Los smartphones con capacidad de GenAI van camino de alcanzar el 45% de los envíos globales en 2026, frente al 36% de un año antes (Counterpoint Research, GenAI Smartphone Share Forecast 2026), y casi todos dependen de un modelo de lenguaje pequeño que se ejecuta localmente en una unidad de procesamiento neuronal. Los propios modelos se han reducido para caber: el modelo de base de Apple en el dispositivo concentra unos 3 mil millones de parámetros en 2 bits por peso (Apple Machine Learning Research, Foundation Models 2025 Updates), y Gemma 3n E2B de Google funciona con apenas 2GB de memoria (Google Developers Blog, Gemma 3n Developer Guide 2025). El silicio avanza igual de rápido, con Qualcomm presumiendo de hasta 220 tokens por segundo en su NPU Hexagon más reciente. Agregamos datos de Counterpoint Research, Gartner, IDC, MLCommons, Apple, Google, Qualcomm, MediaTek, Meta, Microsoft, Deloitte y Samsung para mapear dónde están los SLM en el dispositivo en 2026. Para el panorama más amplio del hardware, consulta nuestro resumen de estadísticas de IA en el borde.
TL;DR
- El 45% de los smartphones enviados en 2026 tendrá capacidad de GenAI, frente al 36% en 2025 (Counterpoint Research, 2026)
- 559 millones de smartphones con GenAI previstos para 2026, tras 369,3 millones en 2025 (Gartner, GenAI Smartphone Forecast 2025)
- USD 393,3 mil millones de gasto del usuario final en smartphones con GenAI previstos para 2026, un alza del 32% (Gartner, 2025)
- Unos 3 mil millones de parámetros a 2 bits por peso impulsan el modelo de Apple en el dispositivo (Apple Machine Learning Research, 2025)
- Huellas de memoria de 2GB y 3GB para Gemma 3n E2B y E4B (Google Developers Blog, 2025)
- Un 56% más pequeños y un 41% menos de memoria en los modelos Llama 3.2 1B y 3B cuantizados (Meta AI, 2024)
- Hasta 220 tokens por segundo en la NPU Hexagon del Snapdragon 8 Elite Gen 5, un 37% más rápida que la generación anterior (Qualcomm, 2025)
- Gemini Nano 2,6 veces más rápido y 2 veces más eficiente en el Tensor G5 frente al Tensor G4 (Google, 2025)
- 3 tamaños de modelo Llama (1B, 3B, 8B) en el nuevo benchmark de LLM de MLPerf Mobile v6.0 (MLCommons, 2026)
- Aumento de aproximadamente cuatro veces en los precios de la memoria móvil en el segundo trimestre de 2026 (Counterpoint Research, 2026)
- Caída del 13,9% prevista en los envíos de smartphones de 2026, hasta 1.080 millones de unidades, por la presión sobre la memoria (Counterpoint Research, 2026)
- Más del 70% de los usuarios del Galaxy S25 usa activamente las funciones de IA integradas (Samsung, 2025)
1. Envíos de Smartphones con GenAI: la Base Instalada para los SLM en el Dispositivo
Todo smartphone con GenAI es, por definición, un anfitrión de un modelo de lenguaje pequeño: Gartner define la categoría como dispositivos con un motor neuronal o NPU integrado capaz de ejecutar SLM. Eso convierte las previsiones de envíos en el indicador más limpio de cuántos dispositivos pueden ejecutar un modelo local. Counterpoint espera ahora que el 45% de todos los smartphones enviados en 2026 tenga capacidad de GenAI, y el 52% en 2027 (Counterpoint Research, la cuota de smartphones con GenAI subirá al 45% en 2026).
La historia detrás de la curva es la gama media. Counterpoint dice que la GenAI ya es estándar por encima de USD 400 al por mayor. La restricción ha pasado de «puede el chip ejecutar un modelo» a «puede la lista de materiales absorber la memoria», algo que la Sección 6 cuantifica. Si quieres el contexto más amplio de los terminales, nuestra página de estadísticas del mercado de smartphones recoge los volúmenes totales por fabricante.
| Métrica | Valor | Fuente |
|---|---|---|
| Cuota de capacidad de GenAI en los envíos globales de smartphones, 2026 | 45% (frente al 36% en 2025) | Counterpoint Research, junio de 2026 |
| Previsión de cuota de capacidad de GenAI, 2027 | 52% | Counterpoint Research, junio de 2026 |
| Envíos de smartphones con GenAI, previsión de 2025 | Más de 400 millones, aproximadamente uno de cada tres móviles | Counterpoint Research, marzo de 2025 |
| Cuota de capacidad de GenAI en 2024 | Uno de cada cinco smartphones | Counterpoint Research, marzo de 2025 |
| Unidades de smartphones con GenAI, 2024 / 2025 / 2026 | 260,4 M / 369,3 M / 559 M | Gartner, previsión de smartphones con GenAI, septiembre de 2025 |
| Envíos de smartphones con GenAI, 2025 | Más de 370 millones (30% de cuota), alza del 73,1% | IDC, previsión mundial de smartphones, 2025 |
| Envíos de smartphones con GenAI, 2028 | 912 millones de unidades, CAGR del 78,4% | IDC, previsión de smartphones con IA generativa, julio de 2024 |
Nota de contexto: las tres firmas usan definiciones y fechas distintas. El comunicado de IDC de julio de 2024 (comunicado de IDC) proyectaba los móviles con GenAI en el 70% del mercado para 2028, mientras que su previsión de 2025 trasladó la marca de «más del 70%» a 2029. Dato de largo plazo más reciente de IDC: julio de 2024.
2. Gasto y Tamaño de Mercado: Mucho Dinero en Hardware, Pocos Ingresos en Modelos
Dos cifras muy distintas describen este mercado. El hardware que ejecuta SLM es una categoría de consumo masivo, mientras que el mercado de los modelos en sí sigue siendo pequeño y mal definido. Gartner prevé USD 393,3 mil millones de gasto del usuario final en smartphones con GenAI en 2026, un alza del 32% sobre los USD 298,2 mil millones de 2025 (Gartner, comunicado sobre el gasto del usuario final en smartphones con GenAI, 2025).
En el lado del software, las estimaciones de los analistas sobre el mercado de modelos de lenguaje pequeños difieren en un orden de magnitud, lo que dice más sobre las definiciones que sobre la demanda. MarketsandMarkets sitúa 2025 en USD 0,93 mil millones, mientras que Research and Markets lo acerca a USD 9,16 mil millones. El hilo común: todas las firmas señalan el despliegue en el borde y en el dispositivo como el segmento de más rápido crecimiento.
| Métrica | Valor | Fuente |
|---|---|---|
| Gasto del usuario final en smartphones con GenAI, 2024 / 2025 / 2026 | USD 244,7 / 298,2 / 393,3 mil millones | Gartner, septiembre de 2025 |
| Smartphones con GenAI como proporción de todo el gasto del usuario final en IA, 2025 | 20% | Gartner, septiembre de 2025 |
| Smartphones básicos (menos de USD 350) con GenAI y NPU, 2025 | 41% | Gartner, septiembre de 2025 |
| Smartphones premium con capacidad de GenAI para 2029 | 100% | Gartner, septiembre de 2025 |
| Mercado de modelos de lenguaje pequeños, 2025 a 2032 | USD 0,93 a 5,45 mil millones, CAGR del 28,7% | MarketsandMarkets, abril de 2025 |
| Mercado de modelos de lenguaje pequeños, 2025 a 2030 | USD 9,16 a 22,45 mil millones, CAGR del 19,6% | Research and Markets, informe del mercado de SLM 2026 |
| Mercado de modelos de lenguaje pequeños, 2026 a 2030 | USD 11,1 a 20,7 mil millones, CAGR del 15,1% | Grand View Research, informe del mercado de SLM |
El comunicado de MarketsandMarkets (GlobeNewswire, abril de 2025) señala el despliegue en el borde como el segmento de más rápido crecimiento, impulsado por las exigencias de latencia y privacidad en smartphones y dispositivos IoT.
3. Tamaño y Compresión de Modelos: 3 Mil Millones de Parámetros a 2 Bits
El techo práctico de un modelo residente en el móvil lo marca la RAM, no la ambición. Los modelos en producción se agrupan entre 1B y 4B de parámetros, y la ingeniería de verdad está en cuántos pocos bits recibe cada peso. Apple comprime su modelo de aproximadamente 3 mil millones de parámetros en el dispositivo a 2 bits por peso mediante entrenamiento consciente de la cuantización, con embeddings de 4 bits y un KV cache de 8 bits (Apple Machine Learning Research, actualizaciones de los modelos de lenguaje de base de Apple en el dispositivo y en el servidor, 2025).
Es un descenso brusco respecto a 2024, cuando el modelo de Apple promediaba 3,7 bits por peso. Google tomó otro camino con Gemma 3n: conservó más parámetros brutos, pero dejó los embeddings por capa fuera de la memoria del acelerador, de modo que solo unos 2B o 4B de parámetros «efectivos» ocupan memoria rápida (Google Developers Blog, presentación de Gemma 3n, 2025). La compresión cuesta poca precisión a estos niveles: Apple informa de una mejora del 1,5% en MMLU y de una regresión de aproximadamente el 4,6% en MGSM tras la compresión.
| Métrica | Valor | Fuente |
|---|---|---|
| Tamaño del modelo de Apple en el dispositivo | Unos 3 mil millones de parámetros | Apple Machine Learning Research, 2025 |
| Precisión de los pesos del modelo de Apple en el dispositivo | 2 bits por peso (QAT); embeddings de 4 bits; KV cache de 8 bits | Apple Machine Learning Research, 2025 |
| Reducción de memoria del KV cache de Apple por compartición de bloques | 37,5% | Apple Intelligence Foundation Language Models, informe técnico, 2025 |
| Precisión del modelo de Apple en el dispositivo en 2024 | Mixta de 2 y 4 bits, con una media de 3,7 bits por peso | Apple Machine Learning Research, 2024 |
| Parámetros brutos de Gemma 3n E2B / E4B | 5B / 8B | Google Developers Blog, 2025 |
| Huella de memoria de Gemma 3n E2B / E4B | Desde 2GB / 3GB | Google Developers Blog, 2025 |
| Reducción de tamaño y memoria de Llama 3.2 1B y 3B cuantizados frente a BF16 | 56% más pequeños, 41% menos de memoria | Meta AI, modelos Llama cuantizados, octubre de 2024 |
| Tamaño y cuantización de Phi Silica | 3,3B de parámetros, pesos de 4 bits, reducción de memoria de aproximadamente el 60% | Microsoft Windows Blog, diciembre de 2024 |
Nota de contexto: el lanzamiento de Llama cuantizado de Meta (blog de Meta AI) y la publicación de Phi Silica de Microsoft (Windows Experience Blog) datan de finales de 2024. Datos más recientes disponibles de ambos: 2024. Un estudio académico basado en portátiles aporta una regla práctica útil: en torno a 3,5 bits efectivos por peso es el punto en que un modelo más grande muy cuantizado empieza a superar a uno más pequeño de mayor precisión (arXiv 2505.15030, evaluación sistemática de LLM en el dispositivo).
4. Rendimiento de las NPU: Tokens por Segundo en Silicio de Gama Alta
Las cifras de rendimiento las declaran los propios fabricantes y se miden con modelos distintos, así que conviene tratarlas como techos y no como puntuaciones comparables. Aun así, la dirección es inequívoca. Qualcomm dice que la NPU Hexagon del Snapdragon 8 Elite Gen 5 es un 37% más rápida que su predecesora y sostiene hasta 220 tokens por segundo, con soporte para INT2 y FP8 (Qualcomm, lanzamiento del Snapdragon 8 Elite Gen 5, septiembre de 2025; cifras corroboradas por Futurum Group).
Las cifras más reveladoras son el procesamiento del prompt frente a la generación. Leer un prompt es barato en una NPU; generar cada token nuevo está limitado por la memoria. Gemma 3n E2B en una NPU Dimensity 9500 lee más de 1.600 tokens por segundo, pero escribe 28, y por eso todos los fabricantes pelean por ancho de banda y formatos de menor precisión. Esa brecha importa para las funciones de voz y de asistente en tiempo real, donde una primera respuesta rápida esconde una cola lenta; nuestras estadísticas de asistentes de voz siguen cómo se refleja eso en el uso.
| Métrica | Valor | Fuente |
|---|---|---|
| Mejora de la NPU del Snapdragon 8 Elite Gen 5 | 37% más rápida que la generación anterior | Qualcomm, septiembre de 2025 |
| Generación sostenida del Snapdragon 8 Elite Gen 5 | Hasta 220 tokens por segundo | Qualcomm, septiembre de 2025 |
| Ahorro global de energía del SoC Snapdragon 8 Elite Gen 5 | 16% | Análisis de Futurum Group sobre datos de Qualcomm, octubre de 2025 |
| Salida de LLM de 3B parámetros en el Dimensity 9500 | 2 veces más rápida (100%), con un 56% menos de potencia máxima | Lanzamiento de MediaTek Dimensity 9500, septiembre de 2025 |
| Gemma 3n E2B en la NPU del Dimensity 9500 (contexto de 4K) | Más de 1.600 tokens/s al procesar el prompt, 28 tokens/s al generar | Resultados de Google LiteRT NeuroPilot, diciembre de 2025 |
| Rendimiento de NPU con LiteRT frente a CPU / GPU en MediaTek | Hasta 12 veces la CPU, 10 veces la GPU | Resultados de Google LiteRT NeuroPilot, diciembre de 2025 |
| Gemini Nano en el Tensor G5 frente al Tensor G4 | 2,6 veces más rápido, 2 veces más eficiente; TPU hasta un 60% más potente | Google, anuncio del Tensor G5 del Pixel 10, agosto de 2025 |
| Modelo de Apple en el dispositivo (iPhone 15 Pro) | 0,6 ms por token de prompt hasta el primer token; 30 tokens/s | Apple Machine Learning Research, 2024 |
Las cifras de MediaTek proceden de su comunicado de lanzamiento (MediaTek vía PR Newswire); las afirmaciones de Google sobre el Tensor G5 proceden de la publicación sobre el Tensor G5 del Pixel 10. La cifra de tokens por segundo de Apple es la más reciente que ha publicado: 2024.
5. Benchmarks y Calidad: MLPerf Mobile Entra en la Era de los LLM
Hasta 2026 no existía una vara de medir neutral para los LLM de móvil; todas las cifras de la Sección 4 son del propio fabricante. MLPerf Mobile v6.0, publicado por MLCommons el 15 de junio de 2026, añade benchmarks de LLM basados en Llama 3.2 1B, Llama 3.2 3B y Llama 3.1 8B, evaluados con TinyMMLU e IFEval (MLCommons, MLPerf Mobile v6.0).
La inclusión de un modelo de 8B es el titular: MLCommons señala que la v6.0 admite la ejecución acelerada por NPU de Llama 3.1 8B en el Snapdragon 8 Elite Gen 5, un tamaño que un año antes era un benchmark de centro de datos. En calidad, los modelos pequeños ya se acercan a sus pares mayores en pruebas de conocimiento. El modelo de 3B de Apple en el dispositivo obtiene un 67,85% en MMLU, ligeramente por delante de Qwen-2.5-3B, y Phi Silica pierde menos de un punto en PIQA tras la cuantización de 4 bits. Para las familias de pesos abiertos que hay detrás de muchos de estos benchmarks, consulta nuestras estadísticas de LLM de código abierto.
| Métrica | Valor | Fuente |
|---|---|---|
| Modelos de LLM de MLPerf Mobile v6.0 | Llama 3.2 1B, Llama 3.2 3B, Llama 3.1 8B | MLCommons, junio de 2026 |
| SoC con soporte nuevo o actualizado en la v6.0 | Snapdragon 8 Elite Gen 5, Dimensity 9500, Exynos 2600 | MLCommons, junio de 2026 |
| Calidad de referencia de MLPerf Mobile, Llama 3.1 8B | TinyMMLU aprox. 61%, IFEval aprox. 67% (FP16) | MLCommons, página del benchmark MLPerf Mobile |
| Calidad de referencia de MLPerf Mobile, Llama 3.2 3B | TinyMMLU aprox. 59%, IFEval aprox. 65,5% (FP16) | MLCommons, página del benchmark MLPerf Mobile |
| Límites interactivos de LLM pequeño en MLPerf Inference 5.1 (Llama 3.1 8B) | Primer token en 0,5 s, 30 ms por token de salida | MLCommons, septiembre de 2025 |
| MMLU del modelo de Apple en el dispositivo | 67,85% frente a Qwen-2.5-3B 66,37% y Gemma-3-4B 62,81% | Apple Foundation Models, informe técnico, 2025 |
| Precisión de Phi Silica tras la cuantización de 4 bits | PIQA 80,47% a 79,76%; ARC Challenge 63,48% a 60,49% | Microsoft Windows Blog, diciembre de 2024 |
| Puntuación de Gemma 3n E4B en LMArena | Más de 1300 | Google Developers Blog, 2025 |
Nota de contexto: la página del benchmark MLPerf Mobile (MLCommons) usa la latencia del percentil 90 como métrica principal para tareas de flujo único. Los resultados públicos de LLM por dispositivo de la v6.0 no figuraban en el comunicado de lanzamiento que revisamos. Las puntuaciones de Apple proceden del informe técnico de 2025 en arXiv.
6. Restricciones de Memoria y Coste: la Presión sobre la DRAM
La mayor amenaza para los SLM en el dispositivo en 2026 no es la calidad de los modelos; es el precio de la RAM en la que viven. Counterpoint informa de que los precios de la memoria móvil subieron aproximadamente cuatro veces en el segundo trimestre de 2026 mientras los centros de datos de IA absorbían la mayor parte de la producción de DRAM y NAND (Counterpoint Research, subidas de costes de la memoria móvil, septiembre de 2026).
Fíjate en cómo se deterioró la previsión en seis meses: una caída del 2,1% en los envíos en diciembre de 2025, del 12,4% en marzo de 2026 y del 13,9% en junio. Un modelo de 3B a 2 bits necesita bastante menos de un gigabyte para los pesos, pero el margen de varios gigabytes de RAM que esperan las funciones de GenAI es justo lo que los móviles económicos están recortando ahora. Eso explica por qué Counterpoint vincula la próxima oleada de móviles con GenAI tanto al suministro de memoria como a modelos más eficientes.
| Métrica | Valor | Fuente |
|---|---|---|
| Variación del precio de la memoria móvil en el segundo trimestre de 2026 | Aproximadamente cuatro veces | Counterpoint Research, septiembre de 2026 |
| Precio de LPDDR4/5 móvil en el segundo trimestre de 2026 frente al tercero de 2025 | Casi 3 veces | Counterpoint Research, vía EE Times Asia, marzo de 2026 |
| Aumento del coste de la lista de materiales (BoM) por el alza de la DRAM, gama baja / media / alta | Aproximadamente 25% / 15% / 10% | Counterpoint Research, diciembre de 2025 |
| Revisión del ASP mayorista, 2026 | Alza del 6,9% interanual | Counterpoint Research, diciembre de 2025 |
| Previsión de envíos de smartphones de 2026, dic. de 2025 / mar. de 2026 / jun. de 2026 | -2,1% / -12,4% / -13,9% | Counterpoint Research |
| Envíos globales de smartphones en 2026 | 1.080 millones de unidades, el mínimo histórico | Counterpoint Research, junio de 2026 |
| Envíos del segmento de menos de USD 200, 2026 | Caída de más del 20% | Counterpoint Research, vía EE Times Asia, marzo de 2026 |
Fuentes: Counterpoint, previsiones de envíos de smartphones de 2026 revisadas a la baja y EE Times Asia sobre la revisión de marzo de 2026. Gartner añade un suelo de hardware: espera que las NPU de más de 40 TOPS sean estándar en los móviles premium para 2027.
7. Adopción, Uso y Confianza: Desarrolladores y Consumidores
La distribución ya no es el cuello de botella. Apple abrió su modelo en el dispositivo a aplicaciones de terceros mediante el framework Foundation Models, con inferencia gratuita que funciona sin conexión y requiere apenas tres líneas de Swift (Apple Newsroom, WWDC25). Samsung dice que más del 70% de los usuarios del Galaxy S25 usa activamente las funciones de IA integradas y que fijó como objetivo Galaxy AI en más de 400 millones de dispositivos a finales de 2025, el doble de su meta de 200 millones para 2024 (Samsung Newsroom, Galaxy Tech Forum 2025).
La confianza es el contrapeso y el argumento más sólido para mantener la inferencia local. Deloitte halló que el 70% de los consumidores estadounidenses se preocupa por la privacidad y la seguridad de los datos, y que solo el 27% tiene una alta confianza en que sus datos están protegidos. Los SLM en el dispositivo responden a esa preocupación por diseño, y por eso el procesamiento local importa también para herramientas de voz como un cambiador de voz en tiempo real para Discord, donde el audio nunca necesita salir del equipo.
| Métrica | Valor | Fuente |
|---|---|---|
| Usuarios del Galaxy S25 que usan activamente la IA integrada | Más del 70% | Samsung, julio de 2025 |
| Objetivo de dispositivos con Galaxy AI, finales de 2025 | Más de 400 millones (frente a 200 millones en 2024) | Samsung, julio de 2025 |
| Usuarios que dicen que las funciones de IA forman parte de su rutina diaria | 47% | Encuesta de Samsung / Symmetry Research, 2025 |
| Usuarios que usan comandos de voz tanto como escriben | 45% | Encuesta de Samsung / Symmetry Research, 2025 |
| Consumidores que planean comprar un smartphone con GenAI en un año | 59% | Encuesta a consumidores de Counterpoint Research, diciembre de 2024 |
| Consumidores estadounidenses que usan o prueban la GenAI | 53% | Deloitte Connected Consumer Survey 2025 (n=3.524) |
| Consumidores estadounidenses preocupados por la privacidad y la seguridad de los datos | 70% | Deloitte Connected Consumer Survey 2025 |
| Consumidores con alta confianza en que sus datos están protegidos | 27% | Deloitte Connected Consumer Survey 2025 |
Detalles de las encuestas: comunicado de Deloitte sobre el Connected Consumer 2025 y encuesta de Counterpoint sobre intención de actualización. La encuesta de Counterpoint es de diciembre de 2024, el dato más reciente de la firma sobre intención de actualización.
Resumen: Modelos de Lenguaje Pequeños en el Dispositivo en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Cuota de capacidad de GenAI en los envíos de smartphones, 2026 | 45% | Counterpoint Research, 2026 |
| Cuota de capacidad de GenAI, 2027 | 52% | Counterpoint Research, 2026 |
| Unidades de smartphones con GenAI, 2026 | 559 millones | Gartner, 2025 |
| Gasto del usuario final en smartphones con GenAI, 2026 | USD 393,3 mil millones (+32%) | Gartner, 2025 |
| Envíos de smartphones con GenAI, 2028 | 912 millones | IDC, 2024 |
| Mercado de modelos de lenguaje pequeños, 2032 | USD 5,45 mil millones (CAGR del 28,7%) | MarketsandMarkets, 2025 |
| Modelo de Apple en el dispositivo | Unos 3B de parámetros a 2 bits por peso | Apple Machine Learning Research, 2025 |
| Reducción de memoria del KV cache de Apple | 37,5% | Apple, informe técnico, 2025 |
| Huella de memoria de Gemma 3n E2B | Desde 2GB | Google Developers Blog, 2025 |
| Reducción de tamaño / memoria de Llama 3.2 cuantizado | 56% / 41% | Meta AI, 2024 |
| NPU del Snapdragon 8 Elite Gen 5 | Hasta 220 tokens/s, 37% más rápida | Qualcomm, 2025 |
| Salida de LLM de 3B en el Dimensity 9500 | 2 veces más rápida, 56% menos de potencia máxima | MediaTek, 2025 |
| Gemma 3n E2B en la NPU del Dimensity 9500 | Más de 1.600 tokens/s al procesar el prompt, 28 tokens/s al generar | Google LiteRT, 2025 |
| Gemini Nano en el Tensor G5 | 2,6 veces más rápido, 2 veces más eficiente | Google, 2025 |
| Tamaños de LLM de MLPerf Mobile v6.0 | 1B, 3B, 8B | MLCommons, 2026 |
| Precios de la memoria móvil en el segundo trimestre de 2026 | Aproximadamente cuatro veces | Counterpoint Research, 2026 |
| Envíos de smartphones en 2026 | 1.080 millones (-13,9%) | Counterpoint Research, 2026 |
| Usuarios del Galaxy S25 que usan IA activamente | Más del 70% | Samsung, 2025 |
| Consumidores estadounidenses preocupados por la privacidad | 70% | Deloitte, 2025 |
Metodología y Fuentes
- Counterpoint Research, la cuota de smartphones con GenAI subirá al 45% de los envíos globales en 2026 (junio de 2026), con detalle por segmento recogido por Electronics For You
- Counterpoint Research, los envíos de smartphones con GenAI superarán los 400 millones en 2025 (marzo de 2025)
- Counterpoint Research, previsiones de envíos de smartphones de 2026 revisadas a la baja mientras la escasez de memoria encarece la BoM (diciembre de 2025)
- Counterpoint Research, subidas de costes de la memoria móvil (septiembre de 2026)
- Counterpoint Research, encuesta a consumidores sobre la actualización a smartphones con GenAI (diciembre de 2024)
- EE Times Asia, crónica de la revisión de marzo de 2026 de los envíos por Counterpoint
- Gartner, comunicado sobre el gasto mundial del usuario final en smartphones con GenAI (septiembre de 2025)
- IDC, previsión mundial de envíos de smartphones con IA generativa (julio de 2024) y previsión mundial de smartphones de IDC (2025)
- MarketsandMarkets, comunicado sobre el mercado de modelos de lenguaje pequeños (abril de 2025); Research and Markets, informe del mercado de modelos de lenguaje pequeños 2026; Grand View Research, informe del mercado de modelos de lenguaje pequeños
- Apple Machine Learning Research, actualizaciones de los modelos de lenguaje de base de Apple en el dispositivo y en el servidor (2025), informe técnico de los Apple Intelligence Foundation Language Models 2025 (arXiv), presentación de los modelos de base de Apple en el dispositivo y en el servidor (2024) y Apple Newsroom, WWDC25
- Google Developers Blog, presentación de Gemma 3n (junio de 2025) y Google, Tensor G5 del Pixel 10 (agosto de 2025)
- Resultados de Google LiteRT NeuroPilot en el Dimensity 9500 (diciembre de 2025), según los recoge MarkTechPost
- Qualcomm, lanzamiento del Snapdragon 8 Elite Gen 5 (septiembre de 2025) y análisis de Futurum Group
- MediaTek, comunicado de lanzamiento del Dimensity 9500 (septiembre de 2025)
- Meta AI, presentación de los modelos Llama cuantizados (octubre de 2024)
- Microsoft, Phi Silica, un SLM en el dispositivo pequeño pero potente (diciembre de 2024)
- MLCommons, MLPerf Mobile v6.0 (junio de 2026), página del benchmark MLPerf Mobile y benchmark de LLM pequeño de MLPerf Inference 5.1 (septiembre de 2025)
- arXiv 2505.15030, evaluación sistemática de LLM en el dispositivo: cuantización, rendimiento y recursos
- Samsung Newsroom, Galaxy Tech Forum en Galaxy Unpacked 2025 (julio de 2025), cifras de la encuesta según las recoge FoneArena
- Deloitte, comunicado de la encuesta Connected Consumer 2025 (septiembre de 2025)
- Nota sobre los datos: los volúmenes de smartphones con GenAI de 2025 difieren según la firma: IDC dijo más de 370 millones (30% de cuota), Gartner 369,3 millones y Counterpoint más de 400 millones en su previsión de marzo de 2025, y luego reajustó la cuota de 2025 al 36%. Para 2026, el 45% de Counterpoint sobre 1.080 millones de unidades implica unos 486 millones de móviles con GenAI (0,45 × 1.080 millones), muy por debajo de los 559 millones de Gartner, publicados en septiembre de 2025, antes de que la escasez de memoria forzara recortes en los envíos; cabe esperar una revisión de Gartner. El dimensionamiento del mercado de modelos de lenguaje pequeños va de USD 0,93 mil millones (MarketsandMarkets) a unos USD 9 a 11 mil millones (Research and Markets, Grand View Research) para 2025-2026 por las diferencias de definición. Todas las cifras de rendimiento de NPU las declaran los fabricantes con modelos, precisiones y longitudes de contexto distintos, por lo que no son directamente comparables; los resultados de LLM por dispositivo de MLPerf Mobile v6.0 son los datos a vigilar. La cifra de 30 tokens/s de Apple, los resultados de Llama cuantizado de Meta, las cifras de Phi Silica de Microsoft y la previsión de IDC para 2028 son datos de 2024, los más recientes que ha publicado cada fuente. La página de investigación de Apple enumera 15 idiomas compatibles, mientras que el informe técnico en arXiv describe 16 configuraciones regionales.
Última actualización: 3 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando Counterpoint publique sus seguimientos de smartphones y de precios de memoria del tercer trimestre de 2026 y MLCommons divulgue los primeros resultados públicos de LLM de MLPerf Mobile v6.0.