Durante los últimos dos años, ejecutar inteligencia artificial en local ha dejado de ser un experimento reservado a entusiastas con varias tarjetas gráficas para convertirse en una alternativa razonable al uso constante de servicios como ChatGPT, Claude, Gemini o DeepSeek.
Los modelos abiertos han mejorado enormemente, las cuantizaciones permiten reducir de forma considerable sus necesidades de memoria y han aparecido equipos específicamente diseñados para ejecutar IA en local. Al mismo tiempo, el coste de utilizar modelos comerciales mediante API puede crecer rápidamente cuando empezamos a introducir agentes de desarrollo, automatizaciones o procesos que trabajan durante horas.
La pregunta ya no es si es posible montar IA en casa.
La pregunta es otra:
¿Cuánto hay que gastar para que sea realmente útil?
La respuesta depende mucho de lo que queramos hacer. Generar textos para un blog no exige lo mismo que sustituir parcialmente a Claude Sonnet como asistente de programación, y generar imágenes tiene unos requisitos de hardware diferentes a mantener varios agentes de desarrollo trabajando simultáneamente.
A fecha de agosto de 2026, estas son las principales opciones.
Antes del hardware: entender dónde está realmente el límite
Cuando hablamos de IA local es habitual centrarse en CPU, TOPS o potencia bruta de la GPU. Sin embargo, para ejecutar grandes modelos de lenguaje hay dos variables que suelen ser todavía más importantes:
la cantidad de memoria disponible y su ancho de banda.
Un modelo tiene que almacenar sus pesos en memoria antes de poder realizar inferencia.
Esto significa que una GPU tremendamente rápida con 16 GB de VRAM simplemente no puede ejecutar determinados modelos, mientras que una máquina aparentemente menos potente con 64 o 128 GB puede hacerlo.
Como orientación muy aproximada:
| Modelo | Memoria típica con cuantización de 4 bits |
|---|---|
| 8B | 5–6 GB |
| 14B | 9–11 GB |
| 30–32B | 18–22 GB |
| 70B | 40–45 GB |
| 80B | 45–50 GB |
| 120B | 65–80 GB |
| 200B+ | 100 GB o más |
Hay que añadir además memoria para el contexto, la caché KV, el runtime y el propio sistema operativo.
Por eso una GPU de 24 GB sigue siendo un punto interesante para empezar, pero una máquina con 64 GB abre una categoría completamente diferente de modelos y 128 GB permite ya plantearse IA local de bastante alto nivel.
El gran cambio: los modelos MoE
La evolución de los modelos Mixture of Experts (MoE) está alterando además la forma en la que debemos dimensionar el hardware.
Un modelo MoE puede tener decenas o cientos de miles de millones de parámetros almacenados, pero utilizar sólo una pequeña parte en cada token generado.
Un buen ejemplo es Qwen3-Coder-Next, diseñado específicamente para agentes de programación y desarrollo local.
Tiene:
- 80.000 millones de parámetros totales.
- Sólo 3.000 millones activos por token.
- Contexto nativo de 262.144 tokens.
- Tool calling.
- Capacidades específicas para trabajar con terminal, IDE y agentes de programación.
La cuantización Q4_K_M oficial ocupa aproximadamente 48,4 GB.
Es decir:
un ordenador con 64 GB de memoria accesible por la GPU puede ejecutar un modelo de coding de 80B, algo impensable hace pocos años en una máquina doméstica.
Pero existe una particularidad importante.
Aunque sólo se activen 3B parámetros durante cada token, los 80B de pesos tienen que estar almacenados en memoria.
MoE reduce enormemente la potencia de cálculo necesaria, pero no elimina el problema de la capacidad de memoria.
¿Qué modelos locales merecen realmente la pena?
No existe un único modelo ideal.
Para una instalación doméstica resulta mucho más práctico trabajar con diferentes categorías.
Modelos de 7B a 14B
Son pequeños, rápidos y pueden funcionar incluso con GPUs de gama media.
Son adecuados para:
- clasificación;
- resúmenes;
- generación sencilla de contenidos;
- traducciones;
- extracción de información;
- pequeños agentes;
- automatizaciones.
Pero ya no deberían ser el objetivo principal si buscamos un asistente de programación realmente competente.
20B–35B: probablemente el mejor equilibrio actual
Aquí se encuentra uno de los segmentos más interesantes.
Los modelos MoE modernos de alrededor de 30–35B pueden tener únicamente unos 3B de parámetros activos y ofrecer velocidades muy elevadas.
En un NVIDIA GB10, por ejemplo, Qwen3.6-35B-A3B alcanza en benchmarks comunitarios reproducibles más de 80 tokens por segundo, mientras modelos como Ornith 1.5 35B-A3B están específicamente orientados a coding y agentes.
Esta categoría encaja perfectamente en GPUs de 24 GB utilizando cuantizaciones adecuadas.
Para muchas tareas profesionales pueden encargarse de:
- implementar endpoints;
- desarrollar componentes;
- generar tests;
- modificar bases de datos;
- refactorizar código;
- documentar;
- solucionar errores relativamente acotados;
- crear scripts;
- analizar logs.
Para alguien que quiera reducir su consumo de Claude, GPT o DeepSeek, probablemente sea el primer escalón realmente interesante.
70B–80B: donde la IA local empieza a ponerse seria
Aquí entran modelos como Qwen3-Coder-Next.
Con unos 48 GB en Q4, ya necesitamos máquinas con aproximadamente 64 GB o más para ejecutarlos cómodamente.
El salto respecto a los modelos pequeños es importante, especialmente para:
- analizar repositorios;
- cambios que afectan a varios archivos;
- razonamiento prolongado;
- uso de herramientas;
- agentes de programación;
- recuperación automática después de errores;
- contextos grandes.
Este es probablemente el nivel al que debería aspirar alguien que quiera utilizar IA local profesionalmente.
Y después aparece DeepSeek V4
DeepSeek permite entender perfectamente dónde está todavía la frontera de la IA doméstica.
DeepSeek V4 Flash tiene:
- 284B parámetros totales.
- 13B activos.
- arquitectura MoE.
- contexto de hasta un millón de tokens.
DeepSeek V4 Pro sube hasta:
- 1,6 billones de parámetros.
- 49B activos.
- contexto de un millón de tokens.
Esto cambia completamente los requisitos.
Una conversión GGUF de DeepSeek V4 Flash necesita aproximadamente:
- Q2: 98,6 GB
- Q4/MXFP4: alrededor de 155 GB.
Por tanto, una máquina con 128 GB puede ejecutar V4 Flash mediante una cuantización agresiva, pero no representa la configuración ideal para conservar toda su calidad y tener además contexto, sistema operativo y otros procesos.
DeepSeek V4 Pro pertenece directamente a otra categoría.
Con 1,6T parámetros no es un objetivo sensato para una workstation doméstica.
Esto conduce a una conclusión importante:
El objetivo de la IA local no debería ser eliminar completamente los modelos cloud, sino conseguir que el 70–90 % del trabajo pueda resolverse localmente y reservar los modelos frontier para los problemas realmente difíciles.
NVIDIA GeForce: la opción tradicional
Durante años, la forma habitual de montar IA local ha sido un PC Linux o Windows con una GPU NVIDIA.
Y sigue teniendo una ventaja enorme:
CUDA
El ecosistema NVIDIA continúa siendo el más amplio.
Permite utilizar con relativa facilidad:
- PyTorch;
- llama.cpp;
- Ollama;
- vLLM;
- SGLang;
- TensorRT;
- ComfyUI;
- Stable Diffusion;
- FLUX;
- herramientas de entrenamiento y fine-tuning.
Si el objetivo es experimentar con IA, NVIDIA sigue siendo la plataforma con menos fricción.
El problema actual es la relación entre precio y VRAM.
RTX 3090: el clásico que se resiste a morir
La RTX 3090 apareció en 2020, pero sus 24 GB de VRAM siguen haciéndola sorprendentemente interesante para IA local.
En el mercado de segunda mano aparecen ocasionalmente unidades alrededor de los 700 €, aunque la disponibilidad es limitada y conviene extremar las precauciones sobre procedencia, refrigeración y posible uso anterior en minería.
Una 3090 permite ejecutar cómodamente:
- modelos 7–14B;
- modelos 20B;
- muchos modelos 30–35B cuantizados;
- generación de imágenes;
- embeddings;
- Whisper;
- visión;
- ComfyUI.
Si ya existe un PC adecuado y encontramos una buena unidad usada, sigue siendo probablemente la vía más barata para tener IA local realmente útil.
Una instalación reutilizando hardware podría situarse alrededor de:
1.000–1.500 €
incluyendo GPU, posible fuente de alimentación y almacenamiento SSD.
El problema es que dependemos del mercado de segunda mano.
RTX 4090 y 5090: mucha velocidad, poca memoria para su precio
Sobre el papel son máquinas espectaculares.
La RTX 4090 tiene 24 GB con aproximadamente 1 TB/s de ancho de banda, mientras la RTX 5090 aumenta hasta 32 GB GDDR7.
Pero el mercado actual hace difícil recomendarlas únicamente para LLM.
En agosto de 2026 las RTX 4090 nuevas aparecen alrededor de 3.400 €, mientras las RTX 5090 empiezan aproximadamente en 4.800 € y determinados modelos superan ampliamente los 5.000 €.
Es mucho dinero para acabar teniendo:
24 GB o 32 GB de memoria.
Son fantásticas si además queremos:
- gaming;
- generación intensiva de imágenes;
- vídeo;
- entrenamiento;
- CUDA;
- máximo rendimiento por token.
Pero para ejecutar modelos grandes, la capacidad de memoria se convierte rápidamente en el cuello de botella.
¿Y las RTX profesionales?
NVIDIA tiene una solución perfecta sobre el papel:
RTX PRO 6000 Blackwell
Ofrece:
96 GB GDDR7.
El problema es el precio.
En España ronda actualmente los 17.000 € sólo por la GPU.
Esto la deja claramente fuera de una instalación doméstica razonable.
Apple Silicon: cuando la memoria unificada cambia las reglas
Apple ha terminado convirtiéndose, casi accidentalmente, en una de las plataformas más interesantes para ejecutar LLM localmente.
La razón es la memoria unificada.
CPU y GPU acceden al mismo pool de memoria, por lo que es posible configurar máquinas con:
- 64 GB;
- 96 GB;
- 128 GB;
- 256 GB;
- incluso 512 GB.
No estamos hablando de RAM convencional utilizada mediante un lento offload desde GPU: la GPU accede directamente a esa memoria.
Esto permite ejecutar modelos que requerirían GPUs profesionales extremadamente caras en el ecosistema NVIDIA.
Un inesperado campeón de segunda mano: M1 Ultra
El Mac Studio M1 Ultra apareció en 2022, pero tenía una característica extraordinaria:
800 GB/s de ancho de banda de memoria.
Apple ofrecía configuraciones de 64 y 128 GB.
En 2026 pueden encontrarse equipos reacondicionados M1 Ultra con 64 GB alrededor de 3.300 €.
Como ordenador general ya ha sido ampliamente superado por los chips M4 y M5, especialmente en rendimiento de CPU por núcleo.
Pero para inferencia LLM sigue siendo sorprendentemente interesante.
Puede ser una opción excelente si se encuentra una configuración de 64 o, especialmente, 128 GB a buen precio.
Mac Studio M5 Max: probablemente la mejor workstation todo en uno
La generación actual M5 Max admite:
- hasta 128 GB de memoria unificada;
- 614 GB/s de ancho de banda;
- GPU de hasta 40 núcleos;
- Thunderbolt 5;
- Ethernet de 10 Gb.
El problema vuelve a ser el precio.
En Apple España, un M5 Max con:
- GPU de 40 núcleos;
- 128 GB;
- SSD de 1 TB;
cuesta actualmente 6.219 €.
Reduciendo el SSD interno a 512 GB se ahorran 330 €, quedando alrededor de:
5.889 €
Para una máquina que además se utilizará diariamente como workstation, puede tener sentido.
No ofrece CUDA, pero herramientas como:
- MLX;
- oMLX;
- llama.cpp;
- Ollama;
- LM Studio;
permiten utilizar una cantidad cada vez mayor de modelos.
Para desarrollo profesional tiene además una ventaja evidente: macOS es una workstation completa, silenciosa y eficiente, especialmente atractiva para desarrolladores web, mobile o iOS.
M5 Ultra: enormes modelos, enormes precios
El M5 Ultra eleva el máximo hasta:
512 GB de memoria unificada
con:
1,2 TB/s de ancho de banda.
Técnicamente es una máquina extraordinaria para IA local.
Pero el modelo Ultra empieza ya en 6.649 € con configuraciones inferiores de memoria, y subir hacia 256 o 512 GB dispara rápidamente el precio.
Para un usuario doméstico resulta difícil justificarlo económicamente frente a utilizar cloud para las tareas excepcionales.
NVIDIA DGX Spark y los nuevos ordenadores GB10
NVIDIA ha creado además una nueva categoría de producto:
los ordenadores personales para IA basados en Grace Blackwell GB10.
El representante más conocido es DGX Spark.
Incluye:
- GB10 Grace Blackwell;
- CPU ARM de 20 núcleos;
- GPU Blackwell;
- 128 GB de memoria coherente unificada;
- 273 GB/s de ancho de banda;
- 4 TB NVMe;
- CUDA;
- ConnectX-7 de 200 Gb/s;
- hasta 1 PFLOP FP4;
- TDP del GB10 de 140 W.
NVIDIA fijó su precio europeo en:
4.800 €
aunque actualmente la propia tienda de NVIDIA lo muestra agotado.
Han aparecido, sin embargo, versiones de fabricantes como ASUS.
El ASUS Ascent GX10, también con 128 GB y GB10, puede encontrarse actualmente desde aproximadamente 4.967 €.
¿Es mejor un GB10 que un Mac?
Depende completamente del uso.
El GB10 tiene una ventaja extraordinaria:
CUDA.
Permite trabajar con:
- vLLM;
- SGLang;
- PyTorch;
- TensorRT;
- NIM;
- toda la pila NVIDIA.
Para convertir la máquina en un servidor de inferencia dedicado, es probablemente una de las soluciones domésticas más interesantes disponibles.
Además, los modelos MoE le sientan particularmente bien.
SparkBench mide, por ejemplo:
- Qwen3.6-35B-A3B: ~86 tok/s;
- Qwen3-Coder-Next: ~59 tok/s en una configuración NVFP4;
- Qwen3-Coder 30B-A3B: ~42 tok/s.
Otros tests con vLLM muestran Qwen3-Coder-Next alrededor de 70–75 tokens/s en una petición y más de 200 tokens/s agregados cuando se utilizan varios agentes simultáneamente.
Su debilidad es el ancho de banda:
273 GB/s.
Un Mac Studio M5 Max alcanza 614 GB/s y un antiguo M1 Ultra tenía 800 GB/s.
Por ello los modelos dense grandes pueden funcionar considerablemente peor en GB10.
Como servidor de agentes MoE, es excelente.
Como workstation de uso diario, su Linux ARM/DGX OS resulta menos cómodo para muchos usuarios.
AMD entra en juego: Ryzen AI Max+ 395
La tercera alternativa interesante es AMD.
El Ryzen AI Max+ 395, conocido originalmente como Strix Halo, combina:
- CPU Zen 5 de 16 núcleos / 32 hilos;
- Radeon 8060S con 40 Compute Units;
- hasta 128 GB LPDDR5X-8000;
- Windows o Linux;
- TDP configurable entre 45 y 120 W.
La plataforma de desarrollo oficial de AMD especifica aproximadamente:
256 GB/s de ancho de banda.
Fabricantes como Corsair ya comercializan workstations con este procesador.
La Corsair AI Workstation 300 con:
- Ryzen AI Max+ 395;
- Radeon 8060S;
- 128 GB;
- 1 TB NVMe;
cuesta actualmente unos:
5.010 €
Corsair permite dedicar hasta aproximadamente 96 GB a la GPU.
¿Por qué no domina AMD entonces?
Porque el hardware es sólo una parte del problema.
AMD ha avanzado enormemente, pero su ecosistema de software todavía no tiene la universalidad de CUDA ni la integración tan directa de MLX en Apple.
Funcionan:
- llama.cpp;
- Ollama;
- modelos ONNX;
- ROCm en determinadas configuraciones;
- Stable Diffusion optimizado;
- múltiples frameworks.
De hecho, Stability AI ya ofrece versiones de Stable Diffusion optimizadas específicamente para hardware AMD.
Pero para alguien que quiera probar continuamente los últimos modelos, kernels y herramientas publicados por la comunidad, NVIDIA continúa siendo más cómoda.
La ventaja de AMD es otra:
128 GB, arquitectura x86, Windows/Linux y una workstation convencional en una sola máquina.
Generar imágenes en local es bastante más fácil
Paradójicamente, si el objetivo principal son imágenes, no hacen falta 128 GB.
Stable Diffusion 3.5 Medium necesita aproximadamente 9,9 GB de VRAM para ejecutar el modelo completo, según Stability AI.
Las versiones TensorRT de Stable Diffusion 3.5 reducen además el consumo de memoria. En SD3.5 Large, Stability AI ha reducido el uso desde unos 19 GB hasta aproximadamente 11 GB sobre RTX compatibles.
Esto significa que una GPU de:
12–16 GB
ya puede ser perfectamente válida para generación de imágenes.
Con 24 GB tendremos una experiencia mucho más cómoda para:
- ComfyUI;
- Stable Diffusion;
- ControlNet;
- upscaling;
- múltiples LoRA;
- workflows complejos.
También existen modelos como FLUX.1 dev, utilizables localmente tanto mediante CUDA como mediante MPS en Apple, aunque es importante revisar sus condiciones de licencia antes de integrarlos en productos comerciales.
Por tanto, no conviene dimensionar una workstation de IA pensando en las imágenes si también queremos ejecutar LLM avanzados.
Los LLM serán casi siempre los que determinen la cantidad de memoria necesaria.
¿Cuánto hay que gastar entonces?
Podemos establecer varios niveles razonables.
Nivel 1 — IA local básica: 600–1.000 €
Reutilizando un PC existente y añadiendo una GPU adecuada.
Permite:
- modelos 7–14B;
- generación de imágenes;
- transcripción;
- pequeñas automatizaciones.
No lo consideraría suficiente para sustituir seriamente asistentes de programación cloud.
Nivel 2 — IA local útil: 1.000–2.000 €
Aquí la referencia sería conseguir una GPU de 24 GB, especialmente una RTX 3090 usada.
Permite:
- modelos 20–35B;
- coding local competente;
- ComfyUI;
- agentes pequeños;
- automatizaciones;
- generación de contenido.
Para alguien que ya tenga PC, probablemente sea el mejor rendimiento por euro.
Nivel 3 — Workstation seria: 3.000–4.000 €
Aquí empiezan a aparecer opciones como:
- Mac Studio M1 Ultra 64 GB reacondicionado;
- algunas workstations de segunda mano;
- configuraciones híbridas.
Con 64 GB ya podemos ejecutar modelos como Qwen3-Coder-Next Q4.
Este es el punto donde la IA local empieza realmente a competir con algunos servicios cloud en el trabajo diario.
Nivel 4 — IA local avanzada: 4.500–6.000 €
Probablemente sea actualmente el sweet spot para una solución doméstica profesional.
Las opciones son:
NVIDIA GB10 / ASUS GX10
≈ 5.000 €
128 GB + CUDA.
Ideal como servidor IA.
AMD Ryzen AI Max+ 395
≈ 5.000 €
128 GB + Windows/Linux/x86.
Excelente concepto de workstation general.
Mac Studio M5 Max 128 GB
≈ 5.900–6.200 €
128 GB + macOS + 614 GB/s.
Probablemente la opción más equilibrada si la misma máquina será además el puesto de trabajo.
En este rango ya podemos ejecutar:
- varios modelos de 30–35B;
- modelos de 70–80B de gran calidad;
- grandes contextos;
- varios agentes;
- modelos superiores mediante cuantización.
No tendremos DeepSeek V4 Pro en casa.
Pero tampoco lo necesitamos para que la inversión tenga sentido.
Nivel 5 — Más de 10.000 €
Aquí entramos en:
- Mac Studio Ultra con 256 GB;
- configuraciones multi-GPU;
- workstations profesionales;
- hardware NVIDIA RTX PRO.
Es posible ejecutar modelos considerablemente mayores.
Pero para uso doméstico aparece una cuestión económica:
¿cuántos millones de tokens podemos comprar en la nube por los 5.000 o 10.000 euros adicionales que estamos gastando?
En muchos casos la respuesta hace más sensato mantener una arquitectura híbrida.
La arquitectura que probablemente tenga más sentido
La solución óptima en 2026 no parece ser completamente local ni completamente cloud.
Parece ser:
Hybrid AI Architecture
Keep routine workloads local, move complex reasoning to a larger local model, and escalate only exceptional tasks to frontier cloud models.
Typical target: roughly 70–80% of routine requests.
Use for harder reasoning, larger codebases and agentic tasks.
Reserve paid frontier models for the small percentage of exceptional tasks.
Por ejemplo:
Local Fast
Un modelo 20–35B para:
- código habitual;
- artículos;
- documentación;
- traducciones;
- tests;
- pequeñas modificaciones;
- automatizaciones.
Local Deep
Un modelo 70–80B para:
- análisis de repositorios;
- bugs complicados;
- refactors;
- agentes;
- razonamiento prolongado.
Cloud
Claude, GPT o DeepSeek V4 Pro para:
- arquitectura crítica;
- problemas donde el modelo local falla;
- razonamiento excepcionalmente complejo;
- tareas de alto impacto.
Esta estrategia puede trasladar fácilmente una parte muy importante del consumo hacia local sin intentar replicar un datacenter dentro de casa.
¿Qué compraría hoy?
No existe una respuesta universal, pero sí unas recomendaciones bastante claras.
Si ya tenemos un PC
Buscaría una GPU NVIDIA de 24 GB a precio razonable.
Una RTX 3090 usada sigue siendo difícil de superar si la unidad es fiable.
Si queremos servidor de IA
Buscaría una plataforma GB10 con 128 GB, especialmente si el precio se mantiene alrededor de los 5.000 €.
CUDA, vLLM y la capacidad de ejecutar varios agentes convierten estas máquinas en servidores domésticos tremendamente interesantes.
Si queremos workstation + IA
El Mac Studio con 128 GB es probablemente actualmente la solución más redonda.
Es silencioso, consume relativamente poco, permite trabajar normalmente durante todo el día y dispone de memoria suficiente para ejecutar modelos realmente potentes.
La desventaja es el precio y la ausencia de CUDA.
Si queremos Windows/Linux y 128 GB
Ryzen AI Max+ 395 es una alternativa que merece mucha atención.
El ecosistema AMD todavía tiene trabajo por delante, pero es probablemente el competidor más interesante de Apple Silicon en este tipo de máquinas.
¿Son suficientes 64 GB?
Para la mayoría de usuarios:
sí.
Con 64 GB podemos ejecutar modelos de enorme calidad.
Qwen3-Coder-Next ocupa unos 48 GB en Q4 y está específicamente diseñado para agentes de desarrollo local.
Pero tendremos que administrar mejor:
- contexto;
- memoria del sistema;
- otros modelos;
- concurrencia.
Si pretendemos utilizar la máquina como workstation y mantener varios agentes simultáneos, 128 GB proporcionan mucha más tranquilidad y vida útil.
¿Son necesarios 128 GB?
No para empezar.
Pero probablemente sean actualmente el punto dulce de la IA local avanzada.
Permiten dejar atrás la constante preocupación por si el siguiente modelo cabrá o no.
No garantizan ejecutar cualquier cosa —DeepSeek V4 Flash ya demuestra que 128 GB pueden quedarse pequeños—, pero ofrecen suficiente margen para casi todos los modelos domésticos razonables.
¿Y 256 GB?
Técnicamente son maravillosos.
Económicamente empiezan a resultar mucho más difíciles de justificar.
La diferencia entre comprar una máquina de 5.000–6.000 € y otra de más de 10.000 € puede pagar una enorme cantidad de inferencia cloud.
Por eso, para un profesional o entusiasta que quiera construir IA local en casa, mi recomendación actual sería:
64 GB como punto de entrada serio.
128 GB como configuración ideal.
256 GB sólo cuando exista una necesidad concreta que lo justifique.
Conclusión
Montar IA local en casa en 2026 es perfectamente viable.
Pero hacerlo bien requiere olvidarse de muchas de las métricas que tradicionalmente utilizábamos para comprar un PC.
Para LLM debemos mirar primero:
- cantidad de memoria accesible por la GPU;
- ancho de banda de esa memoria;
- ecosistema de software;
- tipo de modelos que queremos ejecutar;
- consumo, ruido y uso que tendrá la máquina.
Las GPUs NVIDIA siguen dominando el ecosistema, pero su limitada VRAM en la gama de consumo está dando espacio a alternativas que hace pocos años parecían impensables.
Apple ofrece enormes pools de memoria unificada.
AMD propone workstations x86 con hasta 128 GB compartidos con la GPU.
NVIDIA está creando una nueva categoría de pequeños servidores Grace Blackwell con 128 GB.
Y, al mismo tiempo, arquitecturas MoE como Qwen o DeepSeek permiten obtener cada vez más inteligencia utilizando sólo una pequeña parte de sus parámetros en cada token.
La barrera económica también ha bajado.
Con unos 1.000–2.000 € podemos construir una máquina local útil si reutilizamos hardware.
Entre 3.000 y 4.000 € podemos disponer de una workstation muy competente.
Y alrededor de 5.000–6.000 € encontramos actualmente el punto en el que la IA local deja de ser un experimento para convertirse en una herramienta profesional capaz de ejecutar modelos grandes, agentes y flujos de trabajo complejos durante todo el día.
Probablemente no sustituya por completo a Claude, GPT o DeepSeek.
Pero tampoco hace falta.
El verdadero cambio consiste en dejar de utilizar los modelos más caros para absolutamente todo.
Cuando el 80 % del trabajo puede realizarse en una máquina que tenemos en nuestra mesa y sólo el 20 % más difícil necesita acudir al cloud, la IA local empieza a tener sentido no sólo tecnológico, sino también económico.