La IA ya no necesita vivir en la nube: ahora puede ejecutarse directamente en tu navegador

Durante años, la inteligencia artificial en aplicaciones web funcionaba como un servicio remoto: los datos viajaban desde el navegador hasta un servidor, se procesaban allí y volvían con un resultado. Ese modelo comienza a cambiar. Google presentó LiteRT.js, una biblioteca que permite ejecutar modelos de IA directamente dentro del navegador, sin depender de un servidor externo para hacerlos funcionar.

¿Qué anunció Google?

El 9 de julio de 2026, Google publicó en su blog oficial para desarrolladores el lanzamiento de LiteRT.js, una biblioteca de JavaScript que lleva el runtime de IA de Google al navegador web. Es parte del ecosistema LiteRT (antes TensorFlow Lite), el motor de inferencia que Google utiliza en Android, iOS y dispositivos embebidos. La biblioteca permite cargar un modelo entrenado (formato .tflite) y ejecutarlo íntegramente en el navegador, aprovechando el hardware del equipo local: CPU, GPU e incluso NPU cuando el navegador lo soporta.

¿Qué es LiteRT.js?

LiteRT.js es la versión web de LiteRT, el runtime de código abierto de Google para ejecutar modelos de machine learning en dispositivos sin depender de la nube. La diferencia clave es que compila ese runtime nativo a WebAssembly, un formato de código binario que los navegadores modernos ejecutan con rendimiento cercano al nativo. Está disponible como paquete npm (@litertjs/core v2.5.2) y su repositorio en GitHub acumula más de 3.000 estrellas dentro del ecosistema Google AI Edge.

¿Cómo puede una inteligencia artificial funcionar dentro del navegador?

La clave está en tres tecnologías que los navegadores modernos incorporan:

• WebAssembly (Wasm): un formato binario que ejecuta código compilado desde lenguajes como C++ a velocidades casi nativas. LiteRT.js compila su runtime a Wasm y el navegador lo ejecuta en la CPU del usuario utilizando XNNPACK, la biblioteca de Google especializada en aceleración de IA.
• WebGPU: una API gráfica moderna que permite acceder a la GPU desde el navegador. LiteRT.js utiliza ML Drift sobre WebGPU para ejecutar modelos en la tarjeta gráfica, logrando entre 5 y 60 veces más velocidad en modelos de visión y audio, según las pruebas de Google.
• WebNN (experimental): una API emergente para acceder a unidades de procesamiento neuronal (NPU) desde el navegador. Actualmente está en fase experimental en Chrome y Edge. Cuando esté disponible de forma general, promete ejecutar modelos con mayor eficiencia energética.

El proceso funciona así: el usuario visita una página que usa LiteRT.js, la biblioteca descarga los archivos Wasm y el modelo entrenado, y todo el procesamiento ocurre localmente, sin enviar datos a ningún servidor.

¿Qué ventajas tiene ejecutar IA localmente?

• Mayor privacidad: los datos del usuario no salen de su dispositivo. Es crítico para aplicaciones que procesan información sensible: documentos, imágenes de clientes o audios. No enviar datos a servidores externos reduce riesgos de filtración y simplifica el cumplimiento normativo.
• Menor latencia: al no esperar respuesta del servidor, el resultado se obtiene en tiempo real. Para reconocimiento de objetos en video, traducción de voz en vivo o análisis de imágenes, esta diferencia es determinante.
• Reducción de consultas al servidor: cada inferencia local es una solicitud que no sobrecarga la infraestructura. Reduce el uso de ancho de banda, el consumo de recursos y los costos.
• Posible funcionamiento sin conexión: una vez cargado el modelo, la aplicación puede seguir funcionando sin internet. Útil para zonas con conectividad limitada.
• Menores costos de infraestructura: al trasladar parte del procesamiento al navegador, se reduce la necesidad de servidores potentes para ejecutar inferencias.

¿Qué tipo de funciones podría incorporar una página web?

LiteRT.js permite ejecutar modelos previamente entrenados para diversas tareas. Estas son algunas aplicaciones prácticas ya posibles:

• Reconocimiento de imágenes: una pyme industrial podría analizar fotografías de piezas desde la cámara del operario, detectando defectos sin enviar las imágenes a ningún servidor externo.
• Clasificación de contenido: categorizar automáticamente imágenes y textos al subirlos, sin depender de servicios externos.
• Procesamiento de audio: transcripción de voz a texto, detección de sonidos o clasificación de audios directamente en el navegador, sin enviar grabaciones a la nube.
• Búsqueda semántica: Google demostró un buscador vectorial en el navegador con LiteRT.js y EmbeddingGemma. Un ecommerce chileno podría implementar búsqueda inteligente que entienda el significado de lo que escribe el usuario.
• Asistentes especializados: chatbots que procesan lenguaje natural localmente, sin enviar conversaciones a servidores externos.
• Personalización local: recomendar productos o ajustar la experiencia de usuario según el comportamiento de cada visitante, procesando todo en su navegador.

Ejemplo práctico: control de calidad en una pyme industrial chilena

Imaginemos una empresa metalúrgica en Santiago que necesita inspeccionar piezas fabricadas en su planta. Tradicionalmente, esto requeriría que un operario tomara fotografías, las subiera a un sistema en la nube y esperara el análisis. Con LiteRT.js, la inspección podría hacerse desde una página web que cargue un modelo de detección de defectos directamente en el navegador del operario. Las imágenes se procesan al instante, sin salir del equipo, y el resultado aparece en pantalla sin depender de conexión a internet. Los datos sensibles de fabricación nunca abandonan la planta.

¿Significa esto que ya no se necesitarán servidores?

No. La ejecución local en el navegador no reemplaza por completo a los servidores. Los modelos más grandes, como los modelos de lenguaje avanzados, siguen necesitando infraestructura en la nube. LiteRT.js está diseñado para modelos optimizados para dispositivos: versiones compactas de redes neuronales que caben dentro del límite de memoria de WebAssembly (2 GB). Además, los servidores siguen siendo necesarios para distribuir el modelo, almacenar datos y gestionar usuarios. Como señala la documentación oficial, LiteRT.js ejecuta el modelo pero no incluye procesamiento previo ni posterior de los datos.

Limitaciones y desafíos

• Límite de memoria: WebAssembly está limitado a 2 GB. Modelos grandes pueden no cargar.
• Compatibilidad parcial con WebGPU: no todas las operaciones se ejecutan en GPU. En navegadores sin JSPI, el modelo completo cae a CPU.
• WebNN es experimental: la aceleración mediante NPU aún no está disponible de forma general.
• Solo modelos .tflite: la biblioteca ejecuta exclusivamente modelos en formato LiteRT. Otros frameworks requieren conversión previa.
• Pre y postprocesamiento no incluidos: el desarrollador debe implementar por separado la preparación de datos y la interpretación de resultados.

¿Qué oportunidades representa para las empresas?

Para las pymes chilenas, esta tecnología abre posibilidades que antes requerían inversiones en infraestructura cloud o suscripciones a servicios de IA externos. Ahora es posible agregar capacidades de análisis, clasificación y automatización directamente en una página web, con costos reducidos y sin comprometer la privacidad de los datos. Un negocio que hoy tiene un catálogo de productos podría implementar búsqueda visual para que los clientes encuentren artículos subiendo una foto. Una clínica podría clasificar documentos sensibles sin enviarlos a servidores externos. Una empresa de logística podría analizar imágenes de guías directamente desde el navegador del operador.

Para los desarrolladores web, LiteRT.js representa una evolución respecto a TensorFlow.js. Mientras TensorFlow.js ejecutaba kernels en JavaScript puro, LiteRT.js utiliza el mismo runtime nativo que corre en Android e iOS, compilado a Wasm, con un rendimiento hasta tres veces superior en modelos de visión y audio, según las pruebas del equipo de Google.

¿Cómo saber si esta tecnología sirve para un proyecto?

LiteRT.js funciona bien cuando el modelo es compacto, la privacidad es importante, la latencia debe ser mínima y el procesamiento puede ocurrir sin conexión. No es adecuado cuando se necesitan modelos de gran tamaño, cuando el modelo requiere actualizaciones frecuentes desde el servidor o cuando el dispositivo del usuario no tiene suficiente capacidad de cómputo. Google ofrece un Model Tester (npm i @litertjs/model-tester) que verifica si un modelo .tflite es compatible y mide su rendimiento en CPU y GPU. Además, existen modelos preentrenados en Kaggle y HuggingFace para probar sin entrenar uno propio.

Conclusión

La posibilidad de ejecutar inteligencia artificial directamente en el navegador, sin depender de servidores externos, cambia las reglas para ciertos tipos de aplicaciones web. LiteRT.js es una herramienta real, disponible hoy, que permite incorporar capacidades de IA con menor latencia, mayor privacidad y costos de infraestructura reducidos. No reemplaza a los servidores ni resuelve todos los problemas de IA, pero representa un paso concreto hacia aplicaciones web más rápidas, más privadas y menos dependientes de la nube.

Fuentes consultadas

• Google Developers Blog. "LiteRT.js, Google's high performance Web AI Inference". 9 jul 2026. developers.googleblog.com/en/litertjs-googles-high-performance-web-ai-inference/
• Google AI for Developers. "Get started with LiteRT.js". ai.google.dev/edge/litert/web/get_started
• GitHub - google-ai-edge/LiteRT. README litert/js. github.com/google-ai-edge/LiteRT
• npm. @litertjs/core v2.5.2. npmjs.com/package/@litertjs/core