Comprar una GPU o rentar cómputo por hora: la cuenta que casi nadie hace

La pregunta no es cuánto cuesta la tarjeta

Cuando un equipo decide que necesita GPU —para entrenar un modelo, para render, para ciencia de datos— la conversación arranca casi siempre en el precio de la tarjeta. Es el número equivocado.

Una GPU de gama alta no funciona sola. Necesita un servidor que la sostenga, una fuente capaz de alimentarla, un chasis que la ventile, red suficiente para mover los datos y almacenamiento rápido para que la tarjeta no pase el día esperando al disco. En un rack de trabajo real, la tarjeta es una fracción del costo total, no el costo.

Y hay cuatro cosas más que rara vez entran en la hoja de cálculo inicial:

Energía. Una sola tarjeta de gama alta puede pedir entre 300 y 700 vatios sostenidos mientras trabaja, más lo que consume enfriarla. Multiplícalo por las horas de un entrenamiento largo y por el número de tarjetas.
Refrigeración. Ese calor tiene que salir de algún lado. Una oficina normal no lo sostiene: el equipo termina bajando su propio rendimiento para no quemarse, y pagas la tarjeta cara para que trabaje como una barata.
Importación y tiempos. En Ecuador, traer hardware de este tipo suma costo e incertidumbre de plazo. Y cuando una tarjeta falla dentro de garantía, el reemplazo internacional se mide en semanas, no en horas.
Obsolescencia. El ciclo de las GPU orientadas a IA es corto. El equipo que compras hoy va a competir contra generaciones nuevas mucho antes de que termines de depreciarlo.

El número que realmente decide: cuántas horas la vas a usar

Una GPU comprada cuesta lo mismo encendida que apagada. Esa frase es toda la economía del asunto.

El trabajo de IA y de render casi nunca es constante: es a ráfagas. Un ajuste fino de modelo son tres días de cómputo intenso seguidos de tres semanas de análisis, ajuste de datos y discusión. Un render de proyecto arquitectónico son dos semanas al filo y luego meses de nada. En ese patrón, una tarjeta propia pasa la mayor parte del año inactiva mientras se sigue depreciando.

Haz la cuenta al revés de como suele hacerse. No preguntes “¿cuánto cuesta la tarjeta?”, pregunta:

¿Cuántas horas de cómputo real vamos a usar al mes, de verdad, no en el mejor escenario?

Con ese número la decisión se vuelve aritmética. Si son unas decenas de horas al mes, comprar significa pagar un activo que trabaja una fracción del tiempo. Si son cientos de horas sostenidas, todos los meses, durante años, comprar empieza a tener sentido — y entonces hay que sumarle el costo de alguien que lo opere.

Qué tipo de trabajo va bien rentado

Entrenamiento y ajuste fino a ráfagas. Necesitas mucha máquina unos días y nada el resto del mes.
Render y animación por proyecto. El pico es enorme, la media es baja, y el pico casi nunca es negociable con el cliente.
Ciencia de datos y notebooks compartidos. Varias personas que necesitan GPU de a ratos, no una máquina cada una.
Pruebas de concepto. Antes de comprometer capital, medir en cómputo rentado cuánta máquina necesitas de verdad. Es la forma más barata de descubrir que necesitabas la mitad — o el doble.
Inferencia privada de modelos. Cuando la razón para no usar una API comercial es que los datos no pueden salir; ese caso lo tratamos aparte en correr un LLM con los datos de tu empresa sin que salgan del país.

El costo que nunca está en el presupuesto: el montaje

Hay una parte del proyecto que no aparece en ninguna cotización de hardware y que se lleva los primeros días de trabajo: dejar el entorno listo. Versión de driver, versión de CUDA, versión de la librería, versión del framework — todas tienen que ser compatibles entre sí, y descubrir cuál es la combinación que funciona es un trabajo en sí mismo.

Por eso nuestro cluster de GPU entrega imágenes ya preparadas con PyTorch, TensorFlow, CUDA, ComfyUI y Stable Diffusion funcionando. El primer día se usa en calcular, no en instalar. El almacenamiento NVMe es compartido entre las instancias, así que el conjunto de datos no hay que copiarlo a cada máquina cada vez que se levanta una nueva.

Las tarjetas van desde RTX 4000 y A6000 hasta H100 según la carga, en instancias de una o varias GPU, y el cobro es por hora real de uso: sin mínimos mensuales para un entrenamiento que dura tres días. Si una tarjeta falla, la cambiamos en horas — que es exactamente lo que no ocurre con una garantía internacional.

Cuándo NO conviene rentar

Digámoslo con claridad, porque es la parte que decide bien:

Carga sostenida las veinticuatro horas, durante años. Si la GPU va a estar ocupada permanentemente y tienes quién la opere, la compra amortiza. Ese es el caso donde comprar gana.
Latencia física crítica. Si el modelo tiene que responder a una máquina en planta con milisegundos de margen, el cómputo va junto a la máquina, no en un centro de datos.
Cuando tu carga cabe en una API comercial. Si lo que necesitas es consultar un modelo ya entrenado y tus datos no tienen restricción de residencia, un servicio por token es más barato y más simple que cualquier cluster. No necesitas GPU; necesitas una factura de API.
Cuando nadie va a operar aquello. Rentado o comprado, el cómputo GPU necesita quien lo use bien. Sin esa persona —propia o contratada— el gasto no produce nada.

En una línea

Comprar GPU es apostar a que la vas a tener ocupada. Si tu trabajo es a ráfagas, estás comprando horas ociosas al precio de horas de trabajo; si es constante y tienes quién lo opere, comprar es lo correcto. Mide primero las horas reales, decide después.

Es la misma lógica que aplica al resto del parque tecnológico, y está desarrollada en comprar o alquilar equipos para tu empresa.

Servicios relacionados:

GPU Cluster para IA y render — tarjetas NVIDIA por hora real, imágenes listas y almacenamiento NVMe compartido.
Alquiler de servidores, VPS y NAS — cuando lo que hay que sostener es un servicio permanente y no una ráfaga de cómputo.
Soluciones de inteligencia artificial — si además del cómputo hace falta definir qué construir sobre él.

O escríbenos con la carga que tienes en mente y sacamos la cuenta juntos.