El 1 de septiembre de 2026, Perplexity lanzó una función llamada Hybrid Compute en Mac. La idea, en pocas palabras: una misma tarea se divide entre dos lugares. Los pasos pesados —búsqueda web, planificación, razonamiento de largo alcance— se ejecutan en modelos de frontera en la nube. Los pasos que tocan tus datos sensibles se delegan a un modelo pequeño que funciona dentro de tu propio equipo, y esos datos nunca salen del dispositivo.

A primera vista es una noticia de producto para usuarios de Mac. Pero lo que merece la atención de un empresario no es el producto, sino el patrón arquitectónico que hay detrás: clasificar los datos antes de enviarlos, no después de que lleguen. Y ese patrón puedes aplicarlo en tus propios sistemas, con independencia de Perplexity y con independencia de los Mac.

Qué se anunció realmente

Antes de cualquier análisis, conviene separar lo que se anunció de lo que es interpretación:

  • Fecha: 1 de septiembre de 2026.
  • Cómo funciona: cada tarea empieza en la nube y luego delega los pasos sensibles a un modelo local a mitad de la tarea sin perder el contexto.
  • El filtro de privacidad: un clasificador en el dispositivo lee cada tarea antes de enviarla, sustituye nombres, direcciones y números de cuenta por marcadores y los restaura cuando vuelve la respuesta.
  • Requisitos: un Mac con Apple silicon, macOS 15 o posterior y un mínimo de 24GB de memoria unificada, con 32GB recomendados.
  • Suscripción: disponible para suscriptores Pro y Max y para clientes empresariales.
  • Coste: el trabajo que realiza el modelo local no consume créditos de la nube.
  • Modelos locales: varias opciones en el lanzamiento, entre ellas Gemma 4 E4B de Google, Qwen3.6 35B-A3B de Alibaba y un modelo entrenado por la propia Perplexity.

Lo que no se anunció —y no debe suponerse— es ningún compromiso contractual de cumplimiento de la Ley de Protección de Datos Personales saudí, ni ninguna auditoría independiente que certifique el rendimiento del filtro. Lo que se anunció es un mecanismo técnico y unas cifras de rendimiento que la empresa publicó sobre sí misma.

Por qué esto es distinto de la "IA local" de la que has oído hablar antes

El planteamiento habitual era binario: o envías todo a la nube y obtienes un modelo potente, o ejecutas un modelo pequeño en local y aceptas menos calidad a cambio de privacidad. En la práctica, dentro de la mayoría de las organizaciones, la privacidad perdió esa discusión, porque los equipos necesitan calidad en las respuestas para hacer su trabajo.

Lo que hace esta arquitectura es rechazar ese binarismo. Una misma tarea se ejecuta en ambos lugares: el razonamiento ocurre en la nube y el paso que toca los datos ocurre en el dispositivo. Y lo más importante: la decisión no es manual ni depende de la atención de un empleado; la toma un clasificador automático que lee el texto antes de que salga.

Y aquí está el detalle en el que vale la pena detenerse: Perplexity publicó las cifras de rendimiento de ese clasificador con una franqueza poco habitual, incluidas sus debilidades. Afirmó que la exhaustividad cae de forma notable cuando el texto supera aproximadamente diez mil caracteres, y que lo resolvió con una técnica de decodificación en lugar de reentrenar el modelo. Además, publicó el clasificador como código abierto.

La lección para tu empresa aunque nunca uses Perplexity

La mayoría de las organizaciones saudíes que usan IA hoy lo hacen sin ningún filtro. Un empleado copia un mensaje de un cliente, una cláusula de un contrato o un extracto de cuenta y lo pega en una herramienta pública para pedir un resumen o un borrador de respuesta. Los datos salieron de la organización en ese momento, sin registro alguno y sin que nadie tomara una decisión.

Cuando la dirección se da cuenta, la reacción suele ser una de dos, y ambas pierden. Prohibir las herramientas por completo, y los empleados esquivan la prohibición con sus dispositivos personales. O mirar hacia otro lado hasta que ocurre un incidente. El tercer camino es el que ilustra este anuncio: dejar de preguntar si usas IA y empezar a preguntar qué puede salir de tus sistemas, quién lo decide y dónde queda registrada esa decisión.

Cómo integrar este filtro en tus propios sistemas

En la práctica, lo que implementamos en los sistemas de nuestros clientes se apoya en cuatro capas, y todas funcionan con independencia del proveedor:

  • Clasificar los campos antes de crear la funcionalidad. Antes de conectar cualquier modelo a tu sistema, clasifica los campos de tu base de datos: qué es público, qué es comercialmente sensible y qué son datos personales. Esta clasificación es una decisión de gestión, no técnica, y todo lo demás depende de ella.
  • Una capa de anonimización en la frontera del sistema. Establece un único punto por el que pase toda solicitud saliente hacia un proveedor externo, donde los identificadores personales se sustituyan por marcadores y se restauren cuando vuelva la respuesta. Lo fundamental es que sea un solo punto, no una lógica repetida en cada pantalla.
  • Procesamiento local para lo que no puede salir. No toda tarea necesita un modelo de frontera. Clasificar un mensaje, extraer un número de una factura u ordenar solicitudes de mantenimiento por prioridad: un modelo pequeño en tu propio servidor lo resuelve con calidad suficiente y un coste casi nulo.
  • Un registro que perdure. Qué solicitud salió, qué campos se enmascararon, quién la pidió y cuándo. Sin registro no puedes responder la pregunta de un auditor ni la de un cliente.

Fíjate en que ninguna de las cuatro capas menciona a un proveedor concreto. Es intencionado: los modelos cambian cada pocas semanas, como hemos visto todo el año, y el filtro que construyas hoy debe seguir siendo válido cuando cambie el modelo que hay detrás.

Qué significa esto en el contexto de la Ley de Protección de Datos Personales

La Ley de Protección de Datos Personales de Arabia Saudí, supervisada por la Autoridad Saudí de Datos e Inteligencia Artificial, se basa en principios que incluyen especificar la finalidad del tratamiento y minimizar los datos recogidos a lo necesario. La organización sigue siendo responsable de los datos personales que trata incluso cuando encarga su tratamiento a un tercero.

Una arquitectura como la descrita sirve directamente a ambos principios: los datos personales no se envían al tercero en absoluto cuando la tarea no lo requiere, y lo que se envía es el mínimo necesario para completar el trabajo. Pero la tecnología por sí sola no es cumplimiento: sigues necesitando una base jurídica para el tratamiento, una política de privacidad y procedimientos para atender las solicitudes de los titulares de los datos. Un filtro técnico facilita el cumplimiento; no lo sustituye, y la única referencia antes de cualquier compromiso es la ley y su reglamento de aplicación.

Tres pasos para empezar esta semana

Nada de esto requiere un gran proyecto para empezar:

  • Haz a tu equipo una sola pregunta: ¿cuándo fue la última vez que pegaste contenido de un sistema de trabajo en una herramienta pública de IA? Las respuestas te darán la dimensión real del problema en una hora.
  • Escribe una página que defina tres categorías: lo que nunca puede salir, lo que puede salir tras anonimizarse y lo que puede salir tal cual. Una página que se aplica de verdad vale más que una política de veinte páginas que nadie lee.
  • Elige una tarea recurrente que toque datos personales —resumir conversaciones con clientes, por ejemplo— y aplícale las cuatro capas como prototipo. Lo que aprendas con una tarea se traslada al resto.

En resumen

El anuncio de Perplexity trata sobre usuarios de Mac, pero la idea que hay detrás concierne a toda organización que ejecuta IA sobre datos reales: la decisión correcta no es entre la nube y el dispositivo, sino si existe un filtro que decida qué sale antes de que salga. Las empresas que construyan ese filtro ahora podrán adoptar cualquier modelo nuevo de forma segura en cuestión de días. Las que lo aplacen descubrirán que lo necesitan en el peor momento posible: después del incidente, no antes.

Fuentes