La IA local enfrenta el alza de las tarjetas gráficas

En breve

• Sam Altman aclaró el 4 de noviembre que apoya que las personas tengan la memoria que deseen en sus computadoras.
• Los precios de GPU dependen del mercado y del modelo; comparar periodos y muestras evita generalizaciones.
• OpenAI ofrece modelos de pesos abiertos que pueden ejecutarse localmente.

El aumento en el costo de las tarjetas gráficas ha puesto bajo presión a quienes buscan ejecutar modelos de inteligencia artificial en su propia computadora. El debate cobró fuerza tras declaraciones de Sam Altman sobre el uso de memoria en equipos personales y centros de datos. Sin embargo, el director de OpenAI aclaró el 4 de noviembre que apoya ampliar la producción de memoria y que las personas tengan la cantidad que deseen en sus dispositivos. En paralelo, los precios y la disponibilidad de hardware plantean una pregunta para desarrolladores y usuarios: cuánto costará utilizar IA local frente a servicios en la nube.

Qué dijo Sam Altman sobre la IA local

En una entrevista difundida a finales de octubre, Altman abordó la escasez de memoria y sostuvo que, desde una perspectiva de distribución global de recursos, mantener grandes cantidades de DRAM poco utilizadas en equipos individuales puede resultar ineficiente. La declaración se produjo en una conversación sobre inferencia local, el proceso mediante el cual un modelo genera respuestas en el dispositivo del usuario.

El 4 de noviembre, según The Verge, Altman precisó que quiere que el mundo disponga de abundante memoria y que las personas puedan instalar en sus computadoras la cantidad que deseen. También afirmó que sus comentarios anteriores fueron sacados de contexto. Ambas intervenciones deben leerse juntas para distinguir su argumento inicial sobre utilización de recursos de su aclaración posterior.

La opinión de Altman no demuestra que exista una política para impedir la ejecución local. Tampoco permite atribuirle como hecho una intención de bloquear a usuarios o desarrolladores. Su empresa tiene modelos de pesos abiertos que pueden utilizarse fuera de los servidores de ChatGPT.

Tarjetas gráficas y presión sobre la memoria

En un análisis publicado por Xataka, el medio relacionó el encarecimiento de las GPU de consumo con la demanda de componentes para centros de datos de inteligencia artificial. El artículo citó una subida superior a 30% en tres meses a partir de datos de precios difundidos por terceros. Esa cifra depende del mercado, los modelos, la muestra y el periodo elegidos; no equivale automáticamente a una variación para todas las tarjetas en México.

El seguimiento de GamersNexus también registró precios por encima de los valores sugeridos en muestras de tarjetas disponibles. La comparación con un precio de lanzamiento responde a una pregunta distinta de la variación entre dos fechas: no son porcentajes intercambiables. Los costos finales cambian según el país, el vendedor, la disponibilidad y las características del producto.

Las memorias de alto ancho de banda utilizadas en aceleradores y las memorias empleadas en tarjetas de consumo no son el mismo producto. Aun así, comparten una industria con capacidad de fabricación e inversión limitadas. Micron señaló en sus resultados trimestrales la importancia de la demanda de centros de datos y el desarrollo de nuevas generaciones de memoria. Esa información ayuda a explicar las presiones de oferta, aunque no cuantifica por sí sola qué parte del precio de cada GPU obedece a la IA.

Qué necesita una computadora para ejecutar IA

La IA local permite procesar solicitudes en el equipo del usuario, sin depender necesariamente de una conexión permanente para cada consulta. Puede ofrecer mayor control sobre datos y configuración, aunque el rendimiento depende del modelo, la memoria disponible, el procesador y el software utilizado.

No todas las tareas requieren la tarjeta más costosa. Existen modelos de distintos tamaños y técnicas para reducir el espacio que ocupan; la contrapartida puede ser menor velocidad o calidad en algunas tareas. Una GPU potente puede acelerar ciertos procesos, pero no es la única configuración posible para ejecutar modelos locales.

Como ejemplo, OpenAI presentó gpt-oss, una familia de modelos de pesos abiertos que incluye una versión diseñada para funcionar con 16 GB de memoria. La documentación de la empresa describe su uso en dispositivos y entornos locales. Esto matiza la afirmación de que todos los modelos de OpenAI sólo pueden utilizarse mediante sus servidores.

Nube y dispositivos: una decisión con matices

Los servicios en la nube ofrecen acceso a modelos sin comprar todo el hardware necesario y pueden facilitar la actualización del sistema. A cambio, el usuario depende de una conexión, de las condiciones del proveedor y, cuando corresponde, de tarifas por suscripción o uso.

La ejecución local puede resultar atractiva para trabajar sin conexión o mantener mayor control de la infraestructura, pero implica costos de adquisición, energía, instalación y mantenimiento. Las necesidades de privacidad también deben evaluarse caso por caso: ejecutar un modelo en el equipo no elimina automáticamente todos los riesgos de seguridad.

Para consumidores y empresas, el seguimiento de precios como el índice de Pricify puede aportar una referencia adicional, siempre que se identifiquen sus comercios, región y fecha de captura. Un índice de Estados Unidos no sustituye las cotizaciones de México ni garantiza el precio disponible al momento de la compra.

La discusión sobre IA local continuará ligada a la oferta de cómputo, la eficiencia de los modelos y la competencia entre fabricantes y servicios. Para evaluar sus efectos conviene separar los datos de precios comprobables, las decisiones de inversión y las opiniones de los directivos sobre cómo distribuir recursos.

Cierre editorial

La evolución de la IA local dependerá tanto del costo del hardware como de la eficiencia del software y de las opciones disponibles para usuarios y desarrolladores.

Fuentes

• Xataka: análisis sobre GPU e inteligencia artificial local
• The Verge: aclaración de Sam Altman del 4 de noviembre
• OpenAI: modelos de pesos abiertos gpt-oss
• Micron: resultados del tercer trimestre fiscal de 2026
• GamersNexus: seguimiento de precios de tarjetas gráficas
• Pricify: índice de precios de hardware
• The Verge: declaraciones originales sobre memoria