La inteligencia artificial ya no vive únicamente en la nube. Hoy es posible construir una estación de trabajo capaz de ejecutar modelos de lenguaje avanzados en local con una inversión inferior a 2.000 €. Y, para muchos casos de uso, tiene más sentido de lo que parece.
Hasta hace poco, hablar de inteligencia artificial significaba hablar de la nube.
Cada solicitud pasaba por una API. Cada documento se procesaba en una infraestructura externa. Cada nuevo proyecto tenía un coste asociado al consumo.
Era el modelo natural y, para muchos escenarios, seguirá siendo la opción más adecuada.
En los últimos meses, sin embargo, he notado que la pregunta está cambiando.
Ya no se trata únicamente de qué modelo elegir o qué API tiene el precio más bajo.
Cada vez más aparece otra cuestión:
¿Sigue teniendo sentido depender siempre de la nube?
Desde mi punto de vista, la respuesta es no.
No porque la nube esté perdiendo importancia. Los modelos más avanzados seguirán necesitando grandes infraestructuras y los servicios cloud continuarán siendo esenciales.
Pero un número creciente de tareas puede ejecutarse directamente en nuestro propio equipo, manteniendo documentos, código y datos sensibles bajo nuestro control.
Ese es, probablemente, uno de los cambios más interesantes que está viviendo la inteligencia artificial.
¿Por qué ahora?
Tres factores están acelerando este cambio.
El primero son los propios modelos.
Familias como Llama, Qwen, Mistral, Gemma y DeepSeek han demostrado que los modelos open weight son ya suficientemente capaces para tareas reales: desarrollo de software, análisis documental, sistemas RAG, asistentes personales y automatización de procesos.
El segundo factor es el software.
Herramientas como Ollama, LM Studio y llama.cpp han reducido enormemente la complejidad necesaria para ejecutar modelos en local. Lo que antes requería conocimientos avanzados ahora puede configurarse en pocos minutos.
El tercer factor es el hardware.
El mercado de segunda mano ha hecho más accesibles tarjetas gráficas de gama alta que hasta hace poco tenían precios difíciles de justificar. Esto ha cambiado la relación entre coste y rendimiento.
El recurso más importante no es la CPU
Cuando pensamos en montar un ordenador, normalmente empezamos por el procesador.
En los modelos de lenguaje, sin embargo, el componente más importante suele ser otro: la memoria de la GPU.
Cada modelo debe cargarse en la memoria de vídeo antes de ejecutarse. Si no cabe completamente en la VRAM disponible, parte del trabajo pasa a la memoria principal del sistema, reduciendo de forma importante el rendimiento.
Por eso una GPU con 24 GB de VRAM representa hoy uno de los puntos de equilibrio más interesantes.
Gracias a la cuantización es posible ejecutar modelos mucho más grandes que su tamaño original.
De forma aproximada:
- los modelos de 7B-8B funcionan sin problemas;
- los modelos de 14B-22B son actualmente una opción muy interesante para uso profesional;
- los modelos de 70B requieren configuraciones más avanzadas, normalmente con varias GPU.
El tamaño del modelo, sin embargo, no lo es todo.
Un modelo más pequeño y especializado puede ofrecer mejores resultados que uno mucho mayor para una tarea concreta.
¿Ordenador de sobremesa o portátil?
Para ejecutar modelos de IA en local, el ordenador de sobremesa sigue siendo la opción más práctica.
La razón es sencilla: la VRAM.
Muchas GPU de portátiles tienen menos memoria que sus equivalentes de sobremesa. Por ejemplo, una RTX 4090 para portátil suele ofrecer 16 GB de VRAM, mientras que la versión de sobremesa dispone de 24 GB.
Esa diferencia limita directamente el tamaño de los modelos que se pueden ejecutar.
Un equipo de sobremesa también ofrece mejor refrigeración, más posibilidades de actualización y un mercado de segunda mano mucho más interesante.
La contrapartida son el tamaño y un mayor consumo energético.
Tres configuraciones de IA por debajo de 2.000 €
RTX 3090: el punto de equilibrio
Si tuviera que recomendar una única configuración hoy, probablemente sería esta.
Una RTX 3090 con 24 GB de VRAM sigue ofreciendo una de las mejores relaciones entre precio y rendimiento disponibles.
Con un presupuesto aproximado de 1.400 a 1.700 € es posible montar un equipo con:
- Nvidia RTX 3090 (24 GB);
- AMD Ryzen 9 o Intel Core i7;
- 64 GB de RAM;
- SSD NVMe de 2 TB.
Es una configuración adecuada para desarrolladores, consultores y profesionales que quieren utilizar modelos locales de forma habitual.
Workstation profesional reacondicionada
Para quienes prefieren no montar un ordenador desde cero, las estaciones de trabajo profesionales reacondicionadas son una alternativa interesante.
Equipos como Dell Precision, HP Z o Lenovo ThinkStation están diseñados para trabajar durante muchas horas y ofrecen una buena fiabilidad.
Con una RTX A5000 de 24 GB, 64-128 GB de RAM y almacenamiento rápido, es posible mantenerse dentro del presupuesto de 2.000 €.
Es una opción especialmente adecuada para pequeños equipos técnicos o entornos profesionales.
Dos RTX 3090
Para quienes quieren experimentar con modelos más grandes, una configuración con dos RTX 3090 permite alcanzar 48 GB de VRAM total.
Esto abre la posibilidad de ejecutar modelos cuantizados de mayor tamaño.
El inconveniente es una mayor complejidad: más consumo energético, más calor, una fuente de alimentación adecuada y una configuración de software más exigente.
Es una solución potente, pero no sería mi primera recomendación.
Comprar hardware de segunda mano
El mercado usado puede reducir mucho el coste, pero requiere cierta atención.
Muchas GPU proceden de equipos utilizados para minería de criptomonedas.
Eso no significa automáticamente que sean una mala compra, pero conviene revisar temperaturas bajo carga, estado de los ventiladores y condiciones generales de la tarjeta.
Cuando sea posible, comprar a vendedores profesionales con garantía aporta una seguridad adicional.
La privacidad no es la única ventaja
Cuando se habla de IA local, normalmente el primer argumento es la privacidad.
Es importante.
Pero creo que la ventaja más interesante está en otro punto.
Los agentes de IA están cambiando la forma en la que utilizamos los modelos de lenguaje.
No realizan una única petición.
Planifican, leen documentos, escriben código, verifican resultados, corrigen errores y repiten el proceso.
Cuando cada paso pasa por una API de pago, el coste puede crecer rápidamente.
Ejecutar parte de esa carga de trabajo en local cambia la economía del sistema.
No sustituye a la nube.
Permite utilizarla donde realmente aporta valor y mantener bajo control el resto de los procesos.
Conclusión
Durante años, la nube fue la única opción realista.
Hoy ya no es así.
Con menos de 2.000 € es posible construir una workstation capaz de ejecutar modelos de lenguaje avanzados en local y resolver muchas tareas habituales de inteligencia artificial sin depender completamente de servicios externos.
No será la solución adecuada para todos.
Pero creo que estamos viendo el inicio de un cambio parecido al que ocurrió con los ordenadores personales.
Al principio eran herramientas para unos pocos aficionados.
Con el tiempo se convirtieron en algo que todos esperábamos tener.
Quizás dentro de unos años tener un modelo de inteligencia artificial personal funcionando en nuestro propio equipo nos parecerá igual de normal.
