigo aunque el modelo local lea 128.000 tokens sin pestañear, y ninguna permanece en tus manos por romanticismo:
- Decidir: fijar un precio, elegir a quién contratar, contestar a una oferta. El criterio es el producto; el texto, solo el envase.
- Hablar: un feedback difícil, una negociación, una llamada con un cliente enfadado. La IA puede preparar la conversación, pero sostenerla te toca a ti.
- Firmar: la responsabilidad legal y profesional no se traslada a un sistema que no puede pagar una multa ni perder una licencia.
- Recordar el porqué: por qué se descartó aquel proveedor, qué prometiste en una llamada de hace dos años. Ese contexto tácito no está escrito en ningún documento que un modelo pueda leer.
El precedente: la lista del becario al revés
Fíjate en el precedente: esta lista se parece mucho a lo que delegas a alguien junior para que gane contexto. A la IA se le pueden dar las tareas de aprendizaje; el juicio, nunca, porque el juicio es justo lo que cobras.
La quinta, incómoda: verificar hechos
Y una quinta, incómoda: verificar hechos. Los modelos fabrican datos con soltura cuando no saben, y el error llega con la misma tipografía que el acierto. La regla que separa las dos listas: delega donde el volumen es alto y el coste del error es bajo; conserva lo que es único y cuyo fallo se descubre cuando ya es tarde. Paso concreto: escribe hoy tu lista roja, cinco tareas que no salen de tu cabeza, y déjala a la vista junto al monitor.
Cuatro preguntas para decidir si delegas
Entre las dos listas hay zona gris, y cuatro preguntas la aclaran:
- ¿La tarea se repite igual cada semana?
- ¿Puedo deshacer el resultado si sale mal?
- ¿Verifico el resultado en menos tiempo del que me ahorra?
- ¿Necesita mi criterio, mi firma o mi relación con alguien?
El semáforo de las cuatro preguntas
Cuatro respuestas afirmativas: automatiza esta misma semana. Tres: delega con supervisión. Dos o menos: se queda contigo, y eso no es un fracaso, es el reparto correcto.
Mismo software, veredictos distintos
Un ejemplo con el mismo software y veredicto contrario. Resumir los cincuenta currículums de un proceso de selección suma cuatro "sí"; redactar el correo que rechaza a uno de esos candidatos es un "no" rotundo, porque exige tu criterio y se dirige a una persona. Aplica el test a la tarea que llevas más tiempo posponiendo: si suma cuatro "sí", ya tienes tu siguiente delegación.
Conclusión: la lista se revisa, no se escribe una vez
La lista se mueve cada pocos meses
Cada generación de modelos agranda el lado delegable. Lo que hace un año exigía supervisión constante, hoy corre solo en un flujo nocturno, y lo que hoy parece impensable puede entrar en tu lista antes del próximo trimestre. La pregunta útil, por tanto, no es qué puede la IA en abstracto, sino qué delegas tú este trimestre.
Un reparto bien hecho concentra tus horas donde nadie puede sustituirte: criterio, contexto y relaciones. La ventaja no está en dominar prompts, está en repartir: qué entra en la máquina y qué no sale de tu cabeza.
Tres pasos para este mes
Para este mes, tres pasos. Apunta cada tarea de una semana típica y márcala con una D de delegable o una N de no delegable. Elige una D y automatízala de verdad; empieza por permisos de solo lectura. Y dentro de un trimestre relee la lista de las N: ahí verás cuántas han bajado al otro lado y medirás, con tus propios datos, cómo se mueve la IA en el trabajo. Y si tu portátil no da para el asistente local, un VPS con Ollama lo deja corriendo siempre.