Esta semana, los profesionales de IA en X están haciendo las mismas cuentas: un Mac Mini M4 cuesta 599 euros una sola vez. Las suscripciones cloud de IA para un equipo pequeño —licencias ChatGPT Team, Claude Pro, créditos de API para automatizaciones internas— rondan los 150–250 euros al mes según los cálculos que circulan en la comunidad. Con autoalojamiento, la amortización llega en tres a cinco meses. A partir de ahí, el coste de funcionamiento continuo del Mac Mini es, según mediciones reportadas por la comunidad, de unos 15–25 euros anuales en electricidad, con una vida útil típica de siete a diez años.
La plataforma que hace posible este escenario es OpenClaw: un asistente de IA personal de código abierto (licencia MIT) con más de 380.000 estrellas en GitHub y más de 200 colaboradores activos. El mes pasado cubrimos NemoClaw, la pila empresarial de NVIDIA construida sobre OpenClaw. Hoy el foco es el punto de entrada accesible: ejecutar OpenClaw con Ollama sobre Apple Silicon, sin licencia de GPU NVIDIA ni hardware especializado.
Qué hace OpenClaw en el Mac Mini
OpenClaw no es un modelo de lenguaje, sino una capa de ejecución que conecta un modelo que corre localmente con tareas, herramientas y canales de comunicación. El modelo se ejecuta a través de Ollama, que en Apple Silicon usa el framework MLX para aceleración GPU nativa mediante la arquitectura de memoria unificada.
La configuración se reduce a una línea en el archivo del agente:
agent.model: "ollama/qwen2.5:14b"A partir de ahí, OpenClaw dirige todas las solicitudes a la instancia local de Ollama. Ningún token sale del dispositivo. No se necesita clave de API. No hay costes variables por token.
La compatibilidad de canales incluye WhatsApp, Telegram, Slack, Discord, Signal, iMessage y más de 50 integraciones adicionales. En macOS se pueden configurar palabras de activación para interacción de voz sin manos. Los trabajos programados (cron jobs) automatizan tareas recurrentes. Un canvas visual impulsado por agentes facilita flujos de trabajo complejos. El enrutamiento multiagente permite asignar distintos canales a agentes aislados con espacios de trabajo separados, lo que resulta útil cuando diferentes departamentos necesitan contextos de IA distintos.
Niveles de hardware y velocidades reportadas
El Mac Mini M4 está disponible en cuatro configuraciones de memoria. La elección depende directamente del tamaño de los modelos que se quieran ejecutar:
| Variante | Precio aprox. | Modelos recomendados | Velocidad reportada |
|---|---|---|---|
| M4 16 GB | 599 € | Llama 3.1 8B, Qwen 2.5 7B | 18–22 tok/s (según comunidad) |
| M4 24 GB | 799 € | Qwen 2.5 14B, Gemma 3 12B | 12–16 tok/s (según comunidad) |
| M4 Pro 24 GB | 1.199 € | Qwen 2.5 14B, Mistral 22B | 20–30 tok/s (según comunidad) |
| M4 Pro 48 GB | 1.799 € | Llama 3.3 70B, Qwen 2.5 72B | 8–12 tok/s (según comunidad) |
Todas las velocidades anteriores son según mediciones reportadas por la comunidad y pueden variar según el nivel de cuantización y la carga del sistema. macOS consume unos 3–4 GB en reposo; OpenClaw y Ollama añaden otros 400–700 MB de sobrecarga. En el modelo de 16 GB quedan efectivamente unos 11–12 GB para los pesos del modelo, suficiente para modelos 8B cuantizados en formato GGUF o MLX con cuantización de 4 bits.
Para la mayoría de los casos de uso empresarial, el consenso de la comunidad señala qwen2.5:14b con cuantización de 4 bits (aproximadamente 8 GB en disco) como el mejor equilibrio entre calidad de respuesta y velocidad. Los equipos con cargas de trabajo de programación pueden añadir qwen3-coder:8b; Ollama gestiona automáticamente el cambio entre modelos.
El cálculo económico en detalle
Consideremos un equipo que actualmente paga tres licencias de ChatGPT Team a unos 30 € cada una, una licencia Claude Pro a 20 €, y créditos de API para un proceso interno de resumen de documentos por unos 80 € mensuales. Eso son aproximadamente 170 € al mes — 2.040 € anuales — por capacidades que una pila local puede replicar para la mayoría de las cargas de trabajo empresariales.
Análisis del Mac Mini M4 16 GB:
- Hardware: 599 € único pago
- Electricidad (funcionamiento continuo): ~15–25 € al año (mediciones de la comunidad)
- Software: OpenClaw (licencia MIT, gratuito) + Ollama (gratuito) + modelos de pesos abiertos (gratuitos)
- Total primer año: aproximadamente 620–625 €
- Años siguientes: aproximadamente 15–25 € al año
Con 170 €/mes de ahorro en suscripciones cloud, el umbral de rentabilidad llega antes del cuarto mes.
Advertencia práctica: una concurrencia muy alta —decenas de solicitudes simultáneas— o APIs de producción para usuarios externos superan lo que un solo Mac Mini M4 puede gestionar con fluidez. Para cargas de trabajo internas que sirven a entre uno y quince empleados, los informes de la comunidad describen consistentemente el M4 base como bien dimensionado.
Ventaja RGPD: sin acuerdos de tratamiento de datos
Para las empresas europeas que operan bajo el RGPD, la arquitectura autoalojada ofrece una ventaja estructural específica. Cuando la inferencia ocurre localmente y los datos nunca llegan a un servidor externo, no hay ningún encargado del tratamiento en el alcance: ningún acuerdo de encargado del tratamiento del artículo 28 que negociar, ningún registro de subencargados que mantener.
Esto cambia sustancialmente la postura de cumplimiento para las organizaciones que trabajan con datos de clientes: despachos de abogados, asesorías fiscales, departamentos de RRHH, consultorios médicos. Los datos permanecen dentro de la organización porque la arquitectura hace que sea estructuralmente imposible que salgan.
En el caso español, esta ventaja es especialmente relevante para las pymes que gestionan datos personales de clientes y que, al mismo tiempo, pueden aprovechar la ayuda Kit Digital para financiar la implantación de IA local. La categoría de "Soluciones de Oficina Virtual e Inteligencia Artificial" cubre herramientas que procesan datos localmente, lo que puede hacer elegibles los costes de hardware e implantación.
Más información sobre nuestra postura en soberanía de datos.
Instalación en cuatro pasos
1. Instalar Ollama y descargar un modelo
brew install ollama
ollama pull qwen2.5:14b2. Clonar y configurar OpenClaw
git clone https://github.com/openclaw/openclaw
cd openclaw
cp .env.example .envEn el archivo .env, configurar el endpoint local de Ollama (http://localhost:11434) y establecer agent.model: "ollama/qwen2.5:14b".
3. Conectar un canal
La interfaz web de OpenClaw guía a través de la autenticación del primer canal. Telegram y Slack funcionan bien para uso interno de equipo. Para máxima privacidad —sin plataforma de mensajería de terceros— OpenClaw incluye también una interfaz de chat web local.
4. Configurar el funcionamiento continuo
Registrar OpenClaw y Ollama como LaunchAgents de macOS para que ambos servicios se inicien automáticamente tras un reinicio. La documentación completa está disponible en docs.openclaw.ai.
El perfil de consumo del Mac Mini lo hace ideal para esto: aproximadamente 10 W en reposo y 20–30 W bajo carga típica de agente, menos que un ordenador de sobremesa convencional en funcionamiento.
Para qué tipo de empresas es adecuado
La configuración Mac Mini–OpenClaw es especialmente útil para:
- Despachos profesionales y asesorías: búsqueda interna de documentos, resúmenes de clientes y respuestas estándar sin riesgo RGPD frente a proveedores cloud
- Agencias pequeñas: redacción de briefs, borradores de propuestas y textos de marketing generados localmente, sin que el contenido de los clientes entre en modelos cloud
- Autónomos y pymes de servicios: asistente basado en WhatsApp o Telegram para elaboración de presupuestos, gestión de citas y respuestas a preguntas frecuentes de clientes
- Departamentos IT de empresas pequeñas: bot de helpdesk interno que responde a partir de manuales y wikis corporativas
Para una visión general de los casos de uso de IA local para pymes, visita nuestra página de IA local.
Limitaciones que conviene conocer
El Mac Mini M4 de 16 GB no es un servidor con GPU. Ejecutar Llama 3.3 70B con calidad aceptable requiere al menos la variante M4 Pro de 48 GB. Los modelos multimodales con procesamiento de imágenes necesitan memoria adicional. Y la concurrencia divide el rendimiento individual entre los usuarios simultáneos: diez usuarios compartiendo 20 tok/s obtienen dos tok/s cada uno.
Para los equipos que quieren evaluar qué nivel de hardware se adapta a sus cargas de trabajo específicas antes de comprometerse, ofrecemos proyectos piloto estructurados que mapean los volúmenes de tareas reales con los requisitos de hardware, identifican el modelo adecuado para cada caso de uso y entregan una configuración lista para producción.