Un desarrollador publicó en HackerNews que se gastó 48.000 dólares en montar su propio servidor GPU — NVIDIA. La comunidad estalló: unos diciendo que es una locura, otros que es el único camino sensato si entrenas modelos con regularidad. La pregunta real no es si puedes hacerlo, sino si deberías.
En 2026 el mercado de GPU para consumo y workstation está más fragmentado que nunca. NVIDIA — NVIDIA domina con sus RTX 5090 y 6090, AMD aprieta con las Radeon RX 9000 y sus ROCm mejoradas, y las Blackwell de NVIDIA para centros de datos cuestan lo que un piso pequeño. Entre medias, un montón de startups ofrecen GPU en la nube por horas. La decisión no es trivial.
El coste real de montar tu propio servidor
Empecemos por los números. Una RTX 5090 ronda los 2.000 euros en España, si consigues encontrarla. Una configuración decente con dos RTX 5090, placa base con soporte para doble GPU, fuente de 1600W, 128 GB de RAM, un Ryzen 9 o Core Ultra 9, chasis grande con buen flujo de aire, y refrigeración líquida para las GPUs te lleva fácilmente a 8.000-10.000 euros. Si quieres cuatro GPUs, multiplica. Si miras las NVIDIA A100 o H200 — las que se usan en centros de datos — cada unidad cuesta entre 15.000 y 30.000 euros.
Luego está la electricidad. Una RTX 5090 consume 450-575 vatios bajo carga. Dos GPUs funcionando 12 horas al día en España, con la tarifa media de 0,15 €/kWh, son unos 180 euros al mes solo de luz. Si las tienes 24/7, casi 370 euros. En un año, eso son entre 2.100 y 4.400 euros adicionales que no ves en la factura de la nube porque allí va incluida en el precio por hora.
Lo que mucha gente no calcula es el ruido y el calor de tener dos GPUs al 100% en casa durante horas. Una RTX 5090 bajo carga alcanza los 50-55 dB, comparable a una aspiradora lejana. Dos al mismo tiempo llenan una habitación de ruido constante. Y el calor: 800-1000W térmicos en una habitación de 15 m² suben la temperatura 8-10 grados en minutos. En verano, o pones aire acondicionado (más electricidad) o te asas.
Comparativa: GPU propia vs cloud
Las nubes de GPU han madurado mucho. Servicios como RunPod, Vast.ai, Lambda Labs y TensorDock te permiten alquilar una RTX 5090 por 0,40-0,70 dólares la hora. Una H100 sale por 2-3 dólares la hora. Si entrenas modelos de forma intensiva pero no constante, el cloud gana por goleada.
Pongamos un ejemplo real: un desarrollador que entrena modelos fine-tune 40 horas a la semana. En cloud, con una RTX 5090 a 0,50 $/h, gasta 80 dólares semanales, unos 320 al mes. En un año, 3.840 dólares. Montar el servidor propio le costaría 8.000 euros de salida más 2.100 de electricidad el primer año. El cloud le sale más barato hasta el tercer año.
¿Cuando merece la pena el servidor propio? Cuando usas las GPUs más de 12 horas al día, cuando necesitas baja latencia constante (investigación interactiva, experimentación en tiempo real), cuando tus datos son sensibles y no quieres subirlos a ningún lado, o cuando necesitas configuraciones hardware muy específicas que la nube no ofrece.
Hardware recomendado para casa
Si después de leer los números decides lanzarte, estas son las opciones sensatas según tu presupuesto y necesidades:
Para fine-tuning y experimentación ligera: Una RTX 5090 con 32 GB VRAM es suficiente para modelos de hasta 30B parámetros con cuantización 4-bit. Con 2.000 euros de GPU y otros 2.000 del resto del equipo, tienes un setup potente. La RTX 6090, si NVIDIA la lanza este año, promete 48 GB VRAM, pero costará sobre los 3.500 euros.
Para entrenamiento serio: Necesitas al menos 4 GPUs. Aquí merece la pena mirar las used enterprise: A6000 de 48 GB de segunda mano por 4.000-5.000 euros cada una. O esperar a las RTX 5090 con NVLink si NVIDIA lo habilita. Con 4 GPUs en paralelo puedes entrenar modelos de 70B parámetros con LoRA/QLoRA.
La alternativa AMD: Las Radeon RX 9070 XT cuestan unos 750 euros y ofrecen 24 GB VRAM. Con ROCm 6.3, la compatibilidad con PyTorch ha mejorado mucho. No es tan plug-and-play como CUDA, pero si te gusta trastear, la relación calidad-precio es muy buena. Para inferencia y fine-tuning ligero, funcionan perfectamente.
Lo que no te dicen en los benchmarks
La VRAM es el cuello de botella real, no los TFLOPS. Una RTX 5090 con 32 GB VRAM se queda pequeña para modelos como Llama 4 en 8-bit sin cuantización agresiva. Para trabajar con contextos de 128K tokens necesitas mínimo 48 GB. Por eso la gente paga 30.000 euros por una H100 con 80 GB.
Otro factor que se ignora: el ancho de banda de la PCIe. Si montas 4 GPUs en una placa de consumo, el bus PCIe 5.0 se divide. Con 4 GPUs, cada una recibe solo 8 líneas, lo que reduce el rendimiento en entrenamiento distribuido entre un 10% y un 25% dependiendo del modelo.
Si no necesitas entrenar, no compres una GPU para inferencia. Los proveedores de API como OpenRouter, Together o Groq son tan baratos que la GPU propia nunca amortiza la inversión solo para ejecutar modelos. Una RTX 5090 para inferencia 20 horas a la semana tardaría más de 5 años en ser rentable frente a pagar por tokens.
Veredicto
Montar un servidor GPU en casa en 2026 solo tiene sentido en tres casos: entrenas más de 40 horas semanales, trabajas con datos sensibles que no pueden salir de tu red, o necesitas latencia mínima para investigación interactiva. Para todo lo demás, el cloud es más barato, más silencioso y no te fríe la habitación en verano.
El caso del desarrollador de los 48.000 dólares tiene trampa: el propio admite que si hubiera alquilado las mismas GPUs en la nube le habría costado 62.000 dólares en dos años. En su caso concreto, sale a cuenta. Pero tuvo que pagar 48.000 de golpe, gestionar la refrigeración, el ruido, y lidiar con averías. No es para todos.