Por qué OpenAI estaría comprando decenas de miles de Mac para sus agentes de IA

Los informes que apuntan a que OpenAI ha comprado decenas de miles de Mac mini y Mac Studio describen una necesidad muy concreta de infraestructura: ejecutar muchos entornos independientes de macOS para agentes capaces de usar ordenadores y para experimentos de aprendizaje por refuerzo. No demuestran que el silicio de Apple esté sustituyendo a los clústeres de GPU empleados para entrenar modelos punteros. Además, tanto la cantidad como el uso exacto de los equipos siguen sin estar confirmados. 111

Por qué los agentes necesitan ordenadores reales

Un agente de uso informático no se limita a generar texto. Tiene que abrir un navegador, interactuar con aplicaciones, gestionar archivos y permisos, interpretar cambios en la pantalla y recuperarse cuando algo no sale como esperaba. Entrenar y evaluar ese comportamiento exige repetir miles o millones de interacciones en entornos operativos realistas.

Una flota de Mac compactos puede funcionar como un conjunto de trabajadores independientes de macOS. Cada máquina puede servir como entorno aislado para un agente, equipo de evaluación, punto de inferencia o nodo encargado de generar experiencias para el aprendizaje por refuerzo. Según los informes disponibles, Anthropic también alquila capacidad de Mac a través de Amazon Web Services para tareas comparables. 126

La diferencia es importante. En el aprendizaje por refuerzo, un sistema de IA genera numerosos intentos —o trayectorias— dentro de un entorno y utiliza los resultados para mejorar su estrategia. Cuando ese entorno es un escritorio real, tener acceso directo al sistema operativo y a sus aplicaciones puede resultar más práctico que intentar reproducir todos sus comportamientos mediante emulación o virtualización.

La memoria unificada es la principal baza de Apple

Los chips de Apple reúnen CPU, GPU y recursos de procesamiento neuronal alrededor de un mismo conjunto de memoria unificada. Así, los datos no tienen que trasladarse entre la memoria del sistema y la memoria dedicada de una GPU del modo habitual en una configuración formada por CPU y tarjeta gráfica independiente. 5

Para ejecutar modelos localmente, la capacidad de memoria puede ser más determinante que una cifra llamativa de rendimiento de IA. Un gran espacio compartido permite mantener en la misma máquina los pesos del modelo, el estado de las aplicaciones, los datos y la información necesaria para la inferencia.

Esto resulta útil para:

• servir modelos localmente;
• ejecutar modelos de lenguaje cuantizados;
• evaluar y coordinar agentes;
• preparar y preprocesar datos; y
• desplegar sistemas privados o sin conexión.

La arquitectura no elimina las desventajas. El silicio de Apple no es automáticamente la opción más rápida para todas las cargas de trabajo, y un Mac con mucha memoria no ofrece el mismo ecosistema de software, interconexiones ni capacidad de escalado que un clúster de GPU de centro de datos.

Por eso, el escenario más probable no es una sustitución completa de Nvidia, sino una infraestructura heterogénea: GPU para el entrenamiento distribuido de alto rendimiento y Mac —u otros sistemas locales— para ejecuciones paralelas, pruebas, agentes y puntos de inferencia.

Dónde encaja la nueva gama de Mac

La renovación de los ordenadores de sobremesa de Apple ofrece dos niveles de hardware. El nuevo Mac mini parte de 899 dólares y puede configurarse con los chips M6 o M5 Pro. El Mac Studio comienza en 2.499 dólares con M5 Max y en 5.499 dólares con M5 Ultra. Apple anunció que estarán disponibles a partir del 22 de septiembre. 171826

El M6 es el primer chip para Mac de Apple fabricado con un proceso de 2 nanómetros. El M5 Ultra, por su parte, es la alternativa orientada a la máxima memoria. Apple asegura que puede configurarse con hasta 512 GB de memoria unificada y un ancho de banda de 1,2 TB/s, suficiente —según la compañía— para ejecutar localmente modelos de lenguaje con cientos de miles de millones de parámetros. 2133

La división de funciones sería bastante clara:

• Mac mini: nodos compactos y relativamente económicos para desplegar muchos entornos de agentes, realizar pruebas y ejecutar modelos ligeros.
• Mac Studio: estaciones con más memoria para desarrolladores e investigadores, servicio local de modelos y cargas que no caben cómodamente en una GPU de consumo.

En ese contexto, la supuesta compra de OpenAI tendría sentido como estrategia de flota: muchas máquinas pequeñas para ejecutar entornos independientes, complementadas con sistemas más potentes para modelos grandes y tareas de desarrollo.

¿Qué puede ejecutar un M5 Ultra con 256 GB?

Una configuración de 256 GB es considerable, aunque no representa el máximo del M5 Ultra. En términos generales, debería manejar con comodidad modelos de la clase de 70.000 millones de parámetros, incluidos modelos cuantizados, dejando espacio para macOS, el contexto y el entorno de inferencia. Un modelo de 70.000 millones en cuantización de cuatro bits suele requerir aproximadamente entre 40 y 48 GB de memoria accesible, dependiendo de la técnica y de la implementación. 54

La misma máquina también puede albergar algunos modelos dispersos o de mezcla de expertos mucho mayores en formatos muy cuantizados. Las estimaciones disponibles sitúan ciertos modelos de aproximadamente 235.000 a 284.000 millones de parámetros dentro de un sistema de 256 GB, aunque no se trata de pruebas de rendimiento publicadas por el fabricante. 405051

El número de parámetros, por sí solo, no determina si un modelo funcionará bien. También influyen:

• si es un modelo denso o de mezcla de expertos;
• el nivel de cuantización;
• la longitud del contexto y las necesidades de la caché KV;
• la sobrecarga del entorno de ejecución; y
• la velocidad que el usuario considere aceptable.

Un modelo puede caber técnicamente y, aun así, ser demasiado lento para un agente interactivo exigente. En cambio, un modelo más pequeño puede resultar mucho más práctico si responde rápido y permite ejecutar varias tareas a la vez.

Lo que la historia demuestra —y lo que no

La conclusión más sólida es que la infraestructura de IA está dejando de concentrarse en una única categoría: los enormes clústeres de GPU. El desarrollo de agentes y la inferencia local generan demanda de muchas máquinas pequeñas, controlables y fáciles de dedicar a tareas paralelas, especialmente cuando el trabajo depende de un sistema operativo de escritorio real o exige privacidad y baja latencia.

Sin embargo, la evidencia disponible no confirma todas las afirmaciones asociadas a esta historia. No están suficientemente corroboradas las informaciones que relacionan las compras con problemas concretos de suministro, un aumento del 29 % en los ingresos del negocio Mac o la supuesta consideración de Apple por parte de Nvidia como su principal rival en procesamiento local de IA. Esas afirmaciones deben tratarse como provisionales, no como hechos establecidos.

La oportunidad de Apple parece más clara en dos segmentos: la inferencia local con mucha memoria y las flotas destinadas al desarrollo y evaluación de agentes. Nvidia y otros aceleradores de centro de datos siguen siendo esenciales para las cargas que exigen el máximo rendimiento de entrenamiento y sistemas distribuidos a gran escala.

El futuro, por tanto, se parece menos a una batalla de «Mac contra Nvidia» que a una división del trabajo: cada plataforma se ocupará de las tareas de IA para las que su arquitectura resulta más adecuada.