Qué es Ollama, para qué sirve, cómo funciona

Ollama es una plataforma que ejecuta modelos de Inteligencia Artificial en equipos locales o mediante servicios cloud. Permite descargar, gestionar e integrar LLM y otros modelos desde una aplicación, la terminal o una API. Su enfoque local refuerza la privacidad y facilita crear asistentes, analizar información y automatizar flujos técnicos.

Ollama simplifica el uso de modelos de Inteligencia Artificial sin depender siempre de plataformas externas. El usuario controla el modelo, el entorno de ejecución y los datos que intervienen en cada consulta. Además, su API facilita la conexión con aplicaciones, scripts y herramientas especializadas.

Esta flexibilidad es útil en ciberseguridad, donde la privacidad, el control de la información y la integración técnica tienen un papel decisivo. A lo largo del artículo veremos sus funciones, los modelos compatibles, la instalación básica y su aplicación en el análisis de información de seguridad.

Ollama en la Inteligencia Artificial generativa

Ollama actúa como una capa de ejecución para modelos de Inteligencia Artificial generativa. La plataforma descarga, administra y ejecuta modelos de lenguaje desde una aplicación, la terminal o una API. De este modo, el usuario interactúa con modelos abiertos sin depender de una interfaz web externa ni entregar siempre la información a un servicio de terceros.

Su principal diferencia reside en la inferencia local. El modelo procesa las instrucciones dentro del propio equipo, por lo que la organización mantiene un control directo sobre prompts, documentos y respuestas. Este enfoque es especialmente relevante cuando el flujo incorpora código fuente, registros internos, informes técnicos o información confidencial. Ollama también admite un modo exclusivamente local que desactiva sus funciones cloud.

Además, Ollama integra modelos cloud para ejecutar soluciones de mayor tamaño sin exigir una GPU avanzada en el dispositivo. Esta arquitectura híbrida permite seleccionar el entorno según el nivel de privacidad, la capacidad del hardware y la complejidad de cada tarea.

Ollama ejecuta modelos de IA en local, facilita integraciones, análisis de seguridad, automatización controlada y protege la privacidad de datos

Para qué sirve Ollama

Ollama sirve para ejecutar modelos de Inteligencia Artificial y utilizarlos dentro de flujos personales, profesionales o técnicos. La plataforma centraliza la descarga, la administración y la ejecución de modelos, por lo que evita configurar manualmente cada componente necesario para realizar inferencias.

Además, Ollama permite conectar esos modelos con aplicaciones, scripts y bases de conocimiento. De este modo, el usuario no queda limitado a una conversación desde la terminal, sino que integra la IA en herramientas propias, sistemas internos y procesos automatizados.

Entre sus principales usos destacan:

• Ejecutar modelos de lenguaje: Ollama permite conversar con modelos, resumir información, clasificar textos o generar contenido desde el equipo local o mediante modelos cloud.
• Analizar documentos: La plataforma trabaja junto a sistemas RAG para consultar manuales, informes, procedimientos internos y otras fuentes documentales.
• Generar y revisar código: Los modelos especializados ayudan a explicar funciones, detectar errores, proponer correcciones o crear scripts. La revisión humana sigue siendo necesaria antes de ejecutar cualquier resultado.
• Crear asistentes privados: Una organización puede desarrollar asistentes que trabajen con información interna sin enviar siempre los datos a una plataforma externa.
• Desarrollar sistemas RAG: Ollama conecta modelos con bases vectoriales y repositorios documentales para generar respuestas basadas en información seleccionada.
• Integrar modelos mediante API: La API permite incorporar Ollama a aplicaciones desarrolladas en Python, JavaScript y otros lenguajes.
• Generar embeddings: Los embeddings convierten textos en representaciones numéricas útiles para búsquedas semánticas, clasificación y recuperación de información.
• Obtener salidas estructuradas: Ollama devuelve respuestas en JSON según un esquema definido, algo útil para automatizaciones, informes y procesamiento posterior.

En conjunto, Ollama convierte los modelos de Inteligencia Artificial en herramientas integrables, controlables y adaptadas a necesidades técnicas concretas.

Modelos compatibles con Ollama

Ollama admite modelos de Inteligencia Artificial orientados a conversación, razonamiento, programación, análisis multimodal y generación de embeddings. Su biblioteca reúne distintas familias y tamaños, por lo que la elección depende de la tarea, la memoria disponible y el rendimiento que necesita cada proyecto.

Además del catálogo oficial, Ollama permite importar modelos en formatos compatibles, como GGUF, pesos Safetensors y determinados adaptadores. Esta capacidad facilita trabajar con modelos personalizados o ajustados para un sector concreto.

La compatibilidad no implica que todos los modelos funcionen igual en cualquier equipo. El número de parámetros, la cuantización, la longitud de contexto y la memoria RAM o VRAM influyen directamente en la velocidad y el consumo de recursos. Los modelos pequeños ofrecen una ejecución más ligera, mientras que las versiones grandes exigen hardware más potente.

Por tanto, la mejor opción no siempre es el modelo con mayor tamaño. La elección debe responder al tipo de tarea, al nivel de privacidad requerido y a los recursos disponibles.

Características principales de Ollama

Ollama reúne las funciones necesarias para descargar, ejecutar, personalizar e integrar modelos de Inteligencia Artificial desde un mismo entorno. Su diseño simplifica la inferencia local, aunque también incorpora modelos cloud para ejecutar soluciones de mayor tamaño cuando el hardware disponible resulta insuficiente.

Entre sus principales características destacan:

• Ejecución local de modelos: Ollama procesa prompts y respuestas dentro del equipo, lo que aporta mayor control sobre documentos, código e información interna.
• Acceso mediante aplicación y terminal: El usuario administra modelos desde una interfaz gráfica o mediante comandos para descargar, ejecutar, consultar y eliminar modelos.
• API REST: La API local permite conectar Ollama con aplicaciones, scripts y servicios propios. Además, existen librerías oficiales para Python y JavaScript.
• Personalización mediante Modelfile: Este archivo define el modelo base, los parámetros, el mensaje de sistema, la plantilla y los adaptadores utilizados para crear una configuración personalizada.
• Generación de embeddings: Ollama convierte textos en vectores numéricos destinados a búsquedas semánticas, recuperación documental y sistemas RAG.
• Salidas estructuradas: Los modelos compatibles devuelven respuestas en formato JSON ajustadas a un esquema, lo que facilita su uso en automatizaciones e informes.
• Conexión con herramientas externas: La función tool calling permite que un modelo solicite la ejecución de funciones definidas por una aplicación e incorpore sus resultados a la respuesta.
• Modelos locales y cloud: Los modelos cloud descargan la carga computacional en la infraestructura de Ollama y permiten trabajar con modelos que no caben en un equipo personal.

Estas características convierten Ollama en una plataforma flexible para utilizar modelos de IA en proyectos privados, aplicaciones propias y flujos técnicos avanzados.

Instalación básica de Ollama

Ollama está disponible para Windows, macOS y Linux. El proceso cambia según el sistema operativo, aunque en todos los casos permite administrar los modelos desde la aplicación o mediante comandos en la terminal. Antes de comenzar, conviene revisar el espacio disponible, ya que el tamaño de cada modelo varía según su número de parámetros y nivel de cuantización.

En Windows, la instalación más directa consiste en descargar y ejecutar el archivo OllamaSetup.exe. El instalador configura la aplicación y habilita los comandos de Ollama en el sistema.

En macOS, el usuario descarga el archivo de instalación, abre la imagen .dmg y mueve Ollama a la carpeta Aplicaciones. Los equipos con procesadores Apple Silicon aprovechan mejor la aceleración disponible para ejecutar los modelos.

En Linux, la instalación oficial utiliza el siguiente comando:

curl -fsSL https://ollama.com/install.sh | sh

Una vez instalada la plataforma, el siguiente paso consiste en descargar un modelo desde la biblioteca de Ollama:

ollama pull gemma3

Después, este comando ejecuta el modelo e inicia una conversación desde la terminal:

ollama run gemma3

Para consultar los modelos que ya están descargados en el equipo:

ollama ls

Estos fragmentos deben insertarse en WordPress mediante un bloque HTML personalizado. Las etiquetas <pre> y <code> mantienen el formato técnico, permiten copiar los comandos y conservan el contenido como texto indexable.

Ollama también habilita una API local en http://localhost:11434, desde la que aplicaciones y scripts interactúan con los modelos instalados. Con esta configuración básica, el entorno queda preparado para ejecutar consultas e integrar la Inteligencia Artificial en proyectos propios.

Cómo usar Ollama para analizar información de seguridad

Ollama ayuda a interpretar logs, alertas, informes de vulnerabilidades y evidencias textuales mediante modelos ejecutados en local. Sin embargo, la plataforma no recopila eventos ni detecta amenazas por sí sola. Una aplicación, un script o una herramienta de seguridad debe entregar los datos al modelo a través de la API local, disponible de forma predeterminada en http://localhost:11434/api.

El flujo de trabajo sigue esta estructura:

Fuente de datos → script o aplicación → Ollama → revisión del analista

Para comenzar, el analista selecciona un modelo compatible y prepara únicamente la información necesaria. Los datos deben limpiarse antes de enviarlos para eliminar credenciales, tokens, datos personales u otros elementos sensibles. Después, el prompt debe definir con precisión la tarea, el contexto y el formato esperado.

Por ejemplo, Ollama permite:

• Resumir logs de autenticación para localizar intentos repetidos, direcciones IP sospechosas o patrones temporales.
• Clasificar alertas de seguridad según su gravedad, activo afectado y posible impacto.
• Analizar informes de vulnerabilidades para extraer CVE, productos afectados, vectores de ataque y medidas de mitigación.
• Organizar indicadores de compromiso como dominios, hashes, direcciones IP o rutas de archivos.
• Consultar documentación interna mediante embeddings y sistemas RAG conectados con procedimientos, playbooks y bases de conocimiento.
• Generar resultados estructurados en JSON para trasladar los hallazgos a informes, paneles o automatizaciones posteriores.

Ollama también admite tool calling, aunque una aplicación externa debe definir, autorizar y ejecutar cada función. El modelo nunca debe recibir permisos directos para aislar equipos, eliminar archivos o modificar sistemas sin controles previos.

El analista debe validar siempre las conclusiones, porque el modelo interpreta información, pero no sustituye un SIEM, un EDR, un SOAR ni una investigación técnica completa.

Qué se puede hacer con Ollama en ciberseguridad

Ollama permite incorporar modelos de Inteligencia Artificial en tareas de análisis, documentación y apoyo técnico dentro de entornos de ciberseguridad. Su valor está en procesar información no estructurada, resumir hallazgos y acelerar trabajos que exigen interpretar grandes volúmenes de texto, código o evidencias.

Entre sus aplicaciones más útiles se encuentran:

• Analizar registros de seguridad: Ollama resume eventos, identifica patrones repetidos y organiza información procedente de logs de autenticación, sistemas operativos o aplicaciones.
• Priorizar vulnerabilidades: El modelo interpreta resultados de escáneres, relaciona CVE con activos afectados y genera resúmenes orientados a la remediación.
• Apoyar investigaciones de ciberinteligencia: Ollama extrae indicadores, actores, técnicas MITRE ATT&CK, campañas y relaciones entre entidades presentes en informes de amenazas.
• Revisar código y scripts: Los modelos especializados explican fragmentos, localizan errores lógicos, señalan prácticas inseguras y proponen correcciones que un profesional debe validar.
• Crear asistentes para equipos SOC: Un sistema RAG conecta Ollama con playbooks, procedimientos internos, inventarios y documentación técnica para responder preguntas basadas en fuentes controladas.
• Redactar informes de incidentes: Las salidas estructuradas organizan cronologías, activos afectados, indicadores de compromiso, impacto y acciones recomendadas.
• Preparar ejercicios de formación: Ollama genera escenarios, preguntas técnicas y simulaciones adaptadas al nivel de analistas, pentesters o equipos de respuesta.

Estas aplicaciones requieren integraciones externas y supervisión humana. Ollama no sustituye un SIEM, un EDR, un SOAR ni una plataforma de Threat Intelligence. Tampoco debe ejecutar scripts, bloquear direcciones IP o modificar sistemas sin controles de autorización.

En ciberseguridad, Ollama aporta velocidad y contexto, mientras que el analista conserva la responsabilidad sobre la validación técnica y las decisiones operativas

Ollama es seguro

Ollama ofrece un nivel alto de control cuando ejecuta los modelos de Inteligencia Artificial en local. En este modo, los prompts, documentos y respuestas permanecen dentro del equipo, lo que reduce la exposición de información sensible y evita depender de servicios externos para cada consulta.

Sin embargo, la seguridad también depende de la configuración. La API local funciona de forma predeterminada en http://localhost:11434, por lo que exponerla a una red sin autenticación, filtrado o segmentación amplía la superficie de ataque. Además, conviene limitar el acceso a documentos confidenciales, revisar los modelos utilizados y controlar las aplicaciones conectadas.

Los riesgos no terminan en la infraestructura. Los modelos generan respuestas incorrectas, inventan datos o interpretan mal una evidencia. También existe riesgo de prompt injection en sistemas RAG y de ejecución insegura cuando Ollama trabaja con scripts o herramientas externas. Por tanto, cualquier acción sobre archivos, cuentas o sistemas críticos necesita permisos mínimos y validación humana.

El uso de Ollama Cloud introduce otro escenario, ya que parte del procesamiento sale del equipo local. Cada organización debe elegir entre local y cloud según sus requisitos de privacidad, rendimiento, cumplimiento normativo y capacidad técnica.

En definitiva, Ollama facilita la ejecución de modelos, el análisis de información, la creación de asistentes privados y su integración en flujos de ciberseguridad, pero exige comprender sus límites y aplicar controles adecuados. Ese equilibrio entre Inteligencia Artificial, privacidad, análisis técnico y seguridad operativa es precisamente el que desarrolla el Máster en Inteligencia Artificial Aplicada a la Ciberseguridad, donde herramientas como Ollama se estudian dentro de escenarios reales y arquitecturas controladas.