Liquid AI lanza un sistema para ejecutar agentes de IA íntegramente en el dispositivo

La idea de ejecutar modelos de lenguaje potentes en el propio ordenador, sin nube y sin que un solo byte de datos salga hacia servidores ajenos, fue durante mucho tiempo un objetivo atractivo pero difícil de alcanzar. Liquid AI parece haber dado un paso serio para convertirla en una herramienta de trabajo. La compañía ha presentado el modelo LFM2-24B-A2B y la aplicación de escritorio LocalCowork, un sistema totalmente local para ejecutar flujos de trabajo agénticos de nivel empresarial.

Para entender la relevancia de este lanzamiento conviene recordar el contexto. Liquid AI es una startup fundada por exalumnos del MIT que desde el principio tomó un camino poco convencional. En lugar de escalar arquitecturas Transformer siguiendo a OpenAI y Google, el equipo se centró en los llamados Liquid Foundation Models, arquitecturas inspiradas en los sistemas dinámicos y la neurociencia. Sus modelos son compactos y eficientes, y mantienen una alta calidad de generación. La denominación «24B-A2B» indica 24.000 millones de parámetros con activación de solo una parte de ellos. El enfoque recuerda al Mixture of Experts y permite lograr el rendimiento de un modelo grande con un coste computacional bastante menor.

La idea de ingeniería central de LocalCowork es que toda la cadena de interacción agéntica, desde recibir la tarea hasta llamar a las herramientas y devolver el resultado, ocurre en el dispositivo del usuario. Para coordinar el modelo con las herramientas externas se usa el Model Context Protocol, un estándar abierto propuesto originalmente por Anthropic para la interacción estructurada entre modelos de lenguaje y entornos de software. MCP permite que el modelo «entienda» qué herramientas tiene a su disposición, formule llamadas correctas y procese los resultados, todo sin recurrir a API en la nube. En esencia, es un orquestador local que convierte un modelo de lenguaje de generador de texto en un agente digital completo.

Técnicamente, la arquitectura está optimizada para una latencia mínima al despachar herramientas. Esto es crucial en el uso práctico: si un agente tarda segundos en cada llamada a una función, los procesos complejos de varios pasos se vuelven insoportablemente lentos. Liquid AI afirma que LFM2-24B-A2B está ajustado específicamente para decidir con rapidez qué herramienta invocar y con qué parámetros, una tarea que exige menos volumen de conocimiento que precisión y velocidad de razonamiento. LocalCowork está disponible en abierto en el repositorio Liquid4All de GitHub, lo que permite a los desarrolladores estudiar la arquitectura, adaptarla a sus necesidades e integrarla en sistemas corporativos existentes.

¿A quién le importa de verdad? Sobre todo a organizaciones que trabajan con datos sensibles: instituciones financieras, centros médicos, bufetes de abogados, organismos públicos. Hasta ahora afrontaban una elección incómoda: usar potentes modelos en la nube y aceptar que los datos confidenciales salgan del perímetro de la organización, o conformarse con soluciones locales primitivas. LocalCowork ofrece una tercera vía: funcionalidad agéntica completa sin concesiones en privacidad. La ausencia de llamadas a API significa no solo protección de datos, sino también independencia de servicios externos: el sistema funciona incluso sin conexión a internet.

Este lanzamiento encaja en una tendencia más amplia que gana fuerza en la industria. Tras varios años de dominio incontestable de la nube, el péndulo empieza a volver. Apple Intelligence funciona principalmente en el dispositivo. Qualcomm e Intel invierten miles de millones en NPU para inferencia local. Microsoft impulsa el concepto de Copilot Plus PC. Pero la mayoría de estas soluciones se limitan a tareas sencillas: resumen, autocompletado, clasificación básica. Liquid AI apunta más alto: flujos de trabajo agénticos completos con llamadas a herramientas, planificación en varios pasos y gestión de contexto, todo en local.

Quedan dudas, por supuesto. ¿Con qué comodidad funcionará en un portátil corporativo típico un modelo de 24.000 millones de parámetros, aunque tenga activación dispersa? ¿Qué flujos de trabajo se logran automatizar con una calidad aceptable? ¿Cómo maneja el sistema cadenas complejas de decenas de llamadas a herramientas? La práctica responderá a estas preguntas, pero el mero hecho de que una solución así esté disponible en abierto cambia los términos del debate. La cuestión ya no es si es posible una IA privada de nivel empresarial en el dispositivo, sino con qué rapidez se convertirá en estándar.