IA directamente en el dispositivo: qué son las Agent Skills y por qué cambian el desarrollo móvil
Durante años, la inteligencia artificial en aplicaciones móviles significaba una sola cosa: hacer una llamada a una API en la nube, esperar la respuesta y mostrar el resultado. Ese modelo funciona bien cuando hay buena conexión. Pero en Perú y gran parte de Latinoamérica, esa condición no siempre se cumple. En julio de 2026, Google presentó en I/O Connect una propuesta que cambia esa ecuación de raíz.
El equipo de Google AI Edge mostró cómo es posible correr modelos de lenguaje grande (LLMs) directamente en el dispositivo del usuario, sin conexión a internet, sin enviar datos a servidores externos, y con un nuevo mecanismo llamado agent skills que le permite al modelo adquirir nuevas capacidades de forma dinámica. Esto no es un concepto experimental: ya está funcionando en Android, iOS, web, desktop y dispositivos IoT.
En este artículo te explico qué es el stack de Google AI Edge, cómo funcionan las agent skills, y por qué esto es especialmente relevante para empresas y desarrolladores en nuestra región.
El stack de Google AI Edge: de modelo crudo a app lista para producción
Google AI Edge no es una sola herramienta, es un pipeline completo. Empieza con la preparación del modelo: LiteRT Torch convierte el modelo al formato que necesita el runtime local, y el Edge Quantizer lo comprime para que quepa en la memoria de un dispositivo móvil sin sacrificar calidad de respuesta.
Una vez preparado el modelo, entra en acción LiteRT, el motor de ejecución central que corre modelos de ML clásicos y generativos sobre CPU, GPU y NPU. Para los LLMs específicamente, existe una capa dedicada llamada Lite LLM APIs que maneja automáticamente cosas como el KV caching, la gestión del contexto y los loops de generación de texto. El desarrollador se desentiende de esa complejidad y se enfoca en la experiencia del usuario.
Para testing, Edge Portal permite correr benchmarks del modelo en una flota de dispositivos físicos reales antes de publicar, y Model Explorer permite depurar visualmente la arquitectura del modelo. Es un stack pensado para llevar IA a producción con seriedad, no solo para hacer demos.
Agent Skills: darle un manual de instrucciones al modelo
El concepto más interesante de la presentación no fue el modelo en sí, sino las agent skills. Una skill es básicamente un directorio con tres componentes: instrucciones en formato markup (el equivalente a un manual de onboarding), código ejecutable determinístico, y materiales de referencia como HTML o assets de UI.
La analogía que usaron los presentadores es perfecta: es como el manual que le das a un empleado nuevo para que sepa exactamente cómo manejar ciertos tipos de solicitudes. El modelo lee la skill, entiende qué puede hacer con ella, y la invoca cuando el contexto lo requiere mediante una función call.
El demo en vivo fue muy ilustrativo. El usuario le pidió al modelo que organizara su tarde: preparar la cena, ver los highlights del Mundial y preparar una presentación. El modelo reconoció que necesitaba la skill de task planner y timer, la cargó dinámicamente, ejecutó la función correspondiente y renderizó una UI con timers funcionales, todo corriendo localmente en el teléfono. Sin una sola llamada a la nube.
Las skills resuelven tres problemas concretos: eliminan la necesidad de repetir instrucciones largas en cada prompt, permiten que el modelo descubra capacidades nuevas en tiempo real, y le dan acceso a conocimiento de dominio específico que no estaba en su entrenamiento original.
¿Cómo aplica esto en empresas y proyectos en Perú y LATAM?
Para quienes desarrollamos aplicaciones móviles empresariales en nuestra región, la IA on-device resuelve problemas muy concretos que enfrentamos a diario.
El primero es la conectividad intermitente. En zonas rurales, almacenes, plantas industriales o durante viajes, una app que depende de una API en la nube simplemente deja de funcionar. Con IA on-device, la experiencia es la misma con o sin señal.
El segundo es la privacidad de datos sensibles. En sectores como salud, finanzas o recursos humanos, los datos del usuario no pueden salir del dispositivo por regulación o por política interna. El procesamiento local elimina ese riesgo de raíz, sin necesidad de arquitecturas complicadas de anonimización.
El tercero es el costo operativo. Cada llamada a una API de IA tiene un costo. Para apps con muchos usuarios activos o con uso intensivo de IA, ese costo puede escalar rápidamente. Mover el cómputo al dispositivo del usuario puede reducir o eliminar ese gasto de infraestructura.
Y para equipos que trabajan con Flutter, el stack de LiteRT ya incluye plugins nativos para desarrollo híbrido, lo que significa que una misma implementación puede correr en Android e iOS sin duplicar esfuerzo.
¿Cómo aplica esto en tu empresa?
Si estás desarrollando o planificando una app móvil con funcionalidades de IA, estas son las acciones concretas que recomiendo evaluar hoy:
- Identifica qué funciones de IA en tu app realmente necesitan la nube y cuáles podrían correr localmente. No todo tiene que migrarse, pero hay casos de uso donde el beneficio es inmediato.
- Evalúa el modelo Gemma 2B como punto de partida. Es el modelo que usaron en el demo, es open source, y está optimizado para correr en dispositivos móviles con recursos limitados.
- Diseña tus primeras skills alrededor de las instrucciones repetitivas que hoy metes en cada prompt. Si tienes un asistente interno que siempre necesita el mismo contexto de negocio, eso es candidato inmediato a convertirse en una skill.
- Usa el Colab de Google como punto de entrada para experimentar sin necesidad de configurar un entorno complejo desde cero. El equipo de Google AI Edge lo publicó como parte del workshop de I/O Connect '26.
- Mide el impacto en latencia y costo antes de comprometerte con una arquitectura. El Edge Portal permite hacer benchmarks reales en dispositivos físicos antes de publicar.
La IA on-device no reemplaza a la IA en la nube para todos los casos. Pero para muchos proyectos móviles en nuestra región, puede ser la diferencia entre una app que funciona bien y una que funciona siempre.
Conclusión
El stack de Google AI Edge y el concepto de agent skills representan un paso importante hacia una IA más accesible, privada y económicamente viable para aplicaciones móviles. En un contexto como el peruano y latinoamericano, donde la conectividad no siempre está garantizada y los costos de infraestructura importan, esta arquitectura merece atención seria de parte de cualquier equipo de desarrollo.
En Consultoría-Ti trabajamos con equipos que están tomando decisiones de arquitectura móvil hoy, y este es exactamente el tipo de tecnología que evaluamos para proyectos con Flutter y desarrollo empresarial. Si estás considerando integrar IA en tu app y quieres entender qué arquitectura tiene más sentido para tu caso específico, conversemos.
👉 Contáctanos en Consultoría-Ti y analizamos juntos tu proyecto.
Fuentes y Referencias
Google for Developers — Create agent skills for on-device generative AI (I/O Connect '26)
✨ Contenido generado con ContentFlow — Consultoría-Ti