¿Cuánto cuesta ejecutar IA en tu propio hardware?

Los empresarios nos preguntan siempre lo mismo: nuestros datos son sensibles y la factura de uso crece cada mes, así que ¿podemos ejecutar el modelo nosotros mismos en lugar de depender de un servicio externo?

Una respuesta honesta empieza con una corrección: los pesos de Claude y GPT no se publican, así que nadie los ejecuta en casa, sea cual sea el hardware. Lo que sí puedes ejecutar de verdad son modelos de pesos abiertos que hoy alcanzan los 200 mil millones de parámetros y más, y que en muchas tareas prácticas se acercan a lo que ofrecen los servicios de pago: resumir documentos, responder preguntas sobre tus propios datos, escribir código, traducir. La distancia se reduce cada pocos meses.

Así que la verdadera pregunta no es si es posible, sino cuántos parámetros caben en tu máquina. Eso lleva a la única regla que lo decide todo.

La regla que lo decide: memoria antes que velocidad

Para ejecutarse, un modelo debe caber por completo en la memoria. La cuenta es más sencilla de lo que parece:

• A precisión completa: dos bytes por parámetro.
• Con cuantización de 8 bits: un byte por parámetro.
• Con cuantización de 4 bits: medio byte por parámetro, la opción práctica para la mayoría de los usos.

Después suma aproximadamente entre un 20 y un 30 % para el contexto y la sobrecarga de ejecución. El resultado es esta tabla de estimación, con la que puedes medir cualquier máquina:

Las cifras incluyen margen para la ejecución y son estimaciones; varían ligeramente según el método de cuantización y la longitud del contexto.

Esa tabla por sí sola resuelve la mayoría de las comparaciones: mira primero la capacidad de memoria, porque decide qué puedes ejecutar. El ancho de banda y el tipo de procesador deciden a qué velocidad.

Las opciones disponibles hoy

Apple: el nuevo Mac Studio

El 25 de agosto de 2026 Apple anunció una nueva generación de Mac Studio que se distribuye desde el 22 de septiembre, con la configuración de 512GB llegando a finales de octubre. Hoy es la opción más amplia en capacidad:

• M5 Max: una CPU de 18 núcleos, una GPU de hasta 40 núcleos con Neural Accelerators integrados en cada núcleo, y hasta 128GB de memoria unificada con un ancho de banda de hasta 614GB/s.
• M5 Ultra: una CPU de hasta 36 núcleos, una GPU de hasta 80 núcleos y hasta 512GB de memoria unificada, suficiente para ejecutar modelos enormes por completo en el propio dispositivo.
• Thunderbolt 5 permite agrupar varias unidades en clúster, alcanzando hasta 3x el rendimiento de un solo sistema en inferencia distribuida.

Su verdadera ventaja es que la memoria está unificada entre CPU y GPU, así que no necesitas una tarjeta aparte con su propia memoria. Incluye dos frameworks para desarrolladores: el nuevo Core AI y MLX, de código abierto.

AMD: el Ryzen AI Max+ 395

Llega en pequeños equipos de escritorio con 128GB de memoria unificada, funciona con Windows o Linux y cuesta menos que su rival directo de Nvidia. Es la opción práctica para quien quiere 128GB al menor coste, o cuyo equipo prefiere un entorno Linux conocido.

Nvidia: DGX Spark

Una caja de aproximadamente un litro con un chip Grace Blackwell y 128GB, y el producto que creó esta categoría. Su ventaja más importante no son las especificaciones sino el ecosistema CUDA: la mayoría de las herramientas de IA y de los frameworks de entrenamiento se escribieron primero para él. Si tu equipo va a entrenar o ajustar modelos en lugar de solo ejecutarlos, es un factor decisivo.

La vía tradicional: un servidor con GPU dedicadas

Sigue siendo la respuesta correcta cuando atiendes a varios usuarios a la vez. Las tarjetas de servidor ofrecen un ancho de banda muy superior al de las máquinas de memoria unificada, y eso se nota en las solicitudes simultáneas más que en el tamaño del modelo. Los inconvenientes: mayor coste, además de consumo eléctrico, calor y ruido que exigen una sala adecuada.

Las máquinas, una al lado de otra

Precios exactos y dónde comprar

Tomamos los precios de Apple directamente de sus propias tiendas de Estados Unidos y Arabia Saudí en la fecha de publicación de este artículo:

Compra en la tienda de Apple en Arabia Saudí o en la tienda de Apple en EE. UU.. Son precios de partida por configuración; ampliar la memoria al máximo los eleva considerablemente, y la opción de 512GB llega a finales de octubre y no en el lanzamiento. Ten en cuenta que el precio saudí incluye el IVA, mientras que el estadounidense es antes de impuestos.

AMD y Nvidia no venden estas máquinas directamente a un precio único: el chip de AMD se distribuye dentro de equipos de distintos fabricantes por aproximadamente 1.500 a 4.000 $ según el fabricante y la configuración, y DGX Spark salió cerca de los 4.000 $ y ha subido en el mercado. No encontramos ninguna oferta oficial de venta al público en Arabia Saudí para ninguno de los dos en la fecha de publicación, así que comprarlos implica pasar por un distribuidor o importar; en ese caso, suma el IVA, los aranceles y el envío. Sus páginas oficiales: NVIDIA DGX Spark y AMD Ryzen AI Max+ 395.

¿Qué modelo abierto ejecutas, y en qué?

La máquina es la mitad de la decisión; la otra mitad es el propio modelo. Estos son los principales modelos de pesos abiertos que puedes descargar y ejecutar hoy, con la máquina que soporta cada uno a 4 bits y una estimación de su capacidad práctica:

¿Qué significa aquí el porcentaje de capacidad? Cuánto se acerca el modelo, en el trabajo empresarial diario (resumir, responder preguntas sobre documentos, escribir código, traducir), a los modelos cerrados de pago más potentes. Es una estimación editorial de Origami basada en las especificaciones publicadas y en las cifras que informan los propios fabricantes, no el resultado de una única prueba neutral. La razón es sencilla: cada laboratorio publica sus números con un entorno de pruebas y una configuración distintos, así que hoy ninguna prueba neutral clasifica todos estos modelos. Tómalo como una guía, no como un veredicto, y prueba el modelo con tus propias tareas antes de comprometerte.

Dos notas que resumen toda la tabla: los modelos marcados como "activos" solo usan una pequeña parte de sus parámetros en cada solicitud, así que son más rápidos de lo que sugiere su tamaño, pero aun así necesitan toda la memoria. Y la diferencia entre el 72 % y el 90 % desaparece por completo en la mayor parte del trabajo de oficina, mientras que se nota claramente en tareas largas y complejas. No pagues por 512GB para ganar un margen que nunca vas a notar.

Cómo elegir, en la práctica

• ¿Uno o dos usuarios? Una máquina de memoria unificada es suficiente y ahorra mucho.
• ¿Un equipo que usa el sistema simultáneamente? Necesitarás GPU dedicadas, porque el problema ahora son las solicitudes simultáneas, no el tamaño del modelo.
• ¿Entrenamiento o ajuste fino? Inclínate por CUDA.
• ¿Quieres el modelo más grande posible con la menor complejidad? La mayor capacidad hoy es la de Apple.
• ¿Presupuesto limitado? 128GB cubren modelos de hasta 200 mil millones de parámetros a 4 bits, lo que de verdad satisface la mayoría de las necesidades de una empresa.

El compromiso que hay que entender antes de comprar: las máquinas de memoria unificada te dan gran capacidad con menor ancho de banda que las tarjetas de servidor. Cargan el modelo grande sin problemas, pero generan texto más despacio. En chat y resúmenes apenas lo notarás; en procesamiento intensivo por lotes, sí.

Cuándo un servidor privado es la decisión equivocada

Lo decimos claramente porque lo vemos a menudo: el hardware no es el final del proyecto, sino el principio. También estás comprando la responsabilidad de las actualizaciones, las copias de seguridad, la supervisión y de quien lo arregle cuando se detenga un jueves. Si tu uso es intermitente y reducido, la factura mensual de un servicio externo es más barata que la máquina, su electricidad y el tiempo de quien la gestiona.

Un servidor privado se gana su sitio cuando coinciden tres cosas: datos que no deben salir, un uso intenso y constante, y una persona o entidad que lo opere. Si falta una de las tres, rehaz el cálculo.

La visión de Origami

Creemos que la pregunta importante no es qué máquina comprar, sino qué vas a ejecutar en ella. La mayoría de quienes nos preguntan por un servidor privado necesitan en realidad un modelo de tamaño medio que responda preguntas sobre los documentos de su empresa, y eso funciona con holgura en 128GB, a veces con menos. Comprar 512GB para ejecutar un modelo de 70 mil millones de parámetros es gastar sin retorno.

Nuestro consejo práctico: define la tarea, después elige el modelo que la resuelve y luego compra la máquina que soporta ese modelo con margen. Ayudamos en ese orden: definir la tarea, seleccionar el modelo y construir la capa que lo conecta con tus datos y sistemas, porque un modelo sin conexión con tus datos sigue siendo una herramienta genérica y no un sistema al servicio de tu empresa. Nos encontrarás en la página de contacto.

Conclusión

No vas a ejecutar Claude en casa, pero sí modelos abiertos capaces que cubren la mayor parte del trabajo empresarial. Dimensiona primero tu necesidad en parámetros: medio byte por parámetro a 4 bits, más margen. Después elige entre memoria unificada, que compra capacidad a un coste razonable, y tarjetas dedicadas, que compran velocidad y simultaneidad. La decisión más importante sigue llegando antes que el hardware: qué vas a ejecutar y por qué.

Fuentes

• Comunicado de prensa de Apple, 25 de agosto de 2026: especificaciones del Mac Studio con M5 Max y M5 Ultra, capacidades y ancho de banda de la memoria unificada, clústeres mediante Thunderbolt 5 y los frameworks Core AI y MLX.
• Análisis independientes de StorageReview y HotHardware del AMD Ryzen AI Max+ 395 y el Nvidia DGX Spark, incluidas sus comparativas de capacidad y precio.
• El cálculo de memoria sigue la regla estándar para ejecutar modelos: dos bytes por parámetro a precisión completa, reduciéndose con la cuantización.
• Fichas oficiales de los modelos en Hugging Face para Qwen3.8, Llama 4, Mistral, gpt-oss, DeepSeek V4, GLM-5.3 y Kimi K3: la fuente del número de parámetros y de las licencias. Los porcentajes de capacidad son una estimación editorial de Origami, como se explica más arriba.