Apple abre Foundation Models a Claude y Gemini vía Swift

Una sola API en Swift para llamar al modelo on-device de Apple, a los modelos que corren en Private Cloud Compute (PCC, la infraestructura de inferencia privada de Apple) y a modelos de terceros como Claude y Gemini: eso es hoy el Foundation Models framework, según la documentación para developers que Apple actualizó este 12 de noviembre.

Para una startup que quiere lanzar una función de IA dentro de una app de iOS o macOS sin montar infraestructura de inferencia ni negociar contratos con tres proveedores distintos, el cambio no es cosmético: es tiempo de desarrollo y costo de nube.

¿Qué es el Foundation Models framework de Apple?

Es una API nativa en Swift que permite integrar cualquier modelo de lenguaje grande dentro de una app, incluyendo acceso directo a los Apple Foundation Models on-device y en Private Cloud Compute.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El framework trae capacidades ya construidas: generación guiada (guided generation), llamadas a herramientas (tool calling), comprensión de imágenes y Dynamic Profiles. Los prompts multimodales permiten adjuntar una imagen al prompt, y el framework Vision está integrado directamente con herramientas específicas como OCR para extraer texto y lectores de códigos de barras, todo on-device.

El punto que Apple repite en su página: los modelos on-device son la base de Apple Intelligence, funcionan sin conexión a internet y están diseñados para no exponer datos del usuario.

De on-device a Claude y Gemini: una API, varios modelos

Cuando una tarea necesita un modelo más grande, el framework se extiende a modelos de servidor —Apple nombra explícitamente a Claude, Gemini y otros— a través de la misma API Swift, con soporte completo de tool calling y generación guiada. Cualquier proveedor puede publicar un paquete Swift que cumpla con el protocolo Language Model del framework.

Ese protocolo es la pieza interesante para una startup: es el punto de abstracción que evita quedar atado a un solo modelo. Antes de eso, en WWDC 2026 (junio), MacRumors reportó que las novedades centrales del framework serían justamente el acceso gratuito a PCC para developers chicos, el soporte de entrada de imágenes, la integración de modelos de servidor como Claude y Gemini, y los Dynamic Profiles para flujos multiagente. La misma cobertura señaló que Apple confirmó que el framework pasaría a código abierto más adelante ese verano.

Para dimensionar qué corre detrás de esa API, 9to5Mac detalló que Apple presentó una tercera generación de modelos (AFM 3): AFM 3 Core, un modelo denso de 3.000 millones de parámetros; AFM 3 Core Advanced, un modelo on-device de 20.000 millones de parámetros con arquitectura dispersa que activa entre 1.000 y 4.000 millones por pedido; y AFM 3 Cloud Pro, el modelo de servidor más capaz, que corre sobre GPUs de NVIDIA alojadas en Google Cloud y está pensado para uso agentico de herramientas y razonamiento complejo.

Hay un matiz de rigor importante: según Mac Observer, Apple nunca publicó la cantidad de parámetros de sus modelos, y la cifra de un Gemini de 1,2 billones de parámetros que circula en varios medios es un dato reportado, no una especificación confirmada por la compañía. La única frase oficial que Apple publicó sobre el tema es que sus modelos «were custom-built in collaboration with Google and its Gemini models». Si vas a citar números internos de iOS, conviene marcar esa diferencia.

¿Quién puede usar Private Cloud Compute gratis?

Apple escribe la condición con precisión: los developers inscriptos en el App Store Small Business Program con menos de dos millones de descargas iniciales en la App Store pueden acceder a los Apple Foundation Models que corren en Private Cloud Compute sin costo de API en la nube.

MacRumors describió ese movimiento, anunciado en junio, como la eliminación de los costos de infraestructura como barrera de entrada para construir funciones de IA. Es exactamente el tipo de línea que cambia el plan de un equipo de dos o tres personas que estaba evaluando si valía la pena pagar inferencia antes de tener usuarios.

El asterisco que no conviene ignorar: según Mac Observer, las funciones que dependen de modelos de servidor están sujetas a límites diarios de uso —menciona Siri AI, herramientas de edición de fotos, Image Playground y los modelos AFM 3 Cloud en Shortcuts—, esos límites varían según complejidad y demanda, y Apple anticipó que habrá acceso ampliado mediante pago y que la mayoría de los planes de iCloud+ incluye más uso. Traducido: el costo cero existe, pero no es ilimitado.

Dynamic Profiles, Evaluations y la CLI fm: el resto del stack

La página de Apple describe tres piezas que importan más de lo que parece a primera vista.

Dynamic Profiles: APIs declarativas para actualizar en caliente el modelo, las herramientas y las instrucciones de una sesión. En lugar de crear una sesión con una configuración fija, defines perfiles —cada uno con su modelo, temperatura, nivel de razonamiento y set de herramientas— y alternas entre ellos dentro de una misma sesión continua. El transcript se comparte en cada cambio de perfil, así que la app gana contexto con menos prompting. Apple los presenta como bloques para construir agentes o skills.
Evaluations framework: permite testear prompts y validar que las funciones de IA se comporten bien en condiciones dinámicas, más allá de lo que cubren los tests unitarios. Sirve para comparar instrucciones, cambiar de modelo o ajustar un Dynamic Profile antes de publicar.
Herramientas de prototipado: el nuevo comando fm en macOS 27 permite automatizar flujos con modelos sin escribir código de app, y el paquete de utilidades del framework agrega abstracciones experimentales (skills personalizadas, helpers de gestión de contexto y un cliente de Chat Completions para conectarse a un modelo alojado). Además existe un SDK de Python para integrarse con el tooling y los paquetes de evaluación de ese ecosistema.

Apple también publica los requisitos de uso aceptable del framework y, en línea con el Artículo 53(1)(b) del AI Act europeo, documentación para proveedores de sistemas de IA que integren AFM 3 Cloud.

Un ecosistema de terceros ya se está armando sobre esta base

El movimiento no es solo de Apple. El 9 de noviembre, Railtown AI Technologies anunció la disponibilidad de Railtracks Swift RAG, una librería de código abierto dentro de su kit de desarrollo de agentes en Swift, que convierte PDF, texto, CSV y JSON en bases de conocimiento buscables almacenadas en el dispositivo del usuario, e integra con Core Spotlight, App Intents, Siri y Shortcuts.

La empresa ya había publicado el kit completo el 21 de octubre, según el comunicado difundido vía Newsfile. El patrón es relevante: la capa de recuperación de información local —lo que en la práctica hace útil a un modelo on-device para datos de la empresa o del usuario— está siendo construida por terceros, no solo por Apple.

¿Qué significa esto para tu startup?

1. Verifica si calificas antes de firmar con un proveedor de inferencia. Si estás en el App Store Small Business Program y por debajo de dos millones de descargas iniciales, el acceso a los modelos de Apple en Private Cloud Compute no tiene costo de API. Lee igual los límites diarios: si tu producto depende de volumen alto de inferencia en servidor, ese costo cero no te cubre para siempre.

2. Diseña contra el protocolo Language Model, no contra un proveedor. La ventaja real de que Claude, Gemini y los modelos de Apple se consuman con la misma API Swift es que puedes rutear por costo y complejidad: tareas simples al modelo on-device (sin costo y sin red), razonamiento complejo al modelo cloud. Si tu código asume un solo modelo, pierdes esa palanca.

3. Usa Dynamic Profiles para separar responsabilidades. Un perfil para clasificación rápida, otro para redacción, otro para razonamiento con herramientas, todos en la misma sesión y con el transcript compartido. Es más barato y más simple que instanciar sesiones independientes.

4. Mide antes de publicar. El Evaluations framework existe para comparar instrucciones, modelos y perfiles en condiciones dinámicas. Un cambio de modelo que mejora un benchmark puede empeorar tu caso de uso concreto; sin una batería de evaluación vas a decidir por intuición.

5. Prototipa en un día. La CLI fm de macOS 27 y el paquete de utilidades permiten probar flujos de IA sin escribir código de app. Es la forma más rápida de validar si la promesa del framework aplica a tu caso antes de invertir un sprint.

Ten en cuenta el contexto de hardware: MacRumors reportó que macOS Tahoe fue la última versión para Macs Intel y que los developers ya pueden publicar binarios solo para Apple silicon, lo que empuja a todo el ecosistema hacia chips recientes.

Conclusión

Apple ya no intenta ganar la carrera del modelo más grande: quiere ser la capa por donde pasan todos los modelos. Para un founder hispanohablante que desarrolla en iOS o macOS, eso se traduce en algo concreto: menos infraestructura que mantener, una API en lugar de tres integraciones y un modelo on-device al que se le puede delegar lo trivial. La parte que sigue siendo tuya es la que Apple no resuelve por ti: decidir qué tarea va a qué modelo, medir el resultado y cuidar los límites de uso antes de que se conviertan en un problema de unit economics.