Cuando un socio me pregunta cuánto cuesta tener inteligencia artificial en sus propios servidores, casi siempre lo decepciono, porque la respuesta honesta no es un precio, es una lista de costos que no aparecen en la cotización de la tarjeta gráfica. Correr los modelos en casa es atractivo por razones legítimas (tus datos no salen de tu control, no dependes de la factura de nadie), pero conviene entrar con los ojos abiertos. Lo caro rara vez es la compra. Lo caro es sostenerla.
Antes de hablar de dinero conviene separar dos decisiones que suelen confundirse: qué modelo quieres correr y en qué máquina. Empecemos por la primera, la más barata de cambiar.
Qué modelos abiertos corren de verdad en local
La buena noticia de 2026 es que ya no hace falta un laboratorio para tener un modelo capaz dentro de tu propia infraestructura. Existen familias de modelos abiertos serios (Llama, Qwen, DeepSeek y Mistral, entre otras) que se descargan, se instalan y corren sin pedirle permiso a nadie. Vienen en varios tamaños, desde versiones ligeras que caben en una máquina modesta hasta versiones grandes que exigen equipo dedicado, y esa variedad es lo útil: no todo el trabajo de un despacho necesita el modelo más grande.
La trampa es creer que abierto significa gratis. El modelo no cuesta, cierto, pero por sí solo no hace nada: necesita una máquina encendida, alguien que lo actualice y algo que lo conecte a tu trabajo. La licencia en cero es lo que hace que subestimes todo lo demás.
El hardware es la parte que se ve
El costo que todos imaginan es la tarjeta gráfica, la GPU, y con razón: ahí vive casi toda la factura inicial. La variable que manda es la memoria de video (la VRAM), porque de ella depende qué tan grande es el modelo que puedes cargar. Un modelo chico corre en una tarjeta de consumo. Uno grande, aunque lo comprimas con cuantización para que ocupe menos, suele necesitar mucha más memoria de la que trae una sola tarjeta de escritorio, y ahí empiezas a hablar de equipo de otra categoría o de varias tarjetas juntas.
Sin cifras exactas, que se desactualizan cada trimestre, así se ve el terreno:
- GPUs de consumo de generación reciente o de segunda mano: la puerta de entrada más accesible, buenas para modelos chicos y medianos, pero limitadas por su memoria.
- GPUs de estación de trabajo o de centro de datos (nuevas o usadas): mucha más memoria y pensadas para operar sin parar, pero con un salto de precio considerable que las lleva al terreno de una inversión seria, no de una compra impulsiva.
- Varias tarjetas en un mismo servidor: la vía para correr los modelos más grandes, que además suma costo de la máquina que las aloja, la fuente de poder y el enfriamiento.
Mi consejo de siempre: no compres para el caso extremo que quizá nunca ocurre. Es fácil enamorarse del equipo capaz de correr el modelo más grande y terminar con una máquina cara trabajando al diez por ciento.
La luz, el espacio y la persona que lo mantiene
Aquí está la parte que casi nadie mete en la hoja de cálculo. Una GPU seria consume cientos de watts de forma continua, y si quieres el servicio disponible todo el tiempo, eso significa encendida las 24 horas. En México la electricidad para un negocio no es barata, y una máquina así se nota en el recibo mes con mes. No es una catástrofe, pero es un gasto recurrente que existe llueve o truene, uses el modelo mucho o poco.
Y la luz es solo el gasto visible. También hay que sumar un lugar fresco y ventilado, respaldos y, sobre todo, alguien que lo cuide: que aplique actualizaciones, que resuelva cuando algo falla un viernes por la tarde, que vigile la seguridad. Ese alguien, de tu equipo o externo, es el costo que más se subestima, porque no llega como factura sino como horas. Un servidor de IA no es un electrodoméstico que se instala y se olvida.
Cuándo conviene local y cuándo una API privada
La alternativa es contratar una API privada o empresarial (de los proveedores grandes), donde pagas por uso y ellos se encargan de las máquinas. Con los términos correctos por escrito, esa vía también protege tus datos y te evita todo el capítulo del hardware. La pregunta no es cuál es mejor en abstracto, sino cuál encaja contigo.
- La API privada suele ganar cuando tu volumen de uso es moderado o irregular: pagas por lo que consumes y no cargas con un equipo encendido esperando trabajo.
- Los servidores propios empiezan a tener sentido cuando el uso es alto y constante, cuando la sensibilidad de los datos exige que nada salga de tu edificio, o cuando quieres independencia total del precio y las reglas de un proveedor.
- Para muchos despachos el punto medio es lo más sensato: la mayoría del trabajo en una API bien contratada, y equipo propio reservado solo para lo más delicado.
Lo contrario a la intuición: la mayoría de los despachos que me preguntan por servidores propios todavía no los necesitan. Los quieren por una buena razón (el control), pero esa razón se satisface con un contrato firme, sin cargar con un centro de datos en miniatura.
El costo que de verdad decide
Al final, ninguno de estos números decide si la inversión valió la pena. Puedes comprar el mejor equipo, pagar la luz y contratar a quien lo cuide, y aun así no obtener nada si tu gente no sabe usar la herramienta con criterio. El servidor es la parte fácil de comprar y la fácil de desperdiciar. El costo que de verdad mueve la aguja es la capacitación: que tu equipo entienda qué tarea le toca a qué herramienta, qué datos pueden entrar y cuáles nunca, y cómo sacarle trabajo real. Compra el hardware cuando lo necesites. Invierte en la capacitación siempre, porque es lo único que convierte cualquiera de estas opciones, propia o contratada, en resultados.