WWDC 2026: lo que significa para devs que construyen con IA en el ecosistema Apple

TL;DR

Apple presenta iOS 27 y macOS 27 el 8-12 de junio con on-device AI como tema central.
Siri se reconstruye como chatbot (“Campos”) con Google Gemini como backend de LLM, no un modelo propio.
Foundation Models Framework se amplía con mejor fine-tuning, ventanas de contexto más grandes y soporte para diffusion models on-device.
Nuevas APIs esperadas: Visual Intelligence para terceros, Personal Context y Xcode Intelligence (code gen nativo).
macOS 27 podría ser la primera versión solo para Apple Silicon, y se rumorea un MacBook Pro con pantalla táctil.
Para devs, la señal es clara: Apple apuesta por on-device como diferenciador de privacidad, pero el LLM real viene de terceros.

Contexto: por qué importa ahora

Apple lleva dos años bajo presión en IA. La primera generación de Apple Intelligence (iOS 18, macOS 15) fue correcta pero limitada: resúmenes básicos, sugerencias de texto, notificaciones inteligentes. Nada que hiciera peligrar a ChatGPT, Claude o Gemini en la conversación diaria del usuario.

WWDC 2026 marca el punto en que Apple intenta cerrar esa brecha. Y lo hace con una estrategia híbrida interesante: modelos on-device propios para tareas rápidas y privacidad, y Gemini como motor conversacional pesado para Siri. Es un reconocimiento implícito de que entrenar un LLM frontier a nivel de OpenAI o Anthropic no está en el ADN de Apple — y que no necesita estarlo.

Para devs que ya construyen con IA, la pregunta concreta es: ¿qué APIs nuevas me dan capacidad que antes no tenía, y cuáles se van a comer mi app?

Lo que se sabe: rumores consolidados

iOS 27: la actualización “Snow Leopard”

El apodo interno lo dice todo. Después del salto visual de iOS 26 con Liquid Glass, iOS 27 se enfoca en estabilidad, rendimiento y limpieza de código legacy. No esperes un rediseño radical de la interfaz, pero sí mejoras tangibles:

Slider de personalización para la intensidad del efecto Liquid Glass.
Preparación para el iPhone Fold (side-by-side multitasking, layouts rebuild para pantalla grande).
Conectividad satélite expandida, potencialmente con Apple Maps sin Wi-Fi ni celular.
El iPhone 11 alcanzaría fin de ciclo de soporte.

La parte relevante para devs: menos bugs de sistema y mejor vida de batería significa que las apps de fondo — como las que ejecutan modelos locales — corren con menos interrupciones del SO.

macOS 27: adiós a Intel

Si los rumores se confirman, macOS 27 será la primera versión exclusiva para Apple Silicon (M1+). Rosetta 2 llega a su última versión, y las apps Intel solo tienen un ciclo más de soporte.

Esto importa porque el Neural Engine de los chips M4/M5 es el hardware que hace posible la ejecución de modelos on-device. Un SO que solo corre en silicona Apple es un SO diseñado para esa infraestructura de IA, no adaptado a posteriori.

Hardware: Mac Studio con M5 Ultra

Aunque WWDC es un evento de software, Apple suele introducir hardware pro:

Mac Studio con M5 Max y M5 Ultra (hasta 80-core GPU, 96 GB unified memory).
Thunderbolt 5.
Mac mini con M5 o M5 Pro.

96 GB de memoria unificada significa modelos locales más grandes sin swap. Para devs que hacen fine-tuning o sirven modelos en estación de trabajo, esto es material.

Lo que importa para devs: las APIs

Foundation Models Framework

La primera versión (presentada en 2025) permite ejecutar modelos sobre Core ML en dispositivo. WWDC 2026 debería expandirla:

Modelos base más grandes aprovechando el Neural Engine de M4/A18.
Fine-tuning on-device con mejor soporte para LoRA/QLoRA.
Ventanas de contexto ampliadas.
Soporte para diffusion models (generación de imagen) directamente en dispositivo.

La ventaja para un dev: si tu app necesita inferencia local de un modelo ligero, ya no necesitas llamar a una API externa. Latencia zero, coste zero, privacidad total. El trade-off es obvio: los modelos on-device van a estar varios pasos por debajo de un frontier model vía API en calidad.

Visual Intelligence API

Hasta ahora, la comprensión visual avanzada de Apple era exclusiva de la app de Cámara. Si abren la API a terceros, las apps pueden:

Entender el contenido de la pantalla en contexto (OCR avanzado, reconocimiento de UI).
Escanear pases físicos y convertirlos en Wallet passes.
Combinar con Siri para acciones basadas en lo que el usuario ve.

Personal Context APIs

Este es el más polémico. Permite que las apps accedan de forma segura a datos del usuario (calendario, emails, mensajes) para construir experiencias contextuales. Apple lo marca como acceso consentido y con sandbox, pero para el usuario final la línea entre “contexto útil” y “vigilancia” es fina.

Xcode Intelligence (Xcode 17)

Apple compite directamente con GitHub Copilot y Cursor:

Code completion asistido por IA nativo.
Debugging con explicación en lenguaje natural.
Generación de código desde prompts, integrado en el IDE.

Mi lectura: si el code gen de Apple funciona bien dentro del ecosistema, los devs Apple-native tienen menos incentivo para pagar Copilot. Pero para multiplataforma o proyectos que ya usan Claude Code o Cursor, la ventaja competitiva de Xcode Intelligence es limitada.

Siri 2.0 (“Campos”): Gemini como backend

Aquí está el dato más relevante del evento. El nuevo Siri no corre un modelo de Apple — usa Gemini como backend de LLM, con Apple proporcionando la capa de interfaz, contexto on-device y privacidad.

Esto confirma la estrategia que ya analizamos tras el leak de Claude en Apple: Apple no tiene un LLM frontier propio que compita con GPT-5 o Claude. Lo que tiene es infraestructura de hardware (Neural Engine), distribución masiva (mil millones de dispositivos) y privacidad como marca.

La implicación es doble:

Para el usuario final, Siri mejora drásticamente sin que Apple necesite resolver el problema del entrenamiento de grandes modelos.
Para devs, Siri como plataforma de agentes se vuelve relevante si Apple abre la ejecución de acciones en apps de terceros. Un agente que pueda operar tu app de productividad, tu app de notas y tu calendar, con permisos granulares, es un cambio de paradigma.

Pero también es un riesgo: si tu app hace exactamente lo que Siri ahora hace de forma nativa, tienes un problema.

El mapa competitivo: Apple vs Google vs Microsoft

Aspecto	Apple (iOS 27/macOS 27)	Google (Gemini en Android)	Microsoft (Copilot en Windows)
LLM principal	Gemini (via partnership) + modelos on-device propios	Gemini 2.0 (propietario, full-stack)	GPT-4o/OpenAI (partner) + Phi-small on-device
On-device	Neural Engine (M4/A18), Core ML	Tensor G5, Android ML	NPU en Snapdragon/Intel, ONNX Runtime
Marco de agentes	MCP adoptado a nivel sistema (filtrado reciente)	Android Agent Framework	Agent Framework 1.0 (Semantic Kernel + AutoGen)
Code gen	Xcode Intelligence	Android Studio + Gemini Code Assist	GitHub Copilot (Microsoft)
Privacidad	Private Cloud Compute (Apple no ve las queries)	Data en Google Cloud	Data en Azure

Apple no gana en capability de modelo — Google y OpenAI tienen ventaja clara ahí. Pero gana en dos frentes:

Integración hardware-software que nadie más tiene. El Neural Engine está en el chip, el SO lo controla y la API es nativa. No hay capas intermedias.
Privacidad como marca. Private Cloud Compute garantiza que ni Apple ve las queries. Para apps enterprise o healthcare, eso no es marketing, es requisito regulatorio.

Google tiene el modelo más potente y el ecosistema más abierto. Microsoft tiene el stack agéntico más maduro para enterprise (Agent Framework 1.0, A2A, MCP). Apple tiene la plataforma con más dispositivos y la mejor posición en privacidad.

Mi recomendación si construyes para el ecosistema Apple: no ignores las APIs on-device. La combinación de latencia zero + coste zero + privacidad es un moat real para ciertos casos de uso (apps de salud, productividad personal, herramientas offline). Pero para razonamiento complejo o generación de contenido, sigue necesitando un LLM externo.

Predicciones para el keynote

Alta confianza:

Siri rediseñado como chatbot con Gemini.
Foundation Models Framework ampliado.
Xcode Intelligence con code gen.
macOS 27 solo para Apple Silicon.

Confianza media:

Visual Intelligence API abierta a terceros.
Personal Context APIs con permisos granulares.
HomePad (hub smart home de 7 pulgadas) como preview.

Especulativo pero plausible:

homeOS como plataforma unificada de smart home.
Standalone Siri app (desacoplada del botón de lado).
Modelo de suscripción para capacidades avanzadas de IA (Apple Intelligence Pro).

Qué haría yo como dev

Aprender Foundation Models Framework ahora. Los patrones de hoy migrarán a la versión ampliada. Cuanto antes domines la API actual, menos fricción tendrás con la nueva.
Evaluar qué features de tu app se solapan con Siri nativo. Si tu app de productividad hace resúmenes de texto o gestión de calendario, WWDC puede hacerlo obsoleto en un ciclo.
Apostar por on-device para casos concretos. Si tu app maneja datos sensibles (salud, finanzas, identidad) y el modelo necesario cabe en el Neural Engine, la API de Apple te da algo que ninguna cloud API puede: privacidad sin sacrificios de UX.
No migrar todo a Apple Intelligence. Para razonamiento, agents complejos o generación, la calidad de Claude/GPT vía API sigue siendo muy superior. Lo inteligente es combinar: on-device para lo rápido y sensible, cloud para lo pesado.