Post actualizado el día octubre 29, 2026 by DeiviSanzPlay
Antes de gastar un euro: qué debes comprobar
Comprar un equipo para entrenar o ejecutar modelos de inteligencia artificial no es como elegir un portátil para ofimática. Aquí el cuello de botella casi nunca es la CPU, y el marketing de las tiendas confunde con frecuencia. Esta lista de comprobación está pensada para que la uses en la propia tienda o delante del configurador online, marcando casillas a medida que verificas cada punto.
He montado y probado varios equipos para inferencia local de modelos de lenguaje y para fine-tuning modesto, y el patrón que se repite es siempre el mismo: la gente se queda corta en VRAM y se pasa en CPU. Si algo he aprendido revisando configuraciones ajenas es que el presupuesto mal repartido duele más que el presupuesto escaso.
Bloque 1: la tarjeta gráfica (el punto crítico)
- VRAM real, no “memoria compartida”. Comprueba el dato exacto de memoria dedicada. Un modelo de 7B en cuantización de 4 bits ronda los 4-6 GB, pero al cargar contexto y capas intermedias se infla. Para trabajar con comodidad en 2026, 16 GB es el umbral razonable y 24 GB te da margen para modelos de 13B-14B con contexto largo.
- Ancho de banda de memoria. Mira el bus (128, 192, 256 bits) y la velocidad efectiva. Dos GPU con el mismo nombre comercial pueden rendir muy distinto según la variante de memoria; verifica la ficha técnica del modelo concreto, no la de la familia.
- Soporte de precisión. Revisa que la arquitectura admita FP16, BF16 e INT8 de forma nativa. Las hojas de especificaciones del fabricante (NVIDIA, AMD, Intel) listan estas capacidades; si no aparecen, asume que no están.
- Drivers y ecosistema. Antes de pagar, busca en foros oficiales y repositorios de frameworks (PyTorch, llama.cpp, ONNX Runtime) si tu modelo de tarjeta aparece en las notas de versión. Una GPU potente sin soporte maduro es un pisapapeles caro.
- Alimentación y conectores. Confirma el número de conectores PCIe de 8 pines y la potencia recomendada de la fuente. Los TDP de gama alta obligan a fuentes de 850 W o más; no lo dejes para el final.
Bloque 2: CPU, placa y memoria del sistema
- Núcleos suficientes para el preprocesado. La CPU alimenta a la GPU. Un procesador de 8 núcleos modernos es suficiente para la mayoría; 16 ayudan si vas a hacer carga de datos en paralelo.
- Canales de memoria. Verifica que la placa soporte doble canal (o cuádruple en plataformas de workstation). La inferencia en CPU, cuando la GPU se queda sin VRAM, depende directamente de este dato.
- Cantidad de RAM del sistema. Como referencia práctica, el doble de la VRAM es un buen punto de partida: 32 GB si tienes 16 GB de VRAM, 64 GB si vas a 24 GB. Si piensas hacer offloading parcial a RAM, sube más.
- Ranuras libres. Cuenta los slots DIMM y los PCIe disponibles. Querrás ampliar dentro de dos años, y las placas mini-ITX te cierran esa puerta.
- Compatibilidad de la BIOS. Si compras CPU de última generación, comprueba en la web del fabricante de la placa que la versión de BIOS instalada la soporta sin actualizar; si no, necesitarás otra CPU para arrancar.
Bloque 3: almacenamiento y flujo de datos
- NVMe, no SATA. Los conjuntos de datos y los pesos de modelos pesan decenas de gigabytes. Un SSD NVMe Gen4 acorta los tiempos de carga de forma perceptible; Gen5 aporta menos de lo que sugiere el marketing.
- Capacidad mínima realista. Suma el sistema operativo, los frameworks, los entornos virtuales y al menos tres o cuatro modelos. Con 2 TB vas holgado; con 1 TB vivirás borrando.
- Segundo disco para datos. Separar sistema y datasets evita cuellos de botella y facilita las copias de seguridad. No es imprescindible, pero sí recomendable.
- Salud del disco. Si compras de segunda mano, pide el informe SMART. Un NVMe con muchas horas de escritura puede fallar antes de lo esperado.
Bloque 4: refrigeración, ruido y consumo
- Flujo de aire de la caja. Las GPU de IA trabajan a plena carga durante horas. Comprueba que la caja admita al menos tres ventiladores frontales y uno trasero.
- Tipo de refrigeración de la GPU. Los modelos de referencia suelen tener buen comportamiento térmico, pero algunos ensambladores recortan el disipador. Busca análisis independientes del modelo exacto, no del chip.
- Consumo eléctrico. Calcula el coste mensual si vas a entrenar de forma intensiva. Una GPU de gama alta a plena carga puede añadir bastante a la factura; en España, con precios variables, conviene revisar las horas de uso.
- Ruido. Si el equipo va a estar en la misma habitación donde trabajas, prioriza cajas insonorizadas y disipadores grandes. El rendimiento sostenido importa más que el pico de un minuto.
Bloque 5: sistema operativo y software
- Controladores actualizados. Antes de instalar frameworks, verifica la versión del driver y la compatibilidad con CUDA o ROCm según tu GPU. Las notas de versión oficiales son la referencia.
- Espacio para entornos aislados. Reserva al menos 200 GB para conda, venv y dependencias. Los conflictos de versiones son la causa más común de dolores de cabeza.
- Compatibilidad con tu framework. Si dependes de una librería concreta, revisa su documentación de requisitos de hardware. Hay modelos que solo se ejecutan bien en determinadas arquitecturas.
- Licencias. Comprueba la licencia de los modelos que piensas usar y si el uso comercial está permitido. Esto no es un detalle menor si trabajas para terceros.
Bloque 6: compra, garantía y expectativas
- Garantía del ensamblador. Tres años es lo habitual en la UE para particulares; confirma la cobertura de la GPU por separado, porque algunos fabricantes la limitan.
- Política de devolución. Si vas a probar cargas intensivas, asegúrate de que la tienda acepta devoluciones sin preguntas en el plazo legal.
- Repuestos y servicio técnico. Comprueba que el modelo de GPU se sigue vendiendo y que hay servicio técnico en tu país. Una tarjeta descatalogada puede quedarse sin reparación.
- Expectativas realistas. Un equipo de gama media no entrena modelos grandes; sirve para inferencia y ajuste fino de modelos pequeños. Si tu objetivo es entrenar desde cero, necesitarás presupuesto de centro de datos o alquiler en la nube.
Un caso concreto que ilustra la lista
Hace unos meses revisé la configuración de un usuario que había comprado una torre con un procesador de gama alta y 32 GB de RAM, pero con una GPU de 8 GB de VRAM. Su intención era ejecutar modelos de lenguaje de 13B en local. La máquina arrancaba, pero al cargar el modelo el sistema recurría a la memoria del sistema y la velocidad caía a niveles inutilizables. La solución no fue cambiar la CPU ni añadir RAM: fue sustituir la GPU por una de 16 GB. Es un ejemplo típico de por qué el orden de esta lista importa. La VRAM manda.
Limitaciones que conviene asumir
Esta lista no funciona igual para todos los perfiles. Si tu trabajo principal es el procesamiento de lenguaje natural con modelos de más de 30B parámetros, un equipo de sobremesa convencional se queda corto y la nube o un servidor dedicado son la vía realista. Tampoco sirve si necesitas entrenar modelos de visión por computador con lotes grandes: ahí el cuello de botella es la memoria y el ancho de banda, y las GPU de consumo no bastan. Y si tu presupuesto es muy ajustado, quizá tenga más sentido alquilar capacidad por horas que comprar hardware que se quedará obsoleto en dos años.
No prometo que con esta lista aciertes a la primera, porque el mercado cambia cada pocos meses y los modelos evolucionan. Lo que sí puedo decir es que revisar estos puntos antes de pagar evita los errores más caros.
Fuentes de referencia
Para verificar especificaciones, consulta las fichas técnicas oficiales de los fabricantes de GPU (NVIDIA, AMD, Intel), la documentación de los frameworks de IA que vayas a usar y las notas de versión de los controladores. Las guías de compra de medios especializados en hardware suelen incluir análisis independientes del modelo exacto, algo que las tiendas no siempre ofrecen. Contrasta siempre al menos dos fuentes antes de decidir.
Perfiles verificables: Sitio web
Publicado el 29 de October de 2026. Última revisión: 29 de October de 2026.
