- OpenAI ha adquirido decenas de miles de Mac mini y Mac Studio para aprendizaje por refuerzo.
- La memoria unificada de Apple Silicon es clave para agentes que interactúan con interfaces.
- La demanda ha provocado retrasos en las entregas y ha llevado a Apple a adelantar la renovación de sus equipos.
- Nvidia ya ve a Apple como un competidor en el procesamiento local de IA.
La inteligencia artificial está cambiando la forma en que las empresas conciben su infraestructura. Mientras la mayoría de los laboratorios se pelean por las GPU de Nvidia, OpenAI ha tomado un camino inesperado: ha comprado decenas de miles de Mac mini y Mac Studio de Apple para entrenar a sus agentes de IA. Según un informe de The Information, la operación, que no ha sido confirmada oficialmente, estaría destinada a tareas de aprendizaje por refuerzo y a sistemas capaces de manejar interfaces gráficas como si fueran humanos.
Esta decisión no solo sorprende por el cambio de estrategia, sino porque pone sobre la mesa una pregunta incómoda para los gigantes del hardware: ¿realmente se necesitan clústeres de GPU para todo? La respuesta, al menos en este caso, parece ser que no. Los Mac mini, con su memoria unificada y su bajo consumo, se han convertido en una herramienta valiosa para un tipo de entrenamiento muy concreto, y su demanda ha llegado a afectar a la cadena de suministro de Apple.
OpenAI apuesta por los Mac mini para entrenar agentes de IA
El informe de The Information, recogido por medios como Cult of Mac, Moneycontrol y 24/7 Wall St., detalla que OpenAI habría adquirido decenas de miles de equipos Mac mini y Mac Studio en los últimos meses. El objetivo no es entrenar un modelo de lenguaje al uso, sino agentes de ‘computer use’, es decir, sistemas que aprenden a navegar por ventanas, hacer clic, rellenar formularios y ejecutar tareas complejas dentro de un sistema operativo. Para ello, el aprendizaje por refuerzo es fundamental: el agente interactúa con una pantalla real, recibe recompensas o penalizaciones según sus acciones y ajusta su comportamiento en consecuencia.
Este tipo de entrenamiento no requiere el paralelismo masivo de un clúster de GPU y datacenters, pero sí una memoria abundante y un sistema operativo real sobre el que ejecutar miles de simulaciones. Aquí es donde entra la arquitectura de memoria unificada de los chips de Apple. La CPU, la GPU y el Neural Engine comparten el mismo pool de memoria, lo que reduce los cuellos de botella cuando el modelo debe mantener representaciones de la pantalla, instrucciones y estados intermedios. Según los reportes, esta característica es clave para que las sesiones de entrenamiento sean más rápidas y efectivas.
Además, la compra no es exclusiva de OpenAI. Anthropic, otra empresa puntera en IA, ha optado por alquilar capacidad de Mac mini a través de Amazon Web Services, según la misma fuente. Esta bifurcación de estrategias —compra directa frente a alquiler bajo demanda— muestra que el hardware de Apple se está integrando en los centros de datos de IA de una manera que nadie esperaba hace un año.
La memoria unificada, clave en esta decisión
La memoria unificada es, sin duda, el factor que ha inclinado la balanza hacia Apple. En los Mac mini y Mac Studio, la memoria no está separada entre CPU y GPU, sino que es compartida. Esto permite que los datos se muevan mucho más rápido entre los distintos componentes, algo esencial para la inferencia de modelos y para el aprendizaje por refuerzo. Los agentes de IA necesitan conservar el contexto de lo que ocurre en pantalla, y esa memoria compartida facilita el manejo de información que cambia constantemente.
Otro aspecto a tener en cuenta es el coste. Un Mac mini con chip M6 cuesta 899 dólares, mientras que un servidor con GPU puede costar decenas de miles. Aunque la comparación no es directa, para tareas específicas como el entrenamiento de agentes, una flota de miles de Mac mini puede resultar más económica que alquilar capacidad en la nube durante largos periodos. Además, el consumo energético es mucho menor, lo que también reduce los costes operativos.
No obstante, no todo son ventajas. La gestión de una flota de decenas de miles de equipos requiere una infraestructura de administración compleja. Coordinar experimentos, mantener el software actualizado y distribuir las cargas de trabajo no es tarea fácil. Aun así, los laboratorios de IA parecen dispuestos a asumir ese reto, lo que indica que los beneficios superan a los inconvenientes.
Apple renueva su gama Mac mini y Mac Studio
La demanda de estos equipos ha sido tan alta que ha provocado tensiones en la cadena de suministro. Algunas configuraciones con mucha memoria llevan meses agotadas, y los plazos de entrega se han alargado varias semanas. Para hacer frente a esta situación, Apple adelantó su calendario de renovación y presentó el 25 de agosto de 2026 los nuevos Mac mini y Mac Studio, con chips M6, M5 Pro, M5 Max y M5 Ultra.
El Mac mini M6, por ejemplo, incluye una CPU de 12 núcleos, una GPU de 12 núcleos y un doble Neural Engine de 16 núcleos. Apple asegura que el rendimiento en IA es hasta cuatro veces superior al del M4, y que la velocidad de procesamiento de prompts de LLM es 4,8 veces mayor. La memoria unificada parte de 16 GB y puede ampliarse a 32 GB, con un ancho de banda de 170 GB/s. Por su parte, el Mac mini con M5 Pro ofrece hasta 64 GB de memoria y 307 GB/s de ancho de banda, pensado para cargas más exigentes.
Los precios de partida son de 899 dólares para el Mac mini M6 y de 1.699 dólares para el M5 Pro. El Mac Studio, con M5 Max y M5 Ultra, arranca en 2.499 y 5.499 dólares respectivamente. Los envíos comenzarán el 22 de septiembre con macOS 27 ‘Golden Gate’ preinstalado. Johny Srouji, jefe de hardware de Apple, ha destacado que el Mac mini puede ser un ‘dispositivo agéntico siempre encendido’, una frase que deja entrever el nuevo enfoque de la compañía hacia la IA.
Implicaciones para el mercado y la industria
Este movimiento de OpenAI no solo afecta a Apple, sino también a Nvidia. Según los reportes, Nvidia ya ha empezado a considerar a Apple como un competidor significativo en el procesamiento local de IA. Aunque Nvidia sigue dominando el entrenamiento de modelos de frontera, la aparición de una alternativa más económica y eficiente para ciertas cargas de trabajo podría cambiar las reglas del juego. Los analistas señalan que la competencia ya no se limita a los clústeres de GPU, sino que se extiende a sistemas donde la memoria compartida y el coste total importan tanto como el rendimiento bruto.
En cuanto a Apple, su negocio Mac ha experimentado un crecimiento notable. Los ingresos de esa división alcanzaron los 10.400 millones de dólares en el último trimestre, un 29% más que el año anterior. Aunque no se puede atribuir todo ese aumento a los pedidos de OpenAI, la demanda institucional de Mac mini y Mac Studio ha contribuido sin duda a este resultado. La compañía no ha confirmado oficialmente la compra, pero los plazos de entrega y la renovación anticipada sugieren que la presión es real.
Para los desarrolladores y startups europeas, esta noticia abre nuevas posibilidades. Alquilar capacidad de Mac mini a través de AWS, como hace Anthropic, puede ser una forma de bajo riesgo para experimentar con agentes de IA sin necesidad de comprar hardware. Además, el precio de los nuevos Mac mini los convierte en una opción atractiva para equipos pequeños que quieran ejecutar modelos locales sin depender de la nube. Eso sí, conviene tener en cuenta que la cadena de suministro de memoria está tensionada, por lo que es recomendable planificar los pedidos con antelación.
En definitiva, la compra de decenas de miles de Mac mini por parte de OpenAI es un movimiento que ha sacudido los cimientos de la industria de la IA. No solo demuestra que el hardware de consumo puede tener un papel relevante en el entrenamiento de agentes, sino que también ha obligado a Apple a acelerar su renovación y a Nvidia a mirar con atención a un nuevo competidor. Aunque la operación no esté confirmada oficialmente, los efectos ya se notan en el mercado, y es probable que veamos más movimientos de este tipo en el futuro. La IA ya no depende solo de los grandes clústeres de GPU; los pequeños ordenadores de escritorio también tienen algo que decir.
