¿Qué es Perplexity Portable Computer? Cómo los agentes de IA con prioridad local mantienen el trabajo en tu PC

Perplexity Portable Computer importa menos porque pueda ejecutar localmente un modelo de 27B y más porque traslada el propio entorno de ejecución del agente a la máquina del usuario. Perplexity afirma que el orquestador, el planificador, el enrutador de herramientas, el programador, la cola de tareas persistente y el índice de búsqueda local se ejecutan en el dispositivo. El agente puede leer archivos locales, buscar en documentos y código, realizar acciones en el ordenador y mantener activos trabajos de larga duración sin establecer un modelo en la nube como capa de control predeterminada.

Eso cambia la cuestión de la IA local. En lugar de preguntar únicamente si un modelo cabe en la RAM o la VRAM, la pregunta más importante pasa a ser dónde deberían residir los archivos del agente, el índice de búsqueda, el estado de las tareas, las herramientas, los permisos y el entorno de trabajo. Portable Computer también es local como prioridad, no exclusivamente local: puede solicitar permiso para usar la búsqueda web, aplicaciones conectadas o modelos de nube de vanguardia cuando una tarea necesita capacidades que la pila local no puede proporcionar. El resultado es un modelo útil de arquitectura de IA híbrida en el que el usuario posee la capa local persistente, mientras que la inteligencia en la nube se convierte en un recurso opcional.

¿Qué es Perplexity Portable Computer?

Perplexity Portable Computer es una versión local como prioridad de Perplexity Computer, presentada el 25 de agosto de 2026. En lugar de enviar cada tarea a un entorno de ejecución de agentes alojado, ejecuta el sistema central del agente en una máquina local.

En el anuncio oficial de Portable Computer, Perplexity describe un sistema que puede analizar datos locales, sintetizar archivos, ejecutar flujos de trabajo, buscar contenido local y realizar acciones en el dispositivo sin establecer la ejecución en la nube como opción predeterminada.

La diferencia se entiende mejor si se separa el modelo del agente que lo rodea.

Por lo tanto, el cambio fundamental no consiste simplemente en que un LLM pasó de un servidor a un ordenador de escritorio. La capa de orquestación también se trasladó con él.

Eso convierte a Portable Computer en algo más parecido a un entorno operativo de agentes local que a un chatbot local convencional.

¿Qué se ejecuta realmente de forma local en Portable Computer?

Perplexity identifica explícitamente seis componentes principales que se ejecutan en el dispositivo: el orquestador, el planificador, el enrutador de herramientas, el programador, la cola de tareas persistente y el índice de búsqueda local. Estos componentes son importantes porque un agente hace mucho más que generar el siguiente token.

El orquestador decide cómo debe avanzar el trabajo general. Si un usuario pide al agente que revise una carpeta de informes, los compare con las notas del proyecto, prepare un resultado y envíe un resumen más tarde, puede haber muchas operaciones individuales entre la solicitud y el resultado.

El planificador divide ese trabajo en pasos manejables. El enrutador de herramientas decide si un paso necesita acceso a archivos, búsqueda local, ejecución de código, un conector de aplicaciones u otra capacidad. El programador determina cuándo deben ejecutarse los trabajos, mientras que la cola de tareas persistente ofrece un lugar donde conservar el trabajo de mayor duración, en vez de asumir que cada tarea termina con una sola respuesta de chat.

Esta es la diferencia clave entre un agente y un chatbot. Un chatbot puede esperar el siguiente mensaje del usuario. Un agente puede seguir procesando archivos, esperando a que termine otra acción, reintentando una llamada fallida a una herramienta o retomando una tarea más adelante.

Actualmente, Portable Computer es compatible con Qwen3.8-27B y PPLX 27B de Perplexity en su hardware de lanzamiento. Los lectores interesados específicamente en los requisitos de memoria del modelo Qwen subyacente pueden consultar nuestra guía sobre cómo ejecutar Qwen3.8-27B en hardware de consumo.

Pero el modelo es solo un componente intercambiable. La idea arquitectónica más importante es que la planificación, el enrutamiento, la búsqueda, la persistencia de tareas y las acciones locales ya no tienen que residir junto a un modelo en la nube.

¿Cómo decide Portable Computer cuándo usar la nube?

Portable Computer prioriza el procesamiento local, pero no necesariamente funciona solo sin conexión. Esta distinción es esencial para comprender el producto con precisión.

Perplexity afirma que el modelo local está entrenado para completar localmente la mayor parte posible de una tarea. Cuando un trabajo requiere algo de lo que el dispositivo carece —como información actual de la web, acceso al navegador, una aplicación conectada o un razonamiento de vanguardia más potente—, el orquestador local puede escalar esa parte del flujo de trabajo.

Un recorrido de decisión simplificado sería el siguiente:

Tarea del usuario
   |
   v
Orquestador local
   |
   +-- ¿Pueden el modelo local y las herramientas locales completarlo?
   |        |
   |        +-- Sí --> Completar localmente
   |
   +-- No
          |
          +-- ¿Necesita información actual de la web?
          +-- ¿Necesita una aplicación conectada?
          +-- ¿Necesita una acción del navegador?
          +-- ¿Necesita razonamiento de vanguardia?
                    |
                    v
             Solicitar permiso
                    |
                    v
          Usar la capacidad aprobada de la nube
                    |
                    v
          Devolver el resultado al flujo de trabajo local

Perplexity afirma que Portable Computer puede acceder a sus capacidades de búsqueda, investigación amplia o profunda, aplicaciones conectadas y más de 15 modelos de vanguardia cuando sea necesario. También afirma que, cuando es necesario enviar contenido del dispositivo a un servicio en la nube, el sistema solicita primero el permiso del usuario.

Esto produce una relación muy diferente con la IA en la nube.

La nube se convierte en una capacidad que el agente puede solicitar, en lugar del entorno en el que vive permanentemente.

Ese modelo híbrido resulta especialmente útil para el trabajo privado. Un agente local podría analizar documentos confidenciales en el dispositivo y, aun así, solicitar a un servicio de búsqueda en la nube información de mercado actual que no requiera enviar el material confidencial de origen.

¿Cómo utiliza Portable Computer los archivos y la búsqueda locales?

Un agente de IA privado útil no necesita introducir todos los documentos en la ventana de contexto del modelo. Necesita acceso controlado a los archivos y una forma de encontrar la información relevante cuando una tarea la solicita.

Portable Computer puede leer archivos locales y buscar en documentos y código. Su índice de búsqueda local también permanece en el dispositivo. Esta separación es importante porque la IA local se vuelve mucho más útil cuando los datos privados se tratan como una capa de conocimiento persistente, en lugar de subirlos manualmente en cada conversación.

Un flujo de trabajo simplificado de conocimiento local se ve así:

Archivos locales
    |
    v
Búsqueda local / Índice
    |
    v
Documentos relevantes
    |
    v
Agente local
    |
    v
Contexto del modelo
    |
    v
Respuesta / Acción / Resultado

Por lo tanto, el modelo no tiene que «recordar» un sistema de archivos entero. Puede recuperar los archivos o fragmentos relevantes para el trabajo actual.

Esto está estrechamente relacionado con la arquitectura que usamos al hablar de separar el procesamiento local de IA del almacenamiento NAS a largo plazo. El equipo de procesamiento se encarga de la inferencia activa y del trabajo del agente, mientras que los documentos persistentes, los embeddings, los resultados y las copias de seguridad pueden residir en una capa de almacenamiento diseñada para permanecer disponible durante años.

La distinción adquiere mayor importancia a medida que los agentes generan sus propios artefactos. Un flujo de trabajo maduro puede contener documentos fuente, embeddings, repositorios de código, archivos de salida, registros de tareas, informes, recursos de imagen, transcripciones y snapshots. El modelo de IA ya no es lo único que necesita almacenamiento.

¿Dónde reside la memoria del agente en un sistema local primero?

Los archivos en los que se puede buscar son una forma de contexto persistente, pero los agentes que funcionan durante largos periodos terminan necesitando algo más cercano a la memoria: registros del trabajo anterior, historial del proyecto, notas, descubrimientos, decisiones y estado de las tareas que perduren más allá de un solo prompt.

El lanzamiento de Portable Computer ya confirma la búsqueda local y una cola de tareas duradera, pero es importante no afirmar que todos los componentes de la arquitectura de memoria más amplia de Perplexity simplemente se hayan trasladado a la DGX Spark.

Por separado, Perplexity ha publicado un trabajo detallado sobre su arquitectura de memoria de agentes, denominada Brain. Ese sistema resulta útil para comprender hacia dónde se dirige el enfoque más amplio de la empresa.

Brain trata el contexto persistente del agente como un sistema de archivos, en lugar de intentar incluir todo el historial del usuario en cada mensaje. Su estructura de memoria incluye:

La lección más amplia es más importante que la estructura exacta de directorios: la memoria del agente se está convirtiendo en datos persistentes.

Los modelos se pueden actualizar. Un modelo local Qwen podría sustituirse por otro modelo abierto seis meses después. La GPU puede reemplazarse. Incluso el marco del agente puede cambiar. Pero los documentos del proyecto, el historial de tareas, el contexto aprendido, los archivos indexados y los resultados anteriores quizá deban sobrevivir a todos esos cambios.

Eso hace que la capa de datos persistentes sea cada vez más importante en la arquitectura de IA local.

¿Cómo mantiene Portable Computer más seguras las acciones de los agentes locales?

Ejecutar un agente localmente no lo hace seguro automáticamente. De hecho, un agente local capaz puede tener acceso a recursos más útiles —y, por tanto, más peligrosos— que un simple chatbot en la nube.

Un agente que puede leer archivos, ejecutar herramientas, editar código, llamar a aplicaciones o ejecutar comandos necesita límites sobre aquello que puede tocar. Perplexity afirma que la ejecución de código y herramientas en Portable Computer se realiza en entornos aislados de pruebas con acceso controlado a archivos y aplicaciones conectadas.

Un modelo práctico de seguridad para agentes locales necesita varias capas:

En general, el patrón más seguro es dar a los agentes una amplia capacidad para analizar y una autoridad más limitada para actuar. Usamos el mismo principio en nuestra guía sobre el uso de puertas de aprobación para agentes de IA locales: los borradores, resúmenes, controles y recomendaciones a menudo pueden ejecutarse automáticamente, mientras que eliminar archivos, enviar mensajes, realizar compras o cambiar permisos merece una confirmación más estricta.

La investigación más amplia de Perplexity sobre entornos aislados seguros para agentes de larga duración también explica por qué los entornos de ejecución de los agentes difieren de los trabajos de contenedores ordinarios de corta duración. Un agente puede acumular un sistema de archivos de trabajo, procesos en ejecución y estado durante horas o días, por lo que tanto el aislamiento como la recuperación son importantes.

Esta investigación no debe interpretarse como una prueba de que todos los detalles exactos de implementación de cloud SPACE se reproduzcan de forma idéntica en Portable Computer. Sí muestra el problema de infraestructura que los agentes locales deben resolver cada vez más: una ejecución potente debe coexistir con un acceso controlado y un estado persistente.

¿Qué hardware necesita Perplexity Portable Computer?

En su lanzamiento, Portable Computer está disponible en la NVIDIA DGX Spark para suscriptores de Perplexity Pro y Max. La primera versión es compatible con Linux, mientras que se ha anunciado que la compatibilidad con Windows llegará más adelante. Perplexity también afirma que próximamente será compatible con PC con GPU NVIDIA RTX.

La DGX Spark está basada en la plataforma GB10 Grace Blackwell de NVIDIA, con una CPU Arm de 20 núcleos, una GPU NVIDIA y 128 GB de memoria unificada. Ese gran conjunto de memoria compartida la hace adecuada para ejecutar modelos locales de gran tamaño, al tiempo que deja capacidad para el entorno de ejecución del agente y otras cargas de trabajo.

Actualmente, Portable Computer ofrece Qwen3.8-27B y PPLX 27B, una versión del modelo Qwen entrenada posteriormente por Perplexity. NVIDIA Nemotron 3.5 Lightning también aparece como próxima incorporación al selector de modelos.

Esto no significa que una DGX Spark sea un requisito mínimo universal de hardware para el modelo subyacente de 27B. El propio Qwen3.8-27B puede ejecutarse en hardware considerablemente más convencional cuando se cuantiza. El sistema de 128 GB le da a Perplexity margen para ofrecer un entorno de agente local integrado, en lugar de limitarse a demostrar que el modelo base puede generar tokens.

¿La IA local como prioridad realmente reduce el costo de la nube?

Perplexity afirma que el trabajo completado por el modelo local de Portable Computer no consume créditos. Esto cambia la economía de las cargas de trabajo de los agentes, porque estos pueden consumir mucha más inferencia que un chat normal.

Una sola pregunta a un chatbot puede implicar un mensaje y una respuesta. En cambio, un agente puede:

planificar una tarea, inspeccionar archivos, llamar a herramientas, evaluar un resultado, volver a intentar una acción fallida, investigar información adicional, invocar a otro agente, resumir los hallazgos y, finalmente, producir el resultado.

Cada ciclo genera más inferencia. Cuando la misma automatización se ejecuta cada mañana, procesa cientos de documentos o trabaja continuamente en un código base, el uso medido puede acumularse mucho más rápido que en un chat ocasional.

La inferencia local cambia esa estructura de costes. Sustituye parte del gasto en la nube por uso por costes fijos, como el hardware, la electricidad, el almacenamiento y el mantenimiento.

Eso no hace que la IA local sea gratuita. La comparación más útil es la relación coste-beneficio entre la IA local y la nube.

Portable Computer formaliza en la práctica la respuesta híbrida: mantén el trabajo de gran volumen o sensible en el hardware que ya tienes y utiliza recursos de la nube de forma selectiva cuando ofrezcan una ventaja clara en cuanto a capacidades.

¿Por qué los agentes de IA locales pueden necesitar un servidor o NAS incluso cuando la inferencia se ejecuta en otro lugar?

Portable Computer se ejecuta actualmente en un sistema de procesamiento de IA, no en un NAS. No hay razón para convertir ese hecho en una afirmación sin fundamento de que el producto completo debería instalarse en un servidor de almacenamiento.

La conexión más interesante es arquitectónica.

A medida que los agentes se vuelven persistentes, acumulan datos que permanecen mucho más tiempo que una sesión de inferencia individual:

• documentos de origen y archivos privados,
• repositorios de código y recursos de proyectos,
• índices de búsqueda y embeddings,
• historiales de tareas y registros de agentes,
• informes y artefactos generados,
• archivos de memoria y bases de conocimientos,
• configuraciones de flujo de trabajo,
• instantáneas y copias de seguridad.

No todos esos datos deben permanecer permanentemente en el SSD interno de la máquina que realiza la inferencia.

Una arquitectura local madura puede separar tres capas de recursos:

El NAS no necesita fingir que es memoria de GPU. Su función es diferente: proporcionar un espacio estable, ampliable y con permisos para los datos persistentes del agente.

Esta es la misma razón por la que una capa de datos de IA privada puede permanecer en un NAS mientras la inferencia se ejecuta en otro lugar. El hardware de procesamiento puede cambiar sin obligar a trasladar toda la base de conocimientos.

Esa separación resulta especialmente útil en un entorno con varios dispositivos. Una estación de trabajo podría ejecutar un modelo local potente durante el día, otro dispositivo podría encargarse de tareas de IA más ligeras y, más adelante, un sistema con una GPU actualizada podría sustituir a ambos. Una capa de almacenamiento persistente puede seguir conservando los mismos archivos de proyecto, embeddings, resultados, historial del agente y copias de seguridad durante todos esos cambios.

En otras palabras, el activo a largo plazo quizá no sea el modelo. Podría ser el estado que rodea al modelo.

¿Es Portable Computer el futuro de los agentes de IA personales?

Portable Computer es demasiado reciente para demostrar que todos los agentes de IA personales adoptarán exactamente la misma arquitectura. Sin embargo, facilita mucho la observación de varias tendencias más amplias.

En primer lugar, los modelos locales capaces están dejando atrás el chat privado. Un modelo de 27B ahora puede integrarse en un entorno de agente que planifica tareas, busca archivos, ejecuta herramientas y mantiene el trabajo en funcionamiento.

En segundo lugar, el marco del agente cada vez importa tanto como el modelo. La orquestación, la persistencia de tareas, la recuperación de información, los permisos, los entornos aislados, los conectores y la memoria determinan lo que el modelo puede lograr realmente.

En tercer lugar, la IA completamente local y la basada por completo en la nube no son las únicas opciones. Portable Computer demuestra un punto intermedio más práctico: la ejecución rutinaria puede mantenerse en el dispositivo, mientras el agente solicita selectivamente información externa o un razonamiento más potente.

Aún existen limitaciones importantes. El lanzamiento se centra en el hardware especializado DGX Spark. La compatibilidad con equipos RTX sigue ampliándose. Windows no formó parte de la primera versión. Los modelos locales no superarán a los modelos de vanguardia en la nube en todos los problemas de razonamiento complejos, y las aplicaciones conectadas siguen implicando servicios externos.

La ejecución local también transfiere más responsabilidad al usuario. La capacidad del hardware, el almacenamiento, los permisos, las copias de seguridad, las actualizaciones de software y la seguridad de los agentes pasan a formar parte del sistema, en lugar de ser una infraestructura de nube invisible.

Pero la dirección es significativa. El cambio importante no es simplemente pasar de la IA en la nube a la IA local. Es pasar de flujos de trabajo controlados por la nube a una infraestructura de IA propiedad del usuario, que puede recurrir selectivamente a la inteligencia de la nube cuando resulta útil.

Cuando eso sucede, la máquina que ejecuta el modelo es solo una pieza del sistema. Los archivos, índices, memoria, permisos, estado de las tareas, resultados y copias de seguridad se convierten en partes fundamentales de la infraestructura de IA personal, y esas son precisamente las capas que hacen que los agentes locales desde el inicio sigan siendo útiles mucho después de que el modelo actual haya sido reemplazado.

Preguntas frecuentes: Perplexity Portable Computer y la IA local desde el inicio

¿Qué es Perplexity Portable Computer?

Perplexity Portable Computer es una versión que prioriza el procesamiento local de Perplexity Computer y que ejecuta en la máquina del usuario el modelo del agente, el orquestador, el planificador, el enrutador de herramientas, el programador, la cola de tareas duradera y el índice de búsqueda local. Puede procesar archivos y flujos de trabajo locales sin que la ejecución en la nube sea la opción predeterminada.

¿Perplexity Portable Computer funciona completamente sin conexión?

Puede realizar muchas tareas localmente, pero es más preciso describirlo como un sistema que prioriza el procesamiento local, no como uno exclusivamente local. El agente puede utilizar búsquedas en la nube, aplicaciones conectadas, funciones del navegador o modelos de vanguardia cuando sea necesario. Perplexity afirma que solicita permiso antes de enviar contenido del dispositivo a un servicio en la nube.

¿Qué modelo utiliza Portable Computer?

En su lanzamiento, Portable Computer es compatible con Qwen3.8-27B y PPLX 27B, que Perplexity describe como una versión del modelo Qwen sometida a un entrenamiento posterior. También está previsto incluir NVIDIA Nemotron 3.5 Lightning en el selector de modelos.

¿Portable Computer envía archivos privados a la nube?

Perplexity afirma que los datos privados pueden permanecer en el dispositivo y que el sistema solicita permiso cuando una tarea necesita enviar contenido del dispositivo a un servicio en la nube. Aun así, los usuarios deben considerar las aplicaciones conectadas y la escalación aprobada a la nube como flujos de datos externos, en lugar de asumir que el sistema está permanentemente desconectado.

¿Portable Computer puede ejecutarse en un PC con RTX?

Perplexity lanzó Portable Computer primero en NVIDIA DGX Spark y afirma que próximamente será compatible con PC con GPU NVIDIA RTX. Los requisitos exactos de hardware y software para una implementación más amplia en RTX pueden cambiar a medida que avance ese despliegue.

¿Portable Computer requiere una DGX Spark?

La implementación inicial de septiembre de 2026 está basada en DGX Spark, pero Perplexity ya ha anunciado una expansión a PC con GPU RTX. El modelo Qwen3.8-27B subyacente también puede ejecutarse de forma independiente en otro hardware local con una cuantización y memoria adecuadas.

¿Perplexity Portable Computer es lo mismo que Ollama?

No. Ollama es principalmente un entorno de ejecución de modelos locales y una capa de API. Portable Computer es un sistema de agentes más amplio que combina un modelo local con orquestación, planificación, persistencia de tareas, búsqueda local, herramientas, acciones en dispositivos, aislamiento, conectores y escalación opcional a la nube. Ollama ayuda a ejecutar un modelo; Portable Computer está diseñado para ejecutar un flujo de trabajo continuo de agentes en torno a uno.

¿Por qué un agente de IA local necesita almacenamiento persistente?

Los agentes persistentes crean y reutilizan mucho más que los pesos del modelo. Pueden depender de archivos fuente, índices de búsqueda, embeddings, memoria, historiales de tareas, espacios de trabajo, resultados generados, registros y copias de seguridad. Mantener esos datos en una capa de almacenamiento duradera facilita reemplazar o actualizar la máquina de cómputo sin reconstruir todo el entorno de trabajo del agente.