Microsoft Edge introduce un modelo de IA de 2.300 millones de parámetros en el navegador: qué pueden crear realmente los desarrolladores web
Aion Instruct y Prompt API de Microsoft Edge incorporan la inferencia de modelos pequeños en los sitios web. La cuestión práctica es qué tareas deben ejecutarse en el dispositivo y cómo gestionar compatibilidad, latencia, privacidad y alternativas de respaldo.
El navegador se está convirtiendo en un entorno de ejecución de IA, pero solo para tareas acotadas

El anuncio de Microsoft del 19 de noviembre introduce un cambio práctico en la plataforma web de Edge: parte del trabajo de IA puede ejecutarse dentro del navegador, en el dispositivo del usuario, en lugar de enviarse exclusivamente a un servicio remoto. El pequeño modelo de lenguaje integrado en Edge pasa de Phi-4-mini a Aion Instruct, un modelo de 2.300 millones de parámetros diseñado para tareas de texto en el dispositivo. La API Prompt que lo acompaña ofrece a los sitios web y las extensiones del navegador una forma de utilizarlo desde JavaScript. Microsoft describe Aion como más pequeño y rápido que Phi-4-mini, con compatibilidad para tareas habituales como generar texto, resumir, seguir instrucciones y producir salidas estructuradas (Microsoft Edge Blog).
La precisión importante es que esto no convierte el navegador en un reemplazo general de los modelos en la nube. Un modelo local compacto resulta más útil cuando la tarea tiene un objetivo acotado, una forma predecible y un margen de error aceptable. Ahí entran resumir un texto, reescribir una frase, extraer campos en una estructura conocida, clasificar una intención o respaldar una lógica ligera de la aplicación. Un sitio podría usar el modelo para decidir cuál de un conjunto reducido de rutas encaja mejor con una solicitud del usuario, convertir una nota extensa en un borrador más corto o sugerir una versión más clara de un texto antes de que el usuario lo envíe. Son operaciones útiles precisamente porque el producto puede definir cómo debe ser un buen resultado y qué hacer cuando falta o es imperfecto.
La plataforma de Microsoft también separa las indicaciones generales de las capacidades más especializadas. Prompt API se está probando mediante una prueba de origen, mientras que Decisions API sigue siendo una vista previa experimental para desarrolladores. Esta última está diseñada para preguntas de sí o no, de opción múltiple y de puntuación sobre textos, y devuelve decisiones estructuradas en lugar de un pasaje generado. Por eso resulta relevante para clasificar intenciones, dirigir contenidos y establecer rankings. También refuerza la limitación central: los desarrolladores reciben una forma de probar una nueva ruta de ejecución, no un contrato universal estable que todos los productos deban convertir en indispensable desde su primera versión.
La misma lógica de las tareas acotadas se aplica a las API de asistencia de escritura de Edge. Microsoft documenta API experimentales para resumir, redactar y reescribir textos con el pequeño modelo de lenguaje integrado en el navegador (Microsoft Learn). Estas funciones son más fáciles de introducir de forma responsable porque el texto original puede permanecer visible. Un producto puede mostrar el resumen o la reescritura como una sugerencia, conservar el texto de origen y permitir que el usuario acepte, edite o rechace el resultado. Si el modelo local no está disponible, la interfaz puede recurrir a una ruta del servidor o a la edición manual habitual. Es un diseño de producto más sólido que tratar silenciosamente el texto generado como una autoridad.
La ejecución local cambia el equilibrio de ingeniería; no elimina las decisiones difíciles. Microsoft afirma que Prompt API ejecuta el modelo en el mismo dispositivo que recibe la entrada y genera la salida, y que los datos introducidos no salen del dispositivo ni se recopilan para entrenar modelos de IA. Tras la descarga inicial del modelo, las solicitudes no requieren latencia de red, y el modelo proporcionado por el navegador se comparte entre los sitios de esa instalación de Edge (Prompt API documentation). Estas características pueden hacer atractivo un reescritor o clasificador local, especialmente cuando no conviene enviar el texto a un servicio remoto de inferencia. Pero la descarga del primer uso, los requisitos de hardware, el estado del navegador y la configuración del usuario siguen determinando si la función está disponible y si responde con suficiente rapidez.
Por tanto, para un producto web, el modelo mental adecuado es el de un entorno de ejecución por niveles. Aion Instruct es una opción para operaciones pequeñas y bien delimitadas cuando Edge puede ofrecerlo. La inferencia en la nube sigue siendo relevante cuando se necesita una cobertura más amplia de dispositivos, un razonamiento más potente o un comportamiento más uniforme. Las implementaciones locales personalizadas con WebNN, WebGPU u ONNX Runtime siguen siendo alternativas independientes cuando un equipo necesita mayor control sobre el modelo y la pila de ejecución. La API del navegador puede simplificar el acceso a un modelo compartido, pero no hace desaparecer la compatibilidad, la calidad, la revisión de privacidad ni el diseño de alternativas de respaldo.
La primera pregunta de implementación no debería ser si un sitio puede llamar a la Prompt API, sino si una operación concreta corresponde ejecutarse en el dispositivo: ¿tiene un objetivo acotado?, ¿el usuario puede aceptar un resultado imperfecto?, ¿se puede conservar la entrada original?, ¿existe una alternativa determinista cuando la inferencia local no está disponible? Los resúmenes, las reescrituras, la extracción estructurada, la clasificación de intenciones y algunas decisiones pequeñas de enrutamiento son candidatos naturales. En cambio, las tareas que exigen una amplia cobertura factual, decisiones de alto riesgo o un comportamiento idéntico en distintos navegadores son mucho más difíciles de justificar. El anuncio de Edge se entiende mejor como una invitación a probar una tarea delimitada cada vez, tratando el navegador como un entorno adicional de ejecución de IA, no como el único.
Qué cambian Aion y la Prompt API en un producto web
La propuesta práctica de Microsoft consiste en integrar un modelo de lenguaje pequeño en el entorno del navegador, en lugar de convertirlo en otro servicio que cada sitio deba descargar, alojar o consultar a través de la red. En su anuncio del 19 de noviembre, Microsoft describe Aion Instruct como el nuevo modelo integrado de Edge, que sustituye a Phi-4-mini en esta función. La Prompt API que lo acompaña ofrece a los sitios web y a las extensiones del navegador una interfaz orientada a JavaScript para pedirle a ese modelo local que ejecute tareas acotadas. La diferencia es importante: el equipo de producto no recibe un asistente en la nube de propósito general dentro de cada pestaña. Recibe una capacidad de inferencia gestionada por el navegador, útil cuando la entrada, la salida y el margen de calidad aceptable están razonablemente delimitados.
El cambio más directo es arquitectónico. Un sitio puede crear una sesión con el modelo, enviar prompts, recibir texto generado y liberar la sesión cuando termina el trabajo. La documentación de Microsoft sobre la Prompt API describe la compatibilidad con respuestas en streaming, lo que permite mostrar el resultado a medida que se produce, sin esperar a que llegue la respuesta completa. También documenta formas de restringir la generación y de consultar la disponibilidad del modelo y el progreso de la descarga. Para un producto, no son detalles meramente decorativos. El ciclo de vida de una sesión afecta al uso de memoria; el streaming, a la latencia percibida; las restricciones, a la posibilidad de insertar el resultado en un flujo estructurado; y el estado de la descarga determina si la función puede explicar el retraso del primer uso en lugar de parecer averiada.
Por eso, una integración típica se parece menos a «añadir un chatbot» y más a «añadir una operación local». Una herramienta de escritura podría enviar el párrafo actual con la instrucción de reescribirlo en un tono determinado. Una interfaz de soporte podría clasificar la solicitud del usuario antes de elegir una ruta. Un formulario podría pedir al modelo que extraiga un conjunto pequeño de campos de un texto, mientras que una función de accesibilidad podría generar una descripción alternativa o un resumen conciso. En todos los casos, el navegador proporciona la vía de ejecución del modelo, pero la aplicación sigue siendo responsable de la interfaz, el diseño de los prompts, la validación, los permisos y la decisión sobre qué hacer cuando el modelo no está disponible. Microsoft presenta estas API de IA integradas dentro de este marco orientado a tareas, junto con las capacidades de escritura, reescritura y resumen descritas en su documentación de Writing Assistance APIs.
Esta división de responsabilidades es importante porque la generación local no convierte el resultado en una fuente autorizada. El modelo puede producir un texto incompleto, torpe o inadecuado para el formato que necesita la aplicación. Si el resultado controla una etiqueta visible, una ruta de búsqueda o una acción estructurada, la página debería validarlo y conservar una vía clara que no dependa del modelo. Un patrón útil consiste en tratar el modelo como una transformación opcional de datos existentes: el texto original sigue disponible, la versión generada puede previsualizarse o revertirse y la aplicación puede continuar con la entrada sin cambios si la generación falla. Así, la función gana resiliencia y el papel del modelo se mantiene lo bastante acotado como para poder probarlo.
La vía proporcionada por el navegador también cambia la decisión de despliegue frente a una API en la nube convencional. Con un modelo en la nube, la aplicación envía una solicitud al endpoint de un proveedor y debe tener en cuenta los viajes de ida y vuelta por la red, las credenciales del servicio, los límites de uso, el coste de las solicitudes y el tratamiento de los datos fuera del dispositivo. Con Aion mediante la Prompt API, la ruta de inferencia prevista se ejecuta en el dispositivo del usuario y está mediada por Edge. El anuncio de Microsoft lo presenta como parte de un enfoque híbrido: la ejecución local puede encargarse de operaciones adecuadas, mientras que los modelos remotos más capaces siguen siendo apropiados para tareas que superan el alcance del modelo del navegador. El resultado no es un reemplazo excluyente de la IA en la nube, sino otro nivel de ejecución que un producto web puede elegir para interacciones concretas.
Ese nivel resulta especialmente interesante para operaciones repetidas y moderadas. Una solicitud local de reescritura o clasificación puede evitar enviar el mismo texto a un servidor y seguir siendo útil cuando una aplicación quiere mantener una operación en el dispositivo. Al mismo tiempo, los desarrolladores no deberían asumir que «en el dispositivo» significa instantáneo o universalmente privado en todos los sentidos operativos. Es posible que el navegador tenga que descargar el modelo antes del primer uso, y la página aún debe decidir qué contenido introduce en los prompts y qué hace con el texto devuelto. Por tanto, el comportamiento de privacidad del producto depende del diseño completo de la función, no solo del lugar donde se ejecuta la inferencia. La documentación y el anuncio de Microsoft proporcionan la capacidad del navegador, pero no eliminan la necesidad de una gobernanza de datos a nivel de aplicación.
La principal alternativa consiste en distribuir o invocar un modelo mediante la propia pila de la aplicación. Un equipo puede crear una función respaldada por la nube, incluir un modelo o runtime en el producto, o explorar vías de menor nivel como WebNN, WebGPU o un despliegue basado en ONNX. Estos enfoques pueden ofrecer más control sobre el modelo seleccionado, el runtime, el contrato de prompting y el ritmo de publicación, pero también trasladan al equipo una mayor parte de la carga de entrega. La aplicación quizá tenga que empaquetar los recursos del modelo, gestionar las descargas, afrontar la variedad de dispositivos y mantener por sí misma la ruta de ejecución. Un modelo proporcionado por el navegador puede reducir esa duplicación: cuando Edge ya gestiona el modelo pertinente, un sitio puede llamar a la interfaz compatible del navegador en lugar de distribuir de forma independiente el mismo modelo a cada usuario.
La descarga compartida del navegador es la ventaja más clara de este planteamiento a nivel de producto. El modelo está asociado a la capacidad del navegador, no al paquete privado de un único sitio, así que una aplicación no tiene que hacer que sus propios usuarios descarguen una copia adicional solo para habilitar una pequeña función local. Esto puede simplificar la canalización de recursos del sitio y mantener la integración centrada en la detección de capacidades, el comportamiento de la sesión, los prompts y las rutas alternativas. Sin embargo, no garantiza que el modelo ya esté presente para un usuario concreto. El primer uso aún puede implicar comprobaciones de disponibilidad y una descarga del modelo, y la experiencia debe tener en cuenta ese estado antes de mostrar un control que parezca listo de inmediato.
La superficie de la API también establece un límite útil entre la infraestructura del navegador y la lógica del producto. El navegador puede indicar si es posible crear una sesión del modelo e informar del progreso mientras el modelo está disponible. Después, la página puede decidir si muestra una mejora, la pospone o utiliza otra implementación. Cuando ya no necesita la sesión, la aplicación puede destruirla en lugar de tratar el modelo como una dependencia permanente e invisible. Esto encaja mejor con funciones que se ejecutan en puntos de interacción deliberados —como «Reescribir», «Resumir» o «Clasificar»— que con la suposición de que todas las partes de un sitio deberían consultar continuamente un modelo de lenguaje.
Para los desarrolladores, la pregunta clave no es, por tanto, si JavaScript puede llamar ahora a un modelo de IA. Es si una acción concreta del producto tiene una entrada acotada, una salida comprobable y una alternativa creíble cuando el navegador no puede proporcionar inferencia local. Aion y la Prompt API facilitan la creación de prototipos de este tipo de funciones porque Edge suministra el modelo y el mecanismo de ejecución. No eliminan el trabajo de ingeniería relacionado con los contratos de prompts, las comprobaciones de resultados, el control del usuario, el estado de las descargas o las rutas alternativas. Esas cuestiones conducen a la siguiente pregunta de implementación: cómo debería detectar un producto las capacidades reales del navegador y del dispositivo antes de prometer una interacción basada en IA.
El coste oculto de la implementación es detectar las capacidades
El primer error de ingeniería sería tratar la Prompt API como si fuera una función ordinaria del navegador. Una página puede incluir el JavaScript correcto y aun así no poder ejecutar una solicitud local. La disponibilidad depende del canal y el estado de la función en Edge, del sistema operativo, de la versión necesaria de Edge, de la capacidad gráfica del dispositivo, de la configuración del navegador y de las políticas administrativas. Aion Instruct y la Prompt API no son una base universal que todos los visitantes reciban automáticamente; son capacidades que la aplicación debe descubrir en tiempo de ejecución.
Ese descubrimiento debe producirse antes de prometer al usuario un resultado asistido por IA. Entre los requisitos actuales se incluyen al menos 3 GB de VRAM, suficiente almacenamiento en el perfil del navegador y una conexión de red sin límite de datos para descargar el modelo la primera vez. El modelo se proporciona a través del navegador, pero este aún tiene que obtenerlo y almacenarlo antes de que una sesión pueda ofrecer inferencia local. Por tanto, un dispositivo puede superar una comprobación superficial de la versión del navegador y fallar porque no dispone de memoria gráfica, espacio de perfil o condiciones de red suficientes para completar la configuración. Las políticas empresariales también pueden determinar si la función está disponible, y la configuración de IA en el dispositivo puede estar desactivada. El resultado es una matriz de capacidades, no una única prueba de sí o no.
En un producto web real, la detección de capacidades debe considerarse parte de la experiencia de la función. Comprueba si existe la API correspondiente y, después, si se puede crear una sesión y el modelo está disponible, antes de colocar al usuario en un flujo que dependa de ella. Cuando la API proporcione información sobre la descarga o la disponibilidad del modelo, úsala para distinguir entre «no compatible» y «todavía en preparación». La diferencia importa: un usuario que espera la primera descarga debería ver un estado de preparación, mientras que en un dispositivo administrado donde la IA local esté desactivada se le debería ofrecer otra opción. La aplicación también debe asumir que una capacidad puede cambiar entre visitas o entre dispositivos, de modo que la comprobación debe formar parte de la aplicación en ejecución y no depender únicamente de supuestos establecidos durante la compilación.
Los límites de tiempo son igual de importantes. La inferencia local puede evitar un viaje de ida y vuelta a un servicio remoto, pero no hace instantánea cualquier solicitud, y la configuración inicial del modelo añade un retraso independiente. Establece un tiempo de espera limitado tanto para preparar el modelo como para ejecutar la solicitud. Si cualquiera de las dos fases supera ese límite, la interfaz debería dejar de esperar y activar una alternativa definida. Puede ser una implementación en el servidor, un flujo convencional sin IA o un mensaje sencillo que permita al usuario continuar sin asistencia. Lo esencial es que la alternativa sea determinista: el usuario debe saber qué ocurrirá cuando la vía local no esté disponible, sea lenta o se interrumpa.
El patrón de diseño más seguro consiste en conservar la entrada original en cada paso. Una reescritura local debería mostrar una versión propuesta junto al texto introducido por el usuario, en lugar de sustituir el original antes de aceptar el resultado. Un resumen, una clasificación o un campo extraído debería identificarse como contenido generado que se puede revisar, mientras el documento o la solicitud subyacentes siguen siendo recuperables. Esto resulta útil para la gestión de errores habitual, pero es especialmente importante cuando una sesión del modelo falla después de que la interfaz ya haya cambiado de estado. Si el navegador no puede crear una sesión, la descarga está bloqueada o una solicitud agota el tiempo de espera, el usuario no debería perder el texto que inició la operación.
Las comprobaciones de capacidades también deben tener en cuenta el estado de las propias API. La Prompt API se está ofreciendo mediante una vía de prueba de origen, y otras superficies relacionadas con la IA del navegador siguen siendo experimentales o están limitadas a escenarios de vista previa para desarrolladores. Ese estado determina cuánta lógica del producto conviene construir a su alrededor. Un equipo puede probar la experiencia, medir si resulta útil y averiguar qué tareas se benefician de la ejecución local, pero no debería suponer que un punto de entrada experimental se comportará como un contrato estable y compatible entre navegadores. Entre la llamada de JavaScript y un resultado correcto se encuentran el navegador, el sistema operativo, el hardware del dispositivo, el estado del perfil y el entorno de políticas.
Por tanto, una implementación práctica tiene tres vías: asistencia local cuando la comprobación de capacidades tiene éxito; un reintento acotado o un estado de preparación mientras el modelo termina de estar disponible; y una alternativa predecible cuando no se cumplen los requisitos. Registra esos resultados sin tratarlos como fallos intercambiables. Seguir los casos de dispositivos no compatibles, ajustes desactivados, restricciones de políticas, fallos de descarga, tiempos de espera y finalizaciones correctas proporciona al equipo evidencias sobre dónde funciona la función y dónde genera fricción. Hasta que las API maduren, esas evidencias son más valiosas que suponer que una demostración prometedora representa a todos los usuarios a los que debe atender un sitio en producción.
Dónde deberían probar primero los equipos y dónde conviene esperar
El punto de partida más seguro es una función en la que el modelo mejore un flujo de trabajo existente sin convertirse en la única forma de completarlo. La reescritura local es un buen ejemplo: el usuario puede pedir una versión más breve, clara o formal de un texto, mientras el original sigue disponible si el resultado es deficiente o el navegador no puede ejecutar el modelo. La resumición sigue el mismo patrón cuando el texto fuente completo puede permanecer visible y existe una vía alternativa en el servidor o manual. Las Writing Assistance APIs de Microsoft describen esta familia de tareas asistidas por el navegador, mientras que la Prompt API ofrece una interfaz más general para las aplicaciones que necesitan enviar prompts a un modelo de lenguaje integrado.
La clasificación y el enrutamiento también son pilotos razonables, siempre que la salida se trate como una sugerencia y no como una decisión incuestionable. Un modelo local podría ayudar a ordenar un mensaje entrante, sugerir una intención, elegir una ruta de navegación o identificar qué asistencia de accesibilidad ofrecer. Estos usos resultan atractivos porque la aplicación puede conservar la entrada y continuar con una ruta determinista cuando el modelo no está disponible o no ofrece suficiente certeza. El mismo principio se aplica a funciones ligeras de accesibilidad: un modelo en el navegador puede ayudar a producir una versión en lenguaje sencillo, una descripción breve o una presentación alternativa, pero el producto no debería descartar el contenido original ni asumir que el texto generado es correcto para todos los usuarios.
Antes de poner en producción cualquiera de estos experimentos, los equipos deberían crear un conjunto de pruebas con entradas representativas y seguras en cuanto a permisos. Ese conjunto debe abarcar textos cortos y largos, solicitudes ambiguas, contenido malformado, distintos estilos de redacción e instrucciones adversarias incrustadas en texto controlado por el usuario. Cada ejecución debe evaluarse por algo más que el hecho de devolver una respuesta. Las pruebas de calidad deberían registrar si la salida conserva el significado, sigue el formato solicitado, evita inventar detalles y continúa siendo utilizable cuando el modelo rechaza la solicitud o produce una respuesta incompleta. En clasificación y enrutamiento, el conjunto de pruebas debe incluir casos en los que la acción correcta sea dejar la entrada sin cambios o enviarla por una ruta existente en el servidor.
Las mediciones operativas importan tanto como la calidad de la redacción. Los equipos deberían medir la demora del primer uso, la latencia en sesiones posteriores, las tasas de fallo, el comportamiento de las descargas y el efecto sobre la batería o la capacidad de respuesta del dispositivo. La primera descarga del modelo y los requisitos de hardware documentados para Edge implican que una API disponible localmente no garantiza que el modelo esté disponible de inmediato para todos los visitantes. Por eso, un experimento útil registra qué ruta de capacidades se seleccionó: modelo local, implementación alternativa o ninguna mejora. También debe distinguir una respuesta genuina del modelo de un tiempo de espera agotado, una solicitud rechazada, un navegador no compatible, una restricción empresarial o un ajuste del usuario que desactive la IA en el dispositivo.
La revisión de privacidad debería comenzar por el flujo de datos, no por la suposición de que «en el dispositivo» convierte automáticamente una función en segura. La aplicación sigue decidiendo qué texto coloca en un prompt, durante cuánto tiempo conserva el original y los resultados generados, y si envía alguno de esos valores a un servidor para registrarlos o procesarlos como alternativa. El texto sensible debe gestionarse conforme a las políticas vigentes del producto, y los prompts deben separar claramente las instrucciones de la aplicación del contenido no confiable proporcionado por el usuario. Un modelo que se ejecuta localmente puede reducir la necesidad de transmitir ciertos datos de entrada, pero no elimina la necesidad de controlar cuidadosamente la conservación, el consentimiento, el acceso y las pruebas de abuso.
La alternativa del navegador debe diseñarse como un estado previsto del producto, no como una excepción escondida en el manejo de errores. Si el modelo no está disponible, la interfaz puede conservar el texto original, ofrecer una herramienta de edición convencional, utilizar una capacidad existente del servidor cuando corresponda o explicar que la mejora no está disponible. Los tiempos de espera deben tener límites claros, los reintentos no deben atrapar a los usuarios en un bucle y el texto generado debe distinguirse visualmente hasta que el usuario lo acepte. La telemetría de las alternativas puede mostrar entonces si los fallos se concentran en una versión del navegador, un sistema operativo, una capacidad del hardware, el estado de la descarga, una política o una tarea concreta.
Por ahora, esas pruebas deberían orientar la adopción. Los equipos pueden aprender mucho con pilotos de alcance reducido, resultados reversibles y una vía no basada en IA que funcione de forma fiable. Conviene esperar antes de hacer que un flujo de trabajo central dependa de Prompt API, Decisions API o funciones de escritura relacionadas mientras sus interfaces sigan siendo experimentales, estén limitadas a versiones preliminares o sujetas a requisitos de capacidad cambiantes. El umbral práctico no es que una demostración funcione en un único equipo de desarrollo, sino que la función se comporte de forma predecible en las condiciones compatibles y siga atendiendo a los usuarios cuando falte el modelo local. Aion Instruct y Prompt API convierten la inferencia en el navegador en un área viable para realizar pruebas, pero la interoperabilidad estable, una calidad medida y un comportamiento alternativo explícito deberían determinar cuándo las pruebas pasan a ser una dependencia de producción.
Comments
Sign in to comment.
No comments yet.