Cómo integrar IA en tu
app Android
sin pagar una fortuna

IA en Android: el mapa real de opciones

Cuando hablamos de "meter IA en una app", hay que distinguir dos enfoques completamente distintos: IA en la nube (le mandás datos a un servidor y te devuelven un resultado) e IA on-device (el modelo corre directamente en el teléfono, sin internet). Para el desarrollador independiente argentino, la diferencia importa muchísimo.

La IA en la nube — OpenAI, Anthropic, Google Gemini Pro — implica pagar en dólares por cada consulta. Con el tipo de cambio libre, eso puede destruir el margen de tu app muy rápido. La IA on-device, en cambio, corre en el hardware del usuario y no tiene costo por uso. Eso cambia completamente el modelo de negocio.

Las tres herramientas que
necesitás conocer

ML Kit: la forma más rápida
de arrancar

ML Kit es el punto de entrada ideal. Google encapsuló sus mejores modelos de visión computacional y procesamiento de lenguaje en un SDK que se integra con tres líneas de Gradle. No necesitás saber nada de machine learning — solo llamar a la API.

El caso de uso más popular para apps argentinas es el reconocimiento de texto (OCR): leer facturas, CUIL/CUIT de documentos, tickets de compra. Con ML Kit lo resolvés en minutos y funciona offline, lo que importa mucho en zonas con conectividad irregular.

// Agregá solo lo que necesitás
dependencies {
    // OCR (reconocimiento de texto)
    implementation("com.google.mlkit:text-recognition-latin:16.0.0")

    // Detección de objetos
    implementation("com.google.mlkit:object-detection:17.0.0")

    // Traducción offline (descarga el idioma en demanda)
    implementation("com.google.mlkit:translate:17.0.1")
}

val recognizer = TextRecognition.getClient(
    TextRecognizerOptions.DEFAULT_OPTIONS
)

val image = InputImage.fromBitmap(bitmap, 0)

recognizer.process(image)
    .addOnSuccessListener { visionText ->
        // visionText.text tiene todo el texto del bitmap
        binding.tvResultado.text = visionText.text
    }
    .addOnFailureListener { e ->
        Log.e("MLKit", "Error OCR", e)
    }

Gemini Nano on-device:
un LLM gratis en el teléfono

Gemini Nano es la versión del modelo de lenguaje de Google diseñada para correr directamente en el hardware del dispositivo. Disponible desde Android 14 en ciertos dispositivos (Pixel 8+, Samsung Galaxy S24+ y más), y con soporte creciente a través de la Android AI Edge SDK.

La propuesta es poderosa: podés tener un chatbot, un resumidor de texto o un asistente contextual en tu app sin pagar un centavo en APIs. El modelo corre localmente — los datos del usuario nunca salen del dispositivo, lo que además es una ventaja enorme en términos de privacidad y cumplimiento normativo.

// Verificar disponibilidad en el dispositivo
val genAI = GenerativeModel(
    modelName = "gemini-nano",
    generationConfig = generationConfig {
        temperature = 0.7f
        maxOutputTokens = 256
    }
)

// Llamada en coroutine
val response = genAI.generateContent(
    "Resumí este texto en 3 puntos: $textoUsuario"
)

binding.tvResumen.text = response.text

La limitación principal es la cobertura de dispositivos: no todos los Android tienen Gemini Nano disponible. La estrategia recomendada es detectar disponibilidad en runtime y ofrecer un fallback — ya sea ML Kit para tareas específicas o una versión simplificada de la feature.

Firebase ML: cuando necesitás
tu propio modelo

Si ML Kit no tiene el caso de uso que necesitás y Gemini Nano no alcanza, Firebase ML te permite desplegar modelos TensorFlow Lite propios a todos tus usuarios. La clave: podés actualizar el modelo sin pasar por revisión de Play Store — crítico para apps donde el modelo mejora continuamente.

El plan gratuito de Firebase incluye hosting de modelos hasta 10GB, lo que es más que suficiente para cualquier modelo TFLite. Un modelo de clasificación de imágenes personalizado, por ejemplo, suele pesar entre 5 y 20MB.

¿Cuándo usar cada herramienta?

• 🤖
  Usá ML Kit cuando necesitás reconocimiento de texto, detección de rostros, lectura de códigos de barras, traducción offline o clasificación de imágenes estándar. Es la opción más rápida de implementar y funciona en cualquier dispositivo Android.
• 💎
  Usá Gemini Nano cuando tu app necesita generar texto, resumir contenido, responder preguntas o analizar lenguaje natural. Ideal para asistentes, chatbots o features de escritura. Requerís verificar compatibilidad en runtime.
• 🔥
  Usá Firebase ML cuando tenés un problema de clasificación o detección muy específico de tu dominio (por ejemplo, identificar productos de tu catálogo particular) y entrenaste o conseguiste un modelo TFLite propio.
• ☁️
  Usá APIs de pago solo cuando necesitás la calidad de un modelo grande (GPT-4, Gemini Pro) y tu modelo de negocio lo justifica. No empieces por acá si hay alternativas gratuitas que cubren tu caso de uso.