El reflejo ya es habitual: para resumir un contrato de cuarenta páginas, se pega su contenido en ChatGPT o se deposita en un «AI PDF summarizer». El informe Enterprise AI and SaaS Data Security Report 2025 de LayerX mide lo que cuesta ese reflejo: el 40 % de los archivos subidos a herramientas GenAI contienen datos personales (PII) o bancarios (PCI), y cerca de cuatro de cada diez de esas subidas pasan por cuentas personales, fuera de todo control de la empresa. Es el shadow AI: la herramienta no es el problema — lo es el trayecto del documento.
Las APIs de IA integrada de los navegadores invierten ese trayecto: el modelo va al documento, no al revés. Esto es lo que este enfoque permite concretamente sobre un PDF hoy — y lo que todavía no permite.
Tres capacidades, dos tecnologías
En el catálogo público de Document Flare, tres herramientas clasificadas como «IA» comparten la misma frontera de confianza: todo el cálculo se hace en el dispositivo.
Resumir (/es/tools/summarize-pdf) se apoya en la API Summarizer de Chrome y Edge 138+ — el modelo del navegador (Gemini Nano o Phi según la configuración). El texto del PDF se extrae página a página con pdf.js, se divide en fragmentos de unos 15 000 caracteres y se resume mediante un mecanismo map-reduce: cada fragmento se sintetiza, y luego la concatenación de los resúmenes se resume a su vez hasta caber en la ventana del modelo. Dos formatos a elegir — puntos clave o tl;dr — y tres longitudes. La salida es un archivo Markdown descargable; el PDF nunca se modifica. Modo de empleo completo: resumir un PDF con una IA local.
Traducir (/es/tools/translate-pdf) utiliza la API Translator, misma familia, mismo prerrequisito de navegador. Siete idiomas en el selector (francés, inglés, español, árabe, alemán, italiano, portugués), con detección automática del idioma de origen cuando la API LanguageDetector está disponible. La salida es un texto bruto exportado página a página — la maquetación no se conserva. Detalles en el artículo traducir un PDF sin nube.
Búsqueda semántica (/es/tools/semantic-search) descansa sobre una tecnología diferente: Transformers.js y ONNX Runtime Web. El modelo paraphrase-multilingual-MiniLM-L12-v2 (variante cuantizada q8, ~115 MiB) transforma pasajes y consulta en vectores, calculados por WebGPU cuando está disponible, WASM en caso contrario. La clasificación de los pasajes por similitud de coseno permite encontrar «plazo de pago» donde el contrato dice «pago en un plazo de 30 días». Ver la búsqueda semántica local.
Lo que realmente circula por la red
«Local» no significa «cero peticiones», y conviene ser preciso sobre lo que circula:
- El modelo se descarga una vez. Para la búsqueda semántica, unos 115 MiB desde Hugging Face, desencadenados únicamente por tu clic en el botón de activación — la interfaz anuncia el peso antes de lanzarla. Para el resumen y la traducción, el navegador gestiona él mismo la descarga de su modelo. Son flujos servidor → equipo.
- El documento nunca sale. El texto extraído, los embeddings, la consulta: todo permanece en memoria en el dispositivo. Ninguna petición POST transporta el PDF ni su contenido.
- Después, sin conexión. El modelo de búsqueda semántica se sirve desde la caché del navegador en los usos siguientes; los binarios de ONNX Runtime están autoalojados en lugar de cargarse desde un CDN. Un modelo en caché hace que la herramienta sea utilizable sin conexión.
Puedes reproducirlo: abre la pestaña Red de las herramientas de desarrollo (F12), activa «Preserve log», suelta un PDF y lanza la indexación. En el primer uso aparecen descargas desde huggingface.co — únicamente entrantes. Ninguna petición sale con tu documento. El protocolo completo se describe en nuestra prueba de tráfico de red (artículo disponible en francés).
Para quién cuenta esta frontera
El resumen local no es una curiosidad técnica: es la única respuesta limpia al shadow AI para los documentos regulados. Un abogado que resume conclusiones de la parte contraria, un médico ante un informe, un servicio de RRHH ante un expediente disciplinario, un DPO que evalúa un contrato de subcontratación — en cada caso, la cuestión no es «¿es fiable la IA?» sino «¿a quién se ha confiado el documento?». Con un modelo en el dispositivo, no hay destinatario: ni subcontratista que contractualizar, ni DPA que firmar, ni prompt que persista en un historial de terceros. Los artículos dedicados a los datos de salud, a RRHH y a los DPO detallan cada marco.
Los límites, sin ocultarlos
- El resumen y la traducción exigen Chrome o Edge 138+. La API no existe ni en Firefox ni en Safari; incluso en Chrome,
availability()puede responder no disponible según la región, la política de empresa o los flags. El panel lo muestra honestamente en lugar de producir un resultado falso. - Un modelo pequeño no es un modelo grande. Gemini Nano funciona en tu navegador precisamente porque es compacto: espera síntesis correctas, no el análisis fino de un modelo remoto cien veces mayor. Para una negociación crítica, el resumen sirve de filtro, no de conclusión.
- La búsqueda semántica tiene un coste de entrada real: ~115 MiB que descargar, RAM para el índice en memoria (no persistido), tiempo de cálculo proporcional al documento.
- Capa de texto obligatoria en todas partes. Un escaneo sin texto extraíble no puede ser resumido, ni traducido, ni indexado. El OCR local (Tesseract WASM, cinco idiomas) extrae el texto en un archivo
.txt— no reinyecta una capa de texto en el PDF, pero te da una materia que luego puedes explotar. - Un solo archivo, 50 MiB, 1 000 páginas para las tres herramientas — son cotas de memoria, no cuotas comerciales.
La continuación lógica: documentar en lugar de prometer
La IA documental local es joven — las APIs del navegador siguen evolucionando. Lo que no cambiará: la frontera de confianza se verifica en la pestaña Red, no en una página de marketing. Es el mismo hilo conductor que en el artículo pilar sobre las herramientas PDF sin subida: cuando el cálculo se hace en tu equipo, la promesa se vuelve observable.
