Jan AI, la alternativa local y privada a ChatGPT

Portada » Internet » Jan AI, la alternativa local y privada a ChatGPT

Si llevas tiempo trasteando con ChatGPT, Gemini, Claude o Mistral, seguramente te hayas preguntado alguna vez si existe una forma de usar inteligencia artificial potente sin tener que enviar cada mensaje a la nube. Ahí es donde entra en juego Jan, una herramienta que está dando mucho que hablar porque permite tener un asistente tipo ChatGPT, pero instalado en tu propio ordenador y funcionando en local.

Esta propuesta combina lo mejor de los dos mundos: la comodidad de un chat de IA con interfaz moderna y la tranquilidad de saber que tus textos, documentos y archivos no salen de tu máquina salvo que tú quieras expresamente conectarte a servicios externos. Vamos a ver con calma qué es Jan, cómo funciona, qué modelos puedes usar, qué hardware necesitas y por qué se está convirtiendo en una de las alternativas más serias a ChatGPT para quienes valoran la privacidad.

Qué es Jan AI y por qué se habla de ella como alternativa a ChatGPT

Jan es, en esencia, una aplicación de escritorio de código abierto que convierte tu PC en una especie de “estación de trabajo” de inteligencia artificial. En lugar de entrar en una web como la de ChatGPT y hablar con un modelo alojado en servidores de OpenAI, con Jan descargas la app, eliges uno o varios modelos de lenguaje y los ejecutas directamente en tu ordenador, sin depender de la nube.

Esta herramienta está disponible para Windows, macOS (Intel y Apple Silicon) y Linux, y se basa en un motor propio llamado Cortex, construido sobre tecnologías como llama.cpp, que se encarga de ejecutar los modelos en tu CPU o GPU. Por encima de ese motor tienes una interfaz muy parecida a la de cualquier chatbot moderno: lista de chats a la izquierda, área de conversación en el centro y controles y ajustes del modelo a la derecha.

Su filosofía se sostiene en tres pilares muy claros: apertura, privacidad y control total del usuario. El código está publicado en GitHub bajo licencia Apache 2.0, lo que permite que la comunidad audite, mejore y extienda el proyecto; todo el procesamiento se hace en tu equipo, de forma que las conversaciones, documentos y datos no se suben a ningún servidor salvo que tú lo decidas; y eres tú quien escoge qué modelos utilizar, qué datos cargar y cuándo borrarlo todo.

En la práctica, esto significa que puedes tener una experiencia muy parecida a la de ChatGPT, Claude o Gemini, pero en un entorno 100% offline y sin suscripciones mensuales. El límite lo marcan tu hardware y el tamaño de los modelos que quieras ejecutar, no las políticas de una empresa ni el número de mensajes que envíes al mes.

Ventajas de usar LLM locales: privacidad, coste y control

Uno de los motivos por los que Jan está ganando popularidad es porque responde a una preocupación creciente: la protección de los datos que enviamos a la nube. Cada vez que escribes un prompt en ChatGPT o en cualquier otro servicio online, esa información pasa por servidores externos que pueden registrar métricas, usarse para mejorar modelos o quedar expuestos si hay una brecha de seguridad.

Con Jan, todo ese flujo se corta de raíz, ya que el modelo se ejecuta por completo en tu máquina, incluso en entornos sin internet. Esto es especialmente interesante en sectores donde la confidencialidad es crítica: abogados que revisan contratos sensibles, equipos médicos que discuten casos de pacientes, empresas que trabajan con código propietario o documentación interna que no puede salir de su red.

Además de la privacidad, hay un argumento económico nada despreciable. Los servicios de IA en la nube suelen cobrar por uso, normalmente por millón de tokens procesados. Puede parecer poco a nivel individual, pero a poco que lo uses de forma intensiva o en equipos grandes, la factura se dispara. Con Jan, el modelo se descarga una vez y puedes generar todas las respuestas que quieras sin coste adicional, más allá de tu hardware y la electricidad.

Otro punto clave es el control sobre el comportamiento del modelo. En los servicios en la nube estás sujeto a filtros, políticas de contenido y cambios repentinos cuando el proveedor actualiza la versión del modelo. En Jan, si hoy un modelo te funciona, mañana se seguirá comportando igual salvo que tú decidas cambiarlo. Puedes ajustar parámetros como temperatura, top-p o longitud de contexto y experimentar sin las restricciones típicas de las plataformas comerciales.

Instalación de Jan AI en Windows, macOS y Linux

Uno de los puntos fuertes de Jan es que no está pensada solo para usuarios avanzados; la idea es que cualquiera pueda instalarla y empezar a usarla sin volverse loco con configuraciones raras. El proceso es muy parecido en todos los sistemas, con instaladores estándar y opciones para diferentes tipos de usuario.

En Windows, puedes descargar un instalador .exe desde la web oficial o desde la página de releases de GitHub. En macOS tienes disponible un archivo .dmg tanto para equipos Intel como para la familia Apple Silicon (M1, M2, M3), y en Linux se ofrecen formatos como .deb, AppImage e incluso soporte reciente para Flatpak, lo que facilita bastante la instalación en distribuciones populares.

En el caso de Linux, si usas una distribución basada en Debian o Ubuntu, puedes instalar Jan con un paquete .deb mediante el clásico comando:

sudo dpkg -i jan-linux-amd64-{version}.deb

Y si prefieres algo más portátil y sin depender del gestor de paquetes, la opción AppImage permite ejecutar Jan sin “instalarla” realmente. Basta con dar permisos de ejecución y abrir el archivo:

chmod +x jan-linux-x86_64-{version}.AppImage
./jan-linux-x86_64-{version}.AppImage

En cuanto a requisitos, Jan es relativamente flexible. La app en sí ocupa alrededor de 500 MB y se recomienda disponer de al menos 8 GB de RAM y una CPU moderna con soporte AVX2 (algo habitual desde 2013). Para ir más holgado y usar modelos más grandes, lo ideal es moverse en el rango de 16 GB de RAM o más, y si cuentas con una GPU dedicada, el rendimiento mejora de forma muy notable.

Primeros pasos: interfaz, modelo rápido y experiencia de uso

La primera vez que abres Jan te encuentras con una interfaz limpia, en inglés, pero muy intuitiva. Nada más arrancar, la aplicación ofrece una especie de “inicio rápido” con el modelo propio de Jan, etiquetado como “Quick start with Jan Model”. Esta opción permite empezar a chatear sin tener que decidir inmediatamente qué modelo descargar del catálogo.

Al pulsar sobre esa opción, Jan descarga automáticamente un LLM generalista preconfigurado, pensado para responder bien a tareas habituales: redactar textos, resumir, reescribir, traducir o contestar preguntas de cultura general. No es el modelo más potente del mundo, pero sí bastante equilibrado en relación consumo-calidad de respuesta, y funciona de forma fluida en ordenadores con recursos moderados.

En la ventana de chat, además de la caja donde escribes tus prompts, verás varios iconos útiles: uno para subir imágenes y aprovechar capacidades de visión (analizar una foto, comentar un diseño, extraer información visual), otro para adjuntar documentos como PDF o Word y que el modelo los pueda leer, y un interruptor para activar la búsqueda web, de modo que el asistente complemente la respuesta con información actualizada cuando tengas conexión.

La interfaz organiza tus conversaciones en una columna lateral, de forma similar a ChatGPT, permitiéndote abrir chats distintos con diferentes modelos y configurar cada hilo por separado. En la columna derecha, bajo “Thread settings”, puedes cambiar el título del chat, modificar las instrucciones del asistente (por ejemplo, forzarle a hablar siempre en español) y ajustar parámetros de inferencia como temperatura, top-k o el tamaño máximo del contexto.

En equipos modestos -por ejemplo, un Mac mini con chip M2, 8 GB de RAM y 256 GB de almacenamiento– la app base se mueve fluida, pero los modelos más pesados pueden hacer que el sistema se note algo más perezoso mientras el LLM genera texto. En esas situaciones, conviene optar por modelos ligeros o reducir la longitud de contexto y los parámetros más exigentes para no saturar la memoria.

Modelos locales en Jan: qué puedes descargar y qué necesitas

El corazón de Jan está en su pestaña “Hub”, donde se concentran los modelos que puedes descargar para ejecutar en local. Desde ahí verás un listado organizado con recomendaciones, modelos más descargados (“Most downloaded”) y novedades (“Newest”), junto con tarjetas que muestran nombre, tamaño, autor, número de descargas y una breve descripción.

Todos estos modelos locales se distribuyen en formato GGUF, diseñado para su uso offline y optimizado para funcionar bien en CPUs y GPUs de consumo. Cuando pulsas el botón “Download” en cualquiera de ellos, Jan empieza a descargar el archivo a tu disco; una vez terminado el proceso, el modelo queda disponible para su uso sin necesidad de conexión a internet.

Uno de los más ligeros que verás en la parte alta del listado es Llama-3.2-Instruct-Q8_0-GGUF, una variante con alrededor de 1.000 millones de parámetros. Está afinada para seguir instrucciones sencillas, consume muy poca RAM y arranca rápido, lo que la hace ideal para ordenadores sin demasiada potencia. Suele manejarse bien con preguntas directas, resúmenes breves y explicaciones básicas, pero se nota su límite cuando se le piden razonamientos complejos, código elaborado o textos muy extensos.

Otro candidato interesante es DeepSeek-R1-Distill-Qwen-1.5B-GGUF, una destilación ligera de la familia DeepSeek basada en Qwen con 1,5B de parámetros. Mantiene un tamaño contenido y se comporta especialmente bien en tareas de razonamiento y explicaciones un poco más largas, con tiempos de respuesta razonables incluso sin una GPU potente. Es una buena opción si quieres algo un pelín más capaz que Llama 3.2 pero sigues limitado por la memoria RAM.

En el terreno de modelos pequeños pero sorprendentes está Phi-3.5-Mini-Instruct-GGUF, uno de los LLM compactos de Microsoft con mejor reputación para uso general. A pesar de lo de “Mini”, responde con mucha soltura en conversación, escritura creativa y explicación de conceptos, y con un peso de unos 1,9 GB resulta asequible para equipos con 16 GB de RAM. Eso sí, consume algo más que las opciones anteriores.

Si tu hardware lo permite, puedes subir un escalón con Phi-4-Mini-Instruct-GGUF, que mejora la coherencia en contextos largos y el razonamiento en diálogos extendidos. Aquí ya se agradecen más de 16 GB de RAM para que el sistema no se quede sin aliento, pero la sensación se acerca bastante a un modelo “de gama media-alta” para uso local.

Por último, entre los modelos más exigentes destaca Mistral-Nemo-Instruct-2407-GGUF, una cuantización de un modelo de Mistral pensado para tareas de programación, razonamiento y manejo de contextos largos. Ocupa alrededor de 7 GB y se lleva mucho mejor con equipos de 32 GB de RAM y GPU dedicada. A cambio, la calidad que ofrece en código, lógica y comprensión de documentos extensos se acerca bastante a lo que esperarías de modelos comerciales de alto nivel.

La clave está en encontrar el equilibrio entre tamaño del modelo, recursos de tu equipo y tipo de tareas que quieres resolver. Si solo vas a tomar notas, resumir PDFs o generar borradores de textos, con modelos compactos basta. Si quieres hacer análisis complejos, razonamiento avanzado o programación seria en varios archivos, te compensará apostar por variantes más grandes y potentes.

Modelos online: usar GPT, Gemini o Claude desde Jan

Aunque el foco de Jan está claramente en el uso local, la aplicación también puede actuar como cliente unificado para modelos en la nube. Desde la sección de “Settings” y el apartado “Model Providers” puedes configurar proveedores como OpenAI, Azure, Anthropic, Mistral o Google Gemini introduciendo sus respectivas API keys.

El proceso es sencillo: eliges el proveedor, rellenas el campo de API key con la clave que obtengas en la web oficial del servicio y, en la mayoría de casos, no tienes que tocar la URL base porque viene ya predefinida. Debajo de esos campos verás el listado de modelos disponibles para ese proveedor: en el caso de OpenAI, por ejemplo, aparecen gpt-5, gpt-5-mini, gpt-4.1, gpt-4o y otras variantes.

Una vez guardada la configuración, bastará con seleccionar el modelo desde Jan y abrir un chat nuevo usando ese “cerebro” remoto. Desde el punto de vista del usuario, no cambia demasiado respecto a un modelo local: sigues usando la misma interfaz, puedes adjuntar archivos o imágenes y, si lo deseas, combinar sesiones online y offline según lo que te interese en cada momento.

La diferencia fundamental, claro, es que en este caso sí hay costes por uso y dependencia total de la conexión a internet. Jan no añade ningún recargo, solo actúa como intermediario, pero el consumo se factura según las tarifas del proveedor (normalmente, por millón de tokens). Lo razonable es reservar estos modelos para tareas donde realmente marcan la diferencia: razonamiento profundo, proyectos de programación compleja, generación de código en varios archivos o trabajos que exijan el máximo rendimiento posible.

Para el uso diario -notas, borradores, resúmenes, ideación de contenidos- suele ser más que suficiente con modelos locales, que ofrecen privacidad total y no generan ningún coste variable. Puedes combinar ambos mundos con mucha libertad, lo que hace que Jan sea una navaja suiza bastante práctica para cualquiera que trabaje a diario con IA.

API local compatible con OpenAI y uso en otras aplicaciones

Otro aspecto que convierte a Jan en algo más que un simple “chat” es su servidor de API local compatible con el estándar de OpenAI. En la esquina inferior izquierda de la app encontrarás la opción “Local API Server”, y también puedes gestionarla desde Settings > Local API Server. Al activarla, Jan expone un endpoint en tu máquina, normalmente en http://localhost:1337, que acepta peticiones en el mismo formato que la API de OpenAI.

Esto significa que cualquier herramienta, script o aplicación que ya funcione con la API de OpenAI se puede adaptar a Jan prácticamente cambiando la URL base y la clave. La clave es local y la eliges tú (puede ser literalmente “local” o cualquier cadena), ya que solo sirve para autenticar peticiones dentro de tu propio entorno.

Un ejemplo sencillo en Python sería algo como esto, cambiando la configuración del cliente para apuntar al servidor local de Jan en lugar de a la nube de OpenAI, mientras sigues usando métodos como chat.completions.create o similares:

from openai import OpenAI
client = OpenAI(
  base_url="http://localhost:1337/v1",
  api_key="local"
)
response = client.chat.completions.create(
  model="mistral-7b-instruct",
  messages=[{"role": "user", "content": "Explain quantum computing"}]
)
print(response.choices[0].message.content)

Gracias a esta API, es posible integrar los modelos locales de Jan con editores de código, herramientas de productividad, aplicaciones web o flujos de trabajo internos. Por ejemplo, extensiones como Continue.dev para VS Code pueden apuntar a tu endpoint de Jan para ofrecer asistencia de código similar a GitHub Copilot, pero utilizando un modelo que se ejecuta en tu propio ordenador y sin pagar suscripciones.

Para desarrolladores y empresas, esto abre la puerta a desplegar soluciones de IA en entornos aislados (“air-gapped”), donde por política no se permite que aplicaciones críticas tengan acceso directo a internet. Jan se convierte en la pieza que aporta capacidades de lenguaje natural, pero sin sacar datos al exterior.

Requisitos, rendimiento y casos de uso recomendados

Aunque Jan está bastante optimizado, conviene ser realista con lo que tu equipo puede manejar. Para un uso cómodo con modelos ligeros, una máquina con 8 GB de RAM y CPU moderna suele bastar, pero si quieres trabajar con modelos de 7B parámetros o más, agradecerás tener al menos 16 GB o incluso 32 GB en el caso de variantes más pesadas como Mistral Nemo.

En Linux, los requisitos mínimos suelen pasar por una CPU de 2.0 GHz tipo Intel Core i3 o equivalente, 4 GB de RAM y unos 10 GB de almacenamiento libre, aunque si planeas descargar varios modelos potentes, es mejor reservar del orden de 50 GB para ir holgado. Una GPU dedicada o integrada moderna puede acelerar enormemente las respuestas, pero no es estrictamente imprescindible para empezar.

En cuanto a casos de uso, Jan encaja especialmente bien cuando necesitas garantizar privacidad y control. Si gestionas documentación interna, informes, propuestas comerciales, contratos o cualquier tipo de información delicada, tener la seguridad de que nada se sube a servidores externos es un plus enorme. También es ideal en escenarios con conexión limitada o inexistente: viajes largos, entornos con red restringida o equipos en los que por política no se permite el acceso a servicios en la nube.

Más allá del ámbito profesional, también es una opción muy interesante para usuarios avanzados, desarrolladores o defensores del software libre que quieren experimentar con modelos abiertos como Llama 3, Mistral, Qwen, Gemma o las familias Phi, ajustarlos, crear asistentes personalizados o probar configuraciones sin depender del ciclo de actualizaciones de terceros.

Si lo que buscas es simplemente chatear de vez en cuando y no te preocupa tanto dónde acaban tus datos, seguir usando ChatGPT o Gemini puede ser más que suficiente. Pero si en tu día a día manejas información que no quieres ver rondando por servidores ajenos, o quieres reducir sustos con facturas por uso, montar tu propio “ChatGPT local” con Jan es una alternativa muy sólida.

Al final, Jan se ha ganado un hueco entre las alternativas a ChatGPT porque combina una interfaz familiar, soporte para modelos punteros abiertos, funcionamiento offline, integración mediante API y una filosofía clara de privacidad y código abierto. Para muchos usuarios, es justo el tipo de herramienta que necesitaban para aprovechar la IA moderna sin ceder el control de sus datos ni atarse a una suscripción mensual.