Selectel prueba el Mac mini M4 Pro como servidor LLM local para OpenClaw

El 23 de julio de 2026, el equipo de Selectel publicó una prueba del Mac mini con chip Apple M4 Pro como servidor local para agentes de IA basados en OpenClaw. El resultado: la arquitectura unificada de Apple Silicon convierte este ordenador compacto en una opción real para la inferencia local de LLM con un presupuesto de hasta 2 000 $.

¿Por qué la memoria unificada cambia las cuentas?

La principal barrera de la inferencia local de LLM no es la potencia de cálculo, sino el ancho de banda de la memoria: al generar cada token, el modelo lee los pesos de forma continua, y un bus lento se convierte en cuello de botella. El Mac mini M4 Pro lo resuelve de manera poco habitual: la CPU, la GPU y el Neural Engine trabajan con un único pool de memoria, que funciona a la vez como RAM del sistema y como VRAM para el acelerador neuronal.

• Chip Apple M4 Pro: arquitectura unificada de CPU/GPU/Neural Engine
• Memoria máxima: hasta 64 GB (un único pool para todos los aceleradores)
• Consumo bajo carga: alrededor de 30 W, bastante menos que las GPU discretas
• Precio de partida del Mac mini M4 Pro: desde 1 399 $

Por eso el Mac mini resulta competitivo donde, a priori, no tendría opciones: un PC con Windows y una tarjeta de 24 GB de VRAM cuesta más y consume varias veces más energía. El Mac mini cabe en una mochila y funciona con un enchufe normal, es decir, es literalmente un servidor de IA portátil.

Cómo configurar OpenClaw con un LLM local

OpenClaw es un framework de agentes de IA que trabaja sobre un LLM local a través de un servidor compatible con API (llama.cpp u Ollama con backend Metal para la GPU de Apple). Selectel probó modelos de tamaño medio: Mistral 7B, LLaMA 3 8B y Qwen2 14B. Los tres caben en la memoria unificada sin cuantización forzada y ofrecen una velocidad de generación estable en escenarios de agentes.

La configuración requiere tres pasos: instalar Ollama con soporte Metal, descargar el modelo en formato GGUF e indicar el endpoint local en la configuración de OpenClaw. Después, el agente funciona totalmente sin conexión: los datos no salen del dispositivo, algo crítico para tareas con documentos confidenciales.

«La memoria unificada de

Apple Silicon resuelve en parte el problema de la falta de VRAM por un precio razonable y convierte el Mac mini en un servidor portátil para agentes de IA como OpenClaw», se afirma en el artículo de Selectel en Habr.

Dónde la configuración topa con su techo

Existen limitaciones reales. Como señala Selectel, los modelos de más de 70B parámetros requieren una cuantización Q4 agresiva, que reduce de forma apreciable la calidad de la generación. Cuando se procesan varias solicitudes a la vez, la velocidad de generación cae notablemente: el Mac mini no está pensado para la inferencia por lotes altamente paralela a escala corporativa.

La configuración es adecuada para un desarrollador individual, un equipo pequeño de 2–5 personas o un investigador que necesite un agente LLM privado sin dependencias de la nube. Para un servicio en producción con cientos de solicitudes simultáneas hacen falta soluciones de GPU en clúster.

Qué significa esto

El umbral de entrada a la IA local ha bajado de los 1 500 $: el Mac mini M4 Pro con OpenClaw permite ejecutar agentes LLM sin alquilar un servidor con GPU y sin enviar datos a la nube. Para startups e investigadores que valoran la privacidad de los datos, es una opción práctica con una economía clara.

Preguntas frecuentes

¿Qué modelos LLM funcionan en el

Mac mini M4 Pro sin cuantización?

En la memoria unificada de hasta 64 GB caben sin cuantización forzada modelos de hasta 30–40B parámetros. Mistral 7B, LLaMA 3 8B y Qwen2 14B son las opciones comprobadas en la prueba de Selectel. Los modelos de 70B requieren cuantización Q4 y funcionan con limitaciones apreciables en la calidad de la generación.

¿En qué se diferencia el backend

Metal de Ollama de CUDA en Windows?

Apple Metal usa un único pool de memoria para la CPU y la GPU: el modelo se carga una sola vez y no se copia entre la RAM y la VRAM, como ocurre en los sistemas con Windows. Esto reduce la latencia y elimina el límite de VRAM, pero el throughput máximo de GPU de las tarjetas NVIDIA de gama alta sigue siendo superior en tareas con lotes grandes.