Wikipedia puede vivir por completo dentro de una PC, un mini servidor o incluso una Raspberry Pi gracias a Kiwix, un lector que abre archivos ZIM con buscador integrado y navegación local. Si además se conecta esa base a un LLM local, el resultado se acerca a una enciclopedia consultable en lenguaje natural sin depender de la red. La idea funciona, pero no todas sus partes cuestan lo mismo: montar Wikipedia local es sencillo; lograr que una IA responda bien sobre ella sigue exigiendo hardware serio y expectativas moderadas.

¿Qué es Kiwix y por qué permite leer Wikipedia localmente?

Kiwix es una herramienta libre y de código abierto pensada para abrir copias locales de sitios y bibliotecas empaquetadas en formato ZIM. En la práctica, eso significa que un solo archivo puede contener una edición entera de Wikipedia, con enlaces internos, índice y búsqueda local. El lector está disponible para Windows, macOS, Linux, Android e iOS. Quien quiera empezar de inmediato puede descargarlo desde la página oficial de Kiwix Reader o revisar todas las compilaciones en Download options.

La idea no se limita al escritorio. Kiwix también puede funcionar como servidor local mediante kiwix-serve, de modo que un equipo dentro de la casa comparte la enciclopedia con otros dispositivos de la red. Ese enfoque encaja muy bien con cualquier proyecto de autohospedaje doméstico. Quien quiera profundizar en esa lógica puede apoyarse en esta guía simple para crear tu servidor casero, porque una Wikipedia local es uno de los servicios más razonables para empezar.

En el caso que sirve de base para este análisis, el despliegue se hizo dentro de Proxmox, en un contenedor ligero y con una asignación de disco modesta para arrancar. El detalle importante no es el hipervisor en sí, sino la barrera de entrada: para leer Wikipedia localmente no hace falta una estación de trabajo. Kiwix y los archivos ZIM pueden vivir sin problema en hardware mucho más accesible de lo que sugiere la palabra “servidor”.

¿Cuánto espacio ocupa realmente la enciclopedia?

Kiwix no distribuye una sola Wikipedia “completa”, sino distintas variantes que priorizan texto, imágenes o brevedad. En términos prácticos, conviene pensar en tres familias: mini, que conserva la introducción de cada artículo; nopic, que ofrece artículos completos sin imágenes; y maxi, que incluye la experiencia más cercana a la edición visual completa. El catálogo oficial puede explorarse desde Kiwix Catalog, mientras que el árbol directo de descargas vive en download.kiwix.org/zim.

La puerta de entrada más amable sigue siendo Simple English nopic, que ronda apenas 1 GB y basta para probar el concepto en minutos. La Wikipedia completa en inglés sin imágenes ya sube a la franja de los 50 GB o algo más, mientras que la Wikipedia completa en español sin imágenes se mueve aproximadamente entre 12 y 13 GB en compilaciones recientes. La edición mini en español baja bastante esa cifra y resulta mucho más razonable para pruebas o equipos con almacenamiento contenido.

Eso cambia por completo la percepción del proyecto. En español, tener una copia amplia de Wikipedia local ya no implica reservar una barbaridad de disco. De hecho, para muchas personas la mejor combinación no es la edición más pesada, sino una variante nopic que conserve el texto completo y mantenga el consumo bajo control.

¿Cómo se logra que una IA local responda sobre esos artículos?

Aquí empieza la parte exigente. Kiwix por sí solo resuelve el acceso a la enciclopedia; la IA añade una segunda capa. Para responder preguntas en lenguaje natural sobre los artículos almacenados, hace falta una cadena de herramientas que conecte el modelo con la base local. En el caso analizado, eso implicó un motor de inferencia como llama.cpp y una capa intermedia para consultar el contenido de Kiwix. Quien quiera montar esa parte desde cero puede descargar el proyecto desde el repositorio oficial de llama.cpp.

Ese diseño permite algo atractivo: hacer preguntas como “resume la historia de esta consola”, “¿quién dirigió esta película?” o “explica este periodo histórico” sin depender de la red. Pero el salto importante no es técnico, sino conceptual. El modelo no se vuelve confiable solo por trabajar con contenido local. Si el extractor entrega mal el texto, si el contexto se corta o si el modelo es demasiado pequeño, las respuestas seguirán degradándose.

Eso fue exactamente lo que mostró la prueba original. Un modelo reducido, en torno a los 4 mil millones de parámetros, generó errores notorios y datos inventados. La situación mejoró solo al escalar a un modelo de 27B, ejecutado en una máquina con mucha más memoria. Incluso así persistieron fallos puntuales. La lección es bastante clara: la capa conversacional local puede ser útil, pero todavía depende mucho de la calidad del modelo y de la manera en que se entregue la información.

Para decidir si realmente vale la pena montar esa segunda capa, ayuda pensar primero cuándo usar modelos locales en lugar de ChatGPT o Claude. Esa comparación importa aquí porque una Wikipedia local con IA tiene más sentido en escenarios de privacidad, soberanía tecnológica, costos predecibles o conectividad inestable.

¿Qué hardware necesita tu PC para replicarlo?

El proyecto tiene dos niveles de dificultad muy distintos. El primero, que consiste en almacenar y servir Wikipedia local, es accesible para casi cualquiera. El segundo, que añade una capa conversacional razonablemente competente, cambia por completo el presupuesto y la expectativa de rendimiento.

Si la meta es solo leer Wikipedia localmente, cualquier PC moderna, un mini PC o una Raspberry Pi bastan. Si la meta es usar un LLM local sobre esa base, la historia cambia: un modelo de 27B en cuantización de 4 bits suele pedir del orden de 17 a 20 GB de memoria útil entre RAM o VRAM, además de margen operativo. En una PC de gama media con 16 GB de RAM y sin GPU dedicada, la opción realista ya no es “tener una IA excelente”, sino conformarse con modelos más pequeños y respuestas mucho menos fiables.

En ese punto conviene enlazar el proyecto con una decisión más amplia: elegir bien el modelo local importa más que tener “la IA más grande posible”. Para eso resulta especialmente útil esta guía práctica para elegir un LLM local, que ayuda a aterrizar qué corre bien en cada rango de hardware y por qué no siempre conviene perseguir tamaños mayores.

También hay un segundo aspecto menos visible: no basta con que el modelo cargue. Tiene que responder con tiempos tolerables y mantener calidad cuando los artículos son largos, cuando hay tablas, plantillas o estructuras difíciles de limpiar. Esa parte del rendimiento depende tanto del modelo como de la configuración. Quien quiera afinarla mejor puede revisar esta guía completa para optimizar modelos de lenguaje locales en Ollama, LM Studio y llama.cpp, porque ahí es donde una prueba prometedora deja de ser demo y empieza a convertirse en herramienta.

¿Qué tan precisa es la experiencia final?

La experiencia final no es homogénea. Cuando la página es relativamente limpia y el tema está bien representado en el contexto disponible, el sistema puede ofrecer respuestas muy sólidas. Cuando el artículo es largo, tiene tablas complicadas, plantillas mal convertidas o demasiado ruido estructural, la calidad cae. Si a eso se suma un modelo pequeño, la probabilidad de error sube con rapidez.

También importa cómo se entrega el contenido al modelo. Si el conector devuelve texto plano con restos de HTML, menús o fragmentos mal limpiados, se desperdician tokens y se reduce el espacio útil para la parte verdaderamente informativa del artículo. Ese tipo de fricción explica por qué una misma configuración puede contestar muy bien sobre un tema y fallar de forma torpe con otro.

Lo esencial es no confundir contenido local con exactitud. Kiwix puede preservar con mucha fidelidad la fuente. El LLM, en cambio, sigue siendo una capa interpretativa y probabilística. En el mejor escenario, actúa como un buen asistente de consulta. En el peor, resume mal una fuente perfectamente válida.

Empezar por la biblioteca, no por la IA

La parte más madura de este experimento no es la IA, sino la propia biblioteca local. Tener Wikipedia en una red doméstica, sin anuncios, sin distracciones y sin depender de conectividad, ya es un resultado valioso por sí mismo. La capa conversacional es una extensión interesante, sobre todo para educación, archivística, laboratorios caseros o entornos con conectividad irregular, pero sigue estando condicionada por el costo del modelo y por sus errores.

Para la mayoría de los usuarios, el camino natural empieza mucho antes: descargar Kiwix Reader, elegir un ZIM pequeño o una edición nopic en español y probar la experiencia de lectura. Solo después tiene sentido preguntarse si vale la pena sumar un LLM local con llama.cpp. Esa es, en el fondo, la mejor manera de entender el proyecto completo: hoy, el verdadero triunfo no es “tener una IA sin conexión”, sino recuperar una biblioteca sólida, privada y consultable fuera de la web. La IA es el extra; la enciclopedia local es el núcleo.