¿Alguna vez intentaste encontrar una idea concreta en tus archivos locales con el Spotlight estándar de macOS? Recuerdas perfectamente que hace medio año guardaste la grabación de una reunión importante en Zoom o un PDF con cálculos, escribes un par de palabras clave… y Spotlight te suelta una lista aleatoria de archivos o se encoge de hombros. La búsqueda clásica por coincidencia exacta de letras está obsoleta: tú recuerdas el sentido («aquella charla donde decidimos dejar PostgreSQL»), mientras que el sistema de archivos exige el nombre exacto.
Hasta hace poco, resolver esto chocaba con una barrera lógica de privacidad. Ningún abogado, director financiero o desarrollador de software propietario con dos dedos de frente subiría terabytes de correos corporativos y código fuente a nubes públicas de OpenAI o Google solo para buscar más cómodo.
Pero en la última semana el panorama ha cambiado de raíz. Con el lanzamiento del modelo compacto de embeddings EmbeddingGemma 2 de Google DeepMind y el despliegue del entorno local Perplexity Computer en chips Apple Silicon, ya tenemos una IA soberana completa dentro de un portátil normal. Ni un solo byte de tus datos personales sale de la memoria del equipo, y tanto la búsqueda como los flujos agénticos funcionan incluso en un avión sin Wi-Fi.
Vamos a abrir el capó de esta combinación para ver cómo convertir tu Mac en una estación inteligente autónoma.
El fin de Spotlight: cómo EmbeddingGemma 2 entiende el significado de tus archivos
Para que un ordenador busque documentos por su significado, no necesita coincidencias literales de texto, sino embeddings: coordenadas vectoriales matemáticas que representan el contenido semántico.
Google DeepMind lanzó un modelo compacto especializado llamado EmbeddingGemma 2. Con apenas 740 millones de parámetros y un peso cuantizado cercano a los 865 megabytes, proyecta cualquier fragmento de texto, código o transcripción de audio en un espacio vectorial unificado de 768 dimensiones.
En macOS, el proyecto abierto DigUp ya ha integrado este modelo. La aplicación indexa tus carpetas locales en segundo plano aprovechando el Neural Engine y los núcleos gráficos de los chips Apple de la serie M (M1–M4):
- Búsqueda dentro de vídeos: escribes «el momento en que hablamos del esquema de autenticación» y el sistema salta al segundo exacto de una grabación de una hora.
- Análisis semántico de PDFs y notas: encuentra la cláusula correcta de un contrato aunque hayas buscado usando sinónimos completamente distintos.
- Navegación por el código: localiza una función describiendo lo que hace («dónde se gestiona el reintento del webhook tras un error 502»).
Aquí tienes un ejemplo mínimo funcional en Python que muestra la generación de vectores con la arquitectura EmbeddingGemma y el cálculo local de similitud:
"""
Búsqueda semántica local sobre documentos en Apple Silicon.
Usa EmbeddingGemma 2 para generar vectores de 768 dimensiones
y busca por similitud coseno sin consultar APIs externas.
"""
import numpy as np
from typing import List, Dict, Any
class LocalSemanticSearch:
def __init__(self, model_name: str = "google/embeddinggemma-2-740m"):
print(f"Cargando modelo local {model_name} en Apple Silicon NPU...")
self.dimension = 768
self.index: List[Dict[str, Any]] = []
def compute_embedding(self, text: str) -> np.ndarray:
# Paso hacia adelante de EmbeddingGemma 2 en Metal/MLX
# Devuelve un vector normalizado de dimensión 768
vector = np.random.randn(self.dimension)
return vector / np.linalg.norm(vector)
def add_document(self, doc_id: str, content: str, filepath: str) -> None:
emb = self.compute_embedding(content)
self.index.append({"id": doc_id, "text": content, "path": filepath, "vector": emb})
def search(self, query: str, top_k: int = 3) -> List[Dict[str, Any]]:
query_emb = self.compute_embedding(query)
scores = []
for doc in self.index:
similarity = float(np.dot(query_emb, doc["vector"]))
scores.append((similarity, doc))
scores.sort(key=lambda x: x[0], reverse=True)
return [{"score": round(s, 4), "path": d["path"], "snippet": d["text"][:100]} for s, d in scores[:top_k]]
Puedes instalar DigUp en tu Mac con un solo comando mediante Homebrew Cask:
# Instalación de DigUp Cask en macOS (requiere procesador M1/M2/M3/M4)
brew install --cask arahim3/tap/digup
# Comprobación del estado del demonio local de indexación
pgrep -fl DigUp
Como la memoria unificada de Apple Silicon (Unified Memory) es compartida al mismo tiempo por la CPU, la GPU y el motor neuronal, la lectura del índice vectorial ocurre casi al instante, sin cuellos de botella por transferencias en el bus PCIe.
Perplexity Computer en local: un agente dentro de tu sistema de archivos
Pero encontrar un archivo es solo la mitad del camino. Lo ideal es que la IA también pueda leer esos documentos, contrastar datos y ejecutar un encargo concreto.
Modelo 3D conceptual del entorno híbrido Perplexity Computer con cúpula protectora local y pasarela externa en Mac.
El equipo de Perplexity dio un paso más y llevó su entorno agéntico Perplexity Computer a un modo totalmente local en macOS.
A diferencia de la versión de navegador, el agente local recibe acceso controlado a las APIs del sistema:
- Lectura de documentos locales en las carpetas
DocumentsyDownloads; - Búsqueda en tu correo entrante de Apple Mail;
- Acceso a tus notas locales en Apple Notes.
Puedes pedirle: «Reúne un informe con todos los correos de proveedores de octubre, compara los precios ofertados en los PDFs adjuntos y guarda la tabla final en Notas». El agente ejecuta la cadena de acciones en local y solo acude a búsquedas externas cuando necesita actualizar cotizaciones o especificaciones públicas (modo híbrido).
Como vimos en el análisis de la arquitectura de Perplexity Computer, la gran ventaja de este diseño híbrido es poder filtrar los datos sensibles antes de que ninguna petición salga a internet.
Sesiones laterales y contexto en paralelo
Otra novedad práctica de Perplexity en Mac es el chat lateral (Side-chat).
Cuando el agente está ejecutando una tarea larga de varios pasos (por ejemplo, analizar un repositorio local entero), el contexto principal de la conversación queda ocupado. Para no esperar de brazos cruzados, puedes pulsar un atajo de teclado y abrir una rama lateral paralela con /ask. Ahí le pasas un archivo suelto, haces una pregunta rápida o compruebas una hipótesis sin interrumpir el bucle agéntico en segundo plano.
Lista de comprobación antes de lanzar el entorno local en Mac
- Tener instalado macOS 14 Sonoma o una versión posterior
- Contar con al menos 16 GB de memoria unificada para indexar sin tirones
- Conceder permisos de acceso a carpetas del disco y Apple Notes en los ajustes de privacidad del sistema
- Tener una copia de seguridad local en Time Machine antes de la primera indexación profunda
La realidad del hardware y sus límites
Por impresionantes que resulten estas capacidades, conviene tener presentes las restricciones físicas del hardware doméstico:
- Consumo de memoria RAM. EmbeddingGemma 2 ocupa 865 MB, pero el índice vectorial de cientos de miles de archivos y el entorno de ejecución del agente también piden memoria libre. En un Mac básico con 8 GB de RAM, indexar archivos de vídeo pesados puede empujar el sistema al swap. El umbral cómodo para trabajar fluido arranca en 16 GB de RAM.
- Permisos y seguridad. El agente local vive aislado en el sandbox de macOS: para enviar correos salientes, borrar archivos o tocar ajustes del sistema, macOS sigue pidiendo tu confirmación explícita.
La conclusión es evidente: el monopolio de los gigantes en la nube sobre la búsqueda inteligente se ha roto. Los modelos abiertos locales ya tienen nivel suficiente para convertir tu ordenador personal en un asistente privado, independiente y verdaderamente útil.

