Table of Contents
¿Qué ordenador para IA elegir? Depende del uso previsto y del tamaño de los modelos: para la oficina suele bastar con un portátil o un AI PC con NPU; para ejecutar modelos más grandes localmente se necesita una estación de trabajo o un superordenador de IA de escritorio; y para entrenar modelos desde cero, un servidor con GPU o la nube. Esta guía está dirigida a empresas, equipos de TI, pymes e instituciones públicas que planifican la implantación de IA.
Aquí encontrará cuatro categorías de ordenadores para trabajar con IA, sus límites reales, parámetros clave como la memoria y el ancho de banda, y una tabla que muestra qué recursos se necesitan para casos de uso concretos. Es una decisión importante: un ordenador bien elegido permite ejecutar modelos de lenguaje con recursos locales, proteger la privacidad de los datos y aprovechar de forma flexible y eficiente la capacidad de cálculo disponible.
Según el informe de Eurostat, en 2025 utilizaba tecnologías de IA el 20% de las empresas de la Unión Europea. Dos años antes, la cifra era del 8%. Entre las grandes empresas, el indicador ya alcanza el 55%, frente al 17% entre las pequeñas. La adopción se está acelerando, aunque de forma desigual, y cada vez más equipos se plantean ahora la cuestión del hardware.
¿Para qué se va a utilizar este ordenador?
Antes de analizar las especificaciones, defina el escenario de uso. Es este el que determina la elección, no los datos técnicos por sí solos. El mejor ordenador para IA es aquel cuya configuración y presupuesto se ajustan a aplicaciones concretas de inteligencia artificial.
- Asistencia de IA en el trabajo diario. Transcripción de reuniones, generación y edición de textos, asistente integrado en el sistema, filtros para videoconferencias. Los modelos funcionan en la nube o localmente, pero son pequeños y no exigen demasiado al hardware.
- Ejecución local de modelos ya preparados. La empresa descarga un modelo de código abierto y lo utiliza en su propio entorno: para analizar documentos, atender consultas de clientes o generar imágenes. Este grupo también incluye el análisis de datos y proyectos más sencillos de aprendizaje automático. Los datos no salen de la organización. Aquí es donde comienzan los requisitos reales de hardware.
- Ajuste de modelos con datos propios. El fine-tuning y LoRA permiten que el modelo aprenda la terminología, los procedimientos y el contexto de una empresa concreta. Requieren bastante más memoria que la mera ejecución de un modelo ya preparado.
- Entrenamiento de un modelo desde cero. Desarrollo de un modelo propio desde cero. Es una tarea para infraestructura de centro de datos, no para un ordenador de escritorio.
Los dos primeros escenarios pueden cubrirse con equipos que muchas empresas ya tienen o pueden adquirir sin grandes inversiones. El tercero requiere una decisión consciente sobre la categoría de equipo. El cuarto implica, en la práctica, recurrir a la nube o a un centro de datos. Esta división también facilita la elección a los desarrolladores de IA y analistas de datos, que normalmente trabajan en los dos escenarios intermedios.
Tipos de ordenadores para IA
AI PC con NPU
Ordenador o portátil con una NPU dedicada, diseñada para tareas de inteligencia artificial. Las procesa de forma eficiente desde el punto de vista energético, sin cargar el procesador ni la tarjeta gráfica y sin enviar datos a la nube. El umbral de entrada es de 40 TOPS (billones de operaciones por segundo). Es lo que exige la certificación Copilot+, presente actualmente en portátiles con procesadores Intel Core Ultra, AMD Ryzen AI y Snapdragon X.
Adecuado para: asistencia en el trabajo de oficina, transcripción, traducción, uso del asistente del sistema y ejecución de pequeños modelos locales.
Su límite: modelos de más de unos pocos miles de millones de parámetros. Un AI PC no es un ordenador para ajustar ni entrenar modelos, y ese no es su cometido.
Ejemplo: Dell Pro 16 con NPU AMD Ryzen AI
Estación de trabajo con tarjeta NVIDIA RTX
Estación de trabajo clásica con tarjeta gráfica profesional NVIDIA. En los ordenadores para IA se suelen elegir tarjetas NVIDIA RTX, ya que sus núcleos Tensor aceleran los cálculos de los modelos de inteligencia artificial y aprendizaje automático. Igualmente importante es el ecosistema de software CUDA, que se ha convertido en el estándar para la mayoría de herramientas y bibliotecas. En este caso el trabajo lo realiza la GPU, y el parámetro clave es la cantidad de memoria VRAM de la tarjeta: desde 16 GB en las variantes básicas hasta 96 GB en las tarjetas RTX PRO Blackwell. Su ventaja es un ancho de banda de memoria muy elevado, que se traduce en velocidad real de funcionamiento.
Adecuado para: generación de imágenes y vídeo, trabajo con modelos de lenguaje de hasta aproximadamente 32 mil millones de parámetros, renderizado y cálculo; es decir, en cualquier caso en el que el tiempo de respuesta sea importante. Para modelos de lenguaje, el mínimo práctico es 12–16 GB de VRAM.
Su límite: modelos 70B y superiores. Solo caben en las tarjetas más caras con 96 GB de VRAM, y los modelos de más de 120B ya no. Ampliar la capacidad supone entonces configurar varias GPU con la alimentación, refrigeración y el coste correspondientes.
Ejemplo: Lenovo ThinkStation P3 Tower Gen 2 – estación de trabajo con tarjeta profesional NVIDIA RTX y 16 GB de memoria VRAM.
Superordenador de IA de escritorio
La categoría más reciente de dispositivos, basada en el superchip NVIDIA GB10 Grace Blackwell, lleva el trabajo con modelos grandes al escritorio. Combina procesador y GPU con un fondo común de 128 GB de memoria unificada, totalmente disponible para el modelo y sin una división rígida entre RAM y VRAM. El dispositivo tiene el tamaño de un libro, consume tanta energía como un portátil potente y funciona de forma silenciosa, al tiempo que admite todo el ecosistema de NVIDIA: CUDA, contenedores NGC, PyTorch y Ollama. La mayor ventaja de esta categoría es el control total sobre los datos al ejecutar modelos de IA localmente.
Adecuado para: ejecución local de modelos grandes (hasta aproximadamente 200 mil millones de parámetros), prototipado, ajuste de modelos mediante LoRA y QLoRA, y trabajo con datos que no pueden salir de la empresa. También resulta adecuado para probar aplicaciones propias de IA y realizar experimentos en iteraciones cortas, donde importa comprobar rápidamente las ideas sucesivas.
Su límite: al entrenar modelos desde cero y atender en producción a muchos usuarios simultáneamente. Es un equipo para un equipo que trabaja en el modelo, no un servidor de aplicaciones para toda la organización.
Ejemplo: Asus Ascent GX10 – superordenador de IA de sobremesa compacto basado en el superchip GB10, dirigido a desarrolladores e ingenieros de IA y datos.
Servidor GPU y nube
Infraestructura de servidores con aceleradores de la clase H100, H200 o Blackwell, propia o alquilada en la nube. Ofrece una potencia y un ancho de banda muy superiores, pero también exige un rack, alimentación eléctrica y refrigeración dimensionadas en kilovatios.
Adecuado para: entrenar modelos desde cero, atender a múltiples usuarios, implementaciones que requieren ejecutar muchas operaciones simultáneamente y trabajo en tiempo real.
Dónde está el límite: en los costes y en los datos. La nube implica que la información sale de la empresa, y esa sigue siendo una de las principales barreras para la implantación de la IA.
Sin embargo, antes de recurrir a una infraestructura de servidores, conviene considerar una opción intermedia. Los superordenadores de IA de sobremesa pueden conectarse de dos en dos para obtener 256 GB de memoria compartida, suficiente para trabajar con modelos de hasta 405 mil millones de parámetros sin salir de la oficina ni invertir en infraestructura.
Ejemplo: HP ZGX Nano G1n – dos unidades de este tipo conectadas mediante la interfaz ConnectX-7 proporcionan 256 GB de memoria compartida.
Requisitos de hardware: cuánta memoria necesita y por qué es el parámetro más importante
La memoria determina si el modelo puede llegar a ejecutarse. En una estación de trabajo, se trata de la VRAM de la tarjeta gráfica; en los superordenadores de IA de sobremesa, será memoria unificada compartida por el procesador y la GPU. Desde el punto de vista del usuario, lo importante es cuánto de esa memoria está realmente disponible para el modelo. La memoria RAM y la VRAM no son intercambiables, ya que desempeñan funciones distintas y deben dimensionarse por separado.
Designaciones como 7B o 70B indican el número de parámetros del modelo: 7 y 70 mil millones, respectivamente. Los parámetros son los valores que el modelo ha aprendido durante el entrenamiento y que debe cargar en memoria para funcionar. Cuantos más haya, mayor será la calidad de las respuestas, pero también los requisitos de hardware.
La necesidad de memoria depende del número de parámetros del modelo y de la cuantización, es decir, de la precisión de representación. La regla es sencilla: con cuantización de 4 bits (Q4), el modelo necesita aproximadamente 0,5–0,6 GB por cada mil millones de parámetros; con 8 bits (Q8), alrededor de 1 GB; y con precisión completa FP16, aproximadamente 2 GB. Además, hay que añadir un margen del 10–20%.
| Modelo | Q4 (4 bits) | Q8 (8 bits) | FP16 |
| 7B / 8B | 5–8 GB | 8–10 GB | 14–16 GB |
| 13B | 8–10 GB | 14 GB | 26 GB |
| 30–34B | aprox. 20 GB | aprox. 34 GB | aprox. 64 GB |
| 70B | 40–48 GB | aprox. 70 GB | aprox. 140 GB |
| 120B (MoE) | 65–75 GB | — | — |
| 200B (FP4) | cabe en 128 GB | — | — |
| 405B | 256 GB (dos unidades) | — | aprox. 810 GB |
Los valores de la columna Q4 ya incluyen el margen para la caché KV y la sobrecarga. Las columnas Q8 y FP16 indican el tamaño de los pesos del modelo únicamente, al que debe añadirse un 10–20% adicional. El modelo 405B solo cabe en dos unidades conectadas con representación de 4 bits (Q4).
Para la generación de imágenes, los requisitos son menores: Stable Diffusion 1.5 funciona a partir de 4–6 GB, SDXL ofrece un rendimiento cómodo con 12–16 GB y los modelos más recientes de la clase FLUX necesitan 24–48 GB. El entrenamiento de un LoRA propio para SDXL cabe en 16–24 GB.
En entornos de ciencia de datos, el estándar sigue siendo 32 GB de memoria RAM, aunque trabajar con modelos locales grandes puede requerir más. El ajuste fino mediante LoRA o QLoRA es viable incluso para el modelo 70B en una sola unidad con 128 GB de memoria unificada. El entrenamiento completo de modelos grandes sigue siendo terreno del hardware de centro de datos.
La memoria determina qué cabe; el ancho de banda, a qué velocidad responde el modelo
El segundo parámetro, del que rara vez se habla pero que determina la comodidad del trabajo diario, es el ancho de banda de memoria. La capacidad de memoria decide si el modelo puede cargarse; el ancho de banda, en cambio, determina la velocidad a la que generará las sucesivas palabras de la respuesta.
| Dispositivo | Ancho de banda de memoria |
| Superordenador de IA de sobremesa (GB10) | 273 GB/s |
| Apple Mac Studio M3 Ultra | 819 GB/s |
| NVIDIA RTX 4090 | aprox. 1008 GB/s |
| NVIDIA RTX 5090 | aprox. 1792 GB/s |
| NVIDIA H100 (HBM3) | aprox. 3350 GB/s |
A primera vista, la conclusión parece obvia: si H100 ofrece un ancho de banda doce veces mayor, ¿para qué querría alguien un dispositivo con 273 GB/s? Sin embargo, la comparación es engañosa, porque estos equipos no compiten entre sí.
H100 es un acelerador para un servidor en rack, que cuesta varias decenas de miles de dólares solo por el chip y requiere infraestructura de centro de datos. El superordenador de IA de sobremesa se coloca sobre el escritorio y consume tanta energía como un portátil potente. La popularidad de esta categoría no se debe a la velocidad, sino a que 128 GB de memoria en un ordenador pequeño de este formato antes era inalcanzable a este precio. Anteriormente, una empresa tenía tres opciones: una tarjeta RTX con 24–32 GB, insuficiente para modelos grandes; un servidor con H100, demasiado caro y con el requisito de disponer de un centro de datos; o la nube, con los datos saliendo al exterior. La nueva categoría de dispositivos cubre el vacío intermedio.
Es un poco como comparar una furgoneta de reparto con un coche deportivo. El deportivo es más rápido, pero no se trata de eso. Lo importante es cuánto cabe y cuánto cuesta.
En la práctica, funciona así: el modelo 70B genera una respuesta lentamente en un único flujo, de forma claramente más lenta que en un servidor. Sin embargo, la genera de forma local, sin enviar datos a la nube y sin necesidad de invertir en un centro de datos. Con varias consultas simultáneas, por ejemplo en pipelines o agentes, el rendimiento total aumenta. Para la creación de prototipos, el ajuste fino y el trabajo en equipo con el modelo, es más que suficiente.
El resto de los componentes tiene una importancia secundaria, aunque no nula. Una unidad NVMe rápida reduce el tiempo de carga de los modelos y mejora el rendimiento general, por lo que la configuración de un equipo para IA debe incluir GPU, procesador, memoria RAM y unidad SSD NVMe. En los equipos ya configurados, el resto de componentes está seleccionado para una configuración concreta, por lo que no es necesario analizarlos por separado. La única elección real es la capacidad de la unidad, que conviene ajustar al tamaño de los modelos y conjuntos de datos con los que se trabaja.
Resumen de marcas y series
Todos los superordenadores de escritorio para IA disponibles actualmente se basan en el mismo superchip NVIDIA GB10 y cuentan con los mismos 128 GB de memoria unificada. Los fabricantes no los diferencian por rendimiento. Las distintas configuraciones difieren en capacidad de almacenamiento, chasis y refrigeración, sistema operativo, así como en el alcance de la garantía y el soporte. Es un dato importante para la compra: no tiene sentido comparar estos equipos por potencia de cálculo; lo relevante es su adecuación a los procedimientos y requisitos de cada empresa.
- NVIDIA DGX Spark – la versión de referencia y el punto de comparación para toda esta categoría de equipos. NVIDIA basa en ella su documentación y sus materiales técnicos, por lo que las descripciones de rendimiento y las pruebas publicadas en línea suelen referirse a esta variante. Se suministra con una unidad rápida de alta capacidad y un chasis distintivo que la diferencia de los diseños de los socios.
- Lenovo ThinkStation PGX – una serie ThinkStation con una amplia infraestructura de servicio y soporte técnico. Es la marca con mayor presencia en esta categoría: hay numerosas variantes disponibles que difieren en capacidad de almacenamiento, sistema operativo y paquete de garantía. Una elección natural para organizaciones que ya cuentan con procedimientos de compra y servicio establecidos con Lenovo.
- HP ZGX Nano G1n – también disponible en una variante sin módulo inalámbrico, destinada a entornos con requisitos de seguridad más estrictos. Es una opción poco habitual en esta categoría y una ventaja real allí donde la política de seguridad excluye la conectividad inalámbrica, por ejemplo en la administración pública, el sector financiero o redes aisladas. El equipo se suministra con un sistema basado en Linux, listo para trabajar con modelos.
- Dell Pro Max – una elección natural para las organizaciones que adquieren equipos mediante contratos corporativos con Dell, lo que simplifica los trámites en implantaciones de mayor envergadura. Disponible en configuración estándar con una unidad de alta capacidad, sin necesidad de adquirir almacenamiento adicional.
- ASUS Ascent GX10 – diseño compacto. Las variantes disponibles con distintas capacidades de almacenamiento permiten empezar con una configuración más pequeña y reducir la barrera de entrada si la empresa aún está probando el trabajo con modelos locales. El diseño permite apilar las unidades, lo que facilita futuras ampliaciones.
- Gigabyte AI TOP ATOM y MSI EdgeXpert – variantes centradas en un almacenamiento rápido y de alta capacidad. Esto es importante al trabajar con grandes conjuntos de datos y varios modelos a la vez, cuando solo los archivos de los modelos ocupan cientos de gigabytes. También son adecuadas cuando el equipo debe funcionar fuera del centro de datos, cerca del lugar donde se generan los datos.
- Acer Veriton GN100 – un diseño con una buena capacidad de disipación térmica. En comparativas con otros equipos de esta categoría, es el que menos se calienta, lo que se traduce en un funcionamiento estable durante tareas prolongadas, como el ajuste fino de modelos, cuando el equipo permanece bajo carga durante muchas horas seguidas.
Preguntas frecuentes
¿En qué se diferencia un ordenador convencional de un AI PC?
Un AI PC cuenta con una NPU dedicada que procesa tareas de inteligencia artificial de forma local y eficiente energéticamente. Un ordenador convencional también puede ejecutar IA, pero lo hará con el procesador o la tarjeta gráfica, de forma más lenta y con un mayor consumo energético.
¿Cuánta RAM se necesita para trabajar con IA?
Para aplicaciones de oficina con asistencia de IA, bastan 16 GB; para un uso cómodo, 32 GB. En entornos de ciencia de datos, 32 GB de RAM es lo habitual, y el trabajo con modelos locales a menudo requiere más. Sin embargo, no solo importa la memoria del sistema, sino también la memoria disponible para el procesador gráfico: VRAM o memoria unificada.
¿Cuánta VRAM se necesita para ejecutar el modelo 7B, 13B o 70B?
Con cuantización de 4 bits: aproximadamente 5–8 GB para el modelo 7B, 8–10 GB para 13B y 40–48 GB para 70B. En la práctica, para modelos de lenguaje el mínimo parte de 12–16 GB de VRAM, según la cuantización.
¿Qué es más importante para la IA: el procesador o la tarjeta gráfica?
La tarjeta gráfica o un acelerador dedicado. El procesador se encarga de la preparación de los datos, pero la GPU realiza los cálculos propiamente dichos. Los chips con núcleos Tensor aceleran las tareas de aprendizaje automático de forma más eficaz que el procesador por sí solo.
¿Qué es la memoria unificada y en qué se diferencia de la VRAM?
La VRAM es memoria asignada de forma permanente a la tarjeta gráfica. La memoria unificada es un fondo común compartido por el procesador y el procesador gráfico. Gracias a ello, un equipo con 128 GB de memoria unificada puede ejecutar un modelo que no cabría en ninguna tarjeta gráfica individual. A cambio, ofrece un menor ancho de banda, por lo que las respuestas se generan más lentamente.
¿Qué es una NPU y cuántos TOPS necesito?
Una NPU es un chip especializado en cálculos de inteligencia artificial. Los TOPS indican su rendimiento. Para aplicaciones de oficina con asistencia de IA, 40 TOPS son suficientes; es el umbral de la certificación Copilot+. Con modelos más grandes, los TOPS dejan de ser representativos y pasan a importar la memoria y el ancho de banda.
¿La IA funciona en Windows o se necesita Linux?
La IA funciona en Windows. Sin embargo, las herramientas profesionales para trabajar con modelos de gran tamaño se desarrollan principalmente para Linux, por lo que los superordenadores de escritorio para IA suelen suministrarse con un sistema basado en Ubuntu.
¿Para modelos de qué tamaño basta con 128 GB de memoria unificada?
Para modelos de aproximadamente 200 mil millones de parámetros con cuantización de 4 bits. Los modelos de alrededor de 405 mil millones requieren conectar dos unidades.
¿Se pueden conectar dos unidades en un clúster?
Sí. Los dispositivos basados en GB10 incorporan una interfaz de red NVIDIA ConnectX-7 con puertos de 200 GbE, lo que permite conectar dos unidades y obtener 256 GB de memoria compartida.
¿Cuándo elegir un PC con IA, una estación de trabajo o un servidor?
PC con IA: cuando la IA debe respaldar el trabajo diario de oficina. Estación de trabajo con RTX: cuando trabajas con imágenes, vídeo o modelos de hasta 32 mil millones de parámetros y necesitas velocidad. Superordenador de escritorio para IA: cuando necesitas ejecutar localmente modelos de gran tamaño y ajustarlos. Servidor o nube: cuando entrenas modelos.
¿Los datos salen de la empresa al utilizar un modelo local?
No. Un modelo ejecutado en hardware propio procesa los datos exclusivamente de forma local. Este es el principal motivo por el que las empresas que trabajan con datos confidenciales eligen soluciones on-premise en lugar de la nube.
Datos sobre el uso de la IA en empresas: Eurostat, «Use of artificial intelligence in enterprises», datos correspondientes a 2025. Especificaciones y parámetros actualizados a agosto de 2026.
