Table of Contents
Hace apenas dos años, «IA propia» significaba para la mayoría de las empresas una cosa: una suscripción a ChatGPT o Copilot. Hoy, cada vez más organizaciones llegan a un punto en el que la nube deja de ser suficiente. Los motivos suelen ser tres: costes que crecen con el número de consultas, datos que no pueden salir de la empresa y la necesidad de que la IA trabaje con documentos, bases de datos y procesos propios, no con conocimientos generales de Internet.
En este punto surge la pregunta: ¿qué servidor para IA conviene comprar y cuánto cuesta?
La respuesta es más interesante de lo que parece, porque el rango de precios es enorme: desde un equipo del tamaño de un libro por poco más de veinte mil eslotis hasta una máquina de más de dos millones. Y, lo importante, cada una de estas soluciones tiene sentido, pero para un perfil distinto. A continuación describo tres niveles de inversión, el cálculo que conviene hacer antes de decidir y cinco preguntas que ayudan a elegir el equipo sin comprar de más ni quedarse corto.
En qué se diferencia un servidor para IA de un servidor convencional
Un servidor convencional se construye en torno al procesador. Un servidor para IA se construye en torno a las GPU: son las que realizan todo el trabajo con los modelos, mientras que el resto del hardware está ahí para darles servicio. De ahí se derivan tres diferencias prácticas.
- Las GPU y su memoria. En este tipo de máquina trabajan entre cuatro y ocho aceleradores, normalmente en forma de tarjetas PCIe en servidores rack y, en las plataformas más potentes, como módulos soldados en una placa común. Su memoria total es el parámetro más importante de toda la compra; hablaremos de ello enseguida.
- Energía. Ocho tarjetas bajo carga consumen 5–6 kW, lo mismo que varias decenas de ordenadores de oficina. Esto requiere un rack con una alimentación adecuada y una evacuación eficiente del calor de la sala de servidores.
- Red. Para una sola máquina basta una red rápida estándar. Al combinar varios servidores en un único sistema, se necesitan enlaces mucho más rápidos, ya que las GPU de distintos chasis deben intercambiar datos con una latencia comparable a la de trabajar dentro de un mismo chasis.
Por eso no se trata simplemente de «un servidor más potente». Es otra categoría de hardware, que se selecciona con criterios diferentes.
La memoria GPU: la cifra que ordena toda la elección
Hay un parámetro más importante que el precio: cuánta memoria suman las GPU del servidor.
¿Por qué? El modelo debe caber íntegramente en esa memoria, igual que un archivo debe cargarse en un programa para poder utilizarlo. Si no cabe, simplemente no se iniciará.
Sin embargo, el propio modelo es solo el inicio del cálculo. Cada usuario conectado y cada documento analizado consumen memoria adicional para la conversación en curso. Por tanto, el mismo modelo para cien personas necesita considerablemente más espacio que para una sola; precisamente el número de usuarios, y no solo el tamaño del modelo, es lo que más a menudo determina qué nivel de hardware se necesita.
La guía analiza los requisitos básicos de memoria de los modelos Qué ordenador para IA elegir. La siguiente tabla muestra el segundo eje de este cálculo: cómo cambian las necesidades con la escala de la implantación. Los valores son orientativos y corresponden a una configuración de producción típica.
| Tamaño del modelo | 5 usuarios | 50 usuarios | 200 usuarios | Nivel de hardware |
|---|---|---|---|---|
| pequeño (clase 8B) | aprox. 8 GB | aprox. 20 GB | aprox. 50 GB | DGX Spark |
| medio (clase 70B) | aprox. 45 GB | aprox. 70 GB | aprox. 130 GB | servidor rack, 1–2 tarjetas |
| grande (clase 200B+) | aprox. 130 GB | aprox. 200 GB | aprox. 350 GB | servidor con ocho tarjetas |
| entrenamiento de un modelo propio | varias veces más que la mera puesta en marcha | – | – | plataforma HGX B200 |
Designaciones como 8B o 70B indican cuántos miles de millones de parámetros componen el modelo: 8B equivale a ocho mil millones. Cuantos más parámetros, mayor será la calidad de las respuestas y más memoria GPU ocupará el modelo.
Además, hay un aspecto que es fácil pasar por alto.
Margen. Las cifras anteriores corresponden a un funcionamiento normal. Para los picos de demanda conviene añadir un margen del 20–30%; de lo contrario, cuando aumente el tráfico, el sistema empezará a rechazar consultas.
Nivel 1: NVIDIA DGX Spark, el punto de partida
NVIDIA DGX Spark es un equipo de escritorio del tamaño de un libro, con 128 GB de memoria unificada y una capacidad de cálculo de alrededor de 1 petaFLOP para tareas de IA. Permite ejecutar localmente modelos de la clase que impulsa los asistentes populares, sin enviar un solo documento a la nube. Hay varias versiones, que se diferencian principalmente por la capacidad de almacenamiento (1, 2 o 4 TB) y el paquete de soporte. Encontraréis la oferta completa de esta clase de equipos, incluidos modelos de ocho fabricantes, en la categoría de ordenadores y estaciones de trabajo para IA.
¿Para quién? Para una empresa que primero quiere comprobar si la IA mejorará la atención al cliente, el análisis de contratos o la preparación de ofertas antes de que nadie apruebe un gran presupuesto. La inversión ronda los 5.524,23 € netos, menos que una suscripción anual a herramientas de IA para un equipo de más de una decena de personas. Se pueden conectar dos equipos en un único sistema.
Limitación. Es hardware para un solo equipo, no para toda la organización. No se puede instalar en un rack, no cuenta con alimentación redundante ni puede integrarse en la política de servicio aplicable a la sala de servidores. Cuando cien personas deban utilizar la IA al mismo tiempo, habrá que subir al siguiente nivel.
Nivel 2: servidor GPU para rack, es decir, IA de producción para la empresa
En mi opinión, este es el nivel que más se pasa por alto actualmente y, para una empresa con un caso de uso real de IA, es la opción más sensata.
Hablamos de una plataforma GPU dedicada para rack (5U), diseñada para ocho tarjetas de doble ancho. No está vinculada a un único modelo de acelerador: la elección de las tarjetas depende del uso previsto. La configuración base incluye dos procesadores AMD EPYC, hasta 6 TB de memoria DDR5 en 24 ranuras y seis fuentes de alimentación 2700 W con funcionamiento redundante.
La cantidad de tarjetas es clave, ya que determina la memoria GPU. Dos tarjetas RTX PRO 6000 de 96 GB cada una suman 192 GB y podrán dar servicio a un asistente interno para varias decenas de personas. La configuración completa de ocho tarjetas alcanza 768 GB, suficiente para varios cientos de usuarios o modelos muy grandes. Se pueden añadir más tarjetas en el mismo chasis, sin sustituir el servidor; esta es la principal ventaja de este nivel: no es necesario empezar con la configuración completa.
Modelo concreto: Supermicro AS-5126GS-TNRT Gold Series
Se vende como sistema completo y configurado. La inversión aproximada para la configuración inicial con dos tarjetas es de unos 115.088,04 € netos. Consulte la composición exacta y el precio actual en la ficha del producto.
¿Qué aporta en la práctica? Un servidor de este tipo puede ejecutar modelos de lenguaje grandes localmente, gestionar el análisis del archivo documental de la empresa, automatizar la atención al cliente, generar contenido en varios idiomas o analizar imágenes de una línea de producción. Además, las tarjetas RTX PRO son versátiles: el mismo servidor puede utilizarse para renderizado, simulaciones de ingeniería o virtualización de estaciones de trabajo. Este es un argumento que a menudo resulta decisivo: el hardware no queda infrautilizado entre proyectos de IA.
¿Para quién? En la configuración inicial, para una empresa de varias decenas de empleados que ya ha superado la fase de pruebas y quiere dar a sus equipos acceso a un asistente interno que conoce los procedimientos de la empresa. En la configuración completa, para grandes organizaciones, cientos de usuarios simultáneos y sectores regulados, como las finanzas, la sanidad o el sector público, donde los datos deben permanecer en el edificio.
Aspectos que conviene tener en cuenta. El consumo eléctrico aumenta con el número de tarjetas: de aproximadamente 2 kW con dos tarjetas a 5–6 kW con ocho. El rack debe poder alimentarlo y la refrigeración debe disipar el calor. Si tiene previsto ampliar el sistema, calcule desde el principio la capacidad de alimentación y climatización para la configuración final, no para la inicial.
Nivel 3: NVIDIA HGX B200, la infraestructura para entrenar modelos
En lo más alto se encuentra el hardware del que se habla en las noticias sobre la carrera tecnológica entre las mayores empresas del mundo. Un servidor con plataforma NVIDIA HGX B200 incorpora ocho unidades Blackwell, actualmente los aceleradores de IA más potentes del mercado, con un total de 1,44 TB de memoria HBM3e, la más rápida que se puede comprar hoy.
La máquina ocupa 10U en el rack y cuenta con ocho interfaces de red de 400 Gb/s, ya que está diseñada para integrarse en clústeres con más servidores idénticos. La alimentación se basa en seis fuentes de alimentación de aproximadamente 5 kW, que funcionan de forma redundante en una configuración 3+3; el consumo real de la máquina bajo carga ronda los 10 kW, mientras que el resto es margen de reserva y protección ante fallos. Incluye un procesador BlueField-3, que descarga al sistema principal de las tareas de red y seguridad, así como tres años de soporte con servicio in situ al siguiente día laborable.
Modelo concreto: Supermicro AS-A126GS-TNBR
Diseñado para computación científica, IA, automatización industrial y análisis de datos. Inversión aproximada: unos 460.352,17 € netos por servidor; consulte el precio actual en la ficha del producto.
La diferencia respecto a un servidor GPU de nivel dos no consiste en que B200 «haga lo mismo, pero más rápido». Consiste en que realiza tareas que el otro no puede completar en un tiempo razonable: entrenar modelos propios desde cero, ajustar modelos con cientos de miles de millones de parámetros, atender a cientos de usuarios simultáneamente, realizar investigación científica y simulaciones a escala industrial.
¿Para quién? Para empresas que desarrollan productos basados en IA y no utilizan modelos ya preparados, sino que crean los suyos propios. Para instituciones de investigación y universidades. Para operadores de telecomunicaciones, bancos, grandes grupos industriales y empresas farmacéuticas.
En la práctica, rara vez se compra una sola máquina de este tipo. También se necesitan infraestructura de red, alimentación y refrigeración para el centro de datos; con 10 kW por chasis, normalmente entra en juego la refrigeración líquida. No es una compra de hardware, sino una decisión estratégica.
¿Cómo elegir un servidor para IA? Cinco preguntas que conviene plantearse
¿Ya sabe qué debe hacer la IA en su empresa?
Si no es así, elija el primer nivel. Por el precio de un portátil premium, obtendrá un entorno en el que podrá probar varias ideas en dos semanas y tomar decisiones basadas en hechos, no en presentaciones.
¿Cuántas personas lo utilizarán y con qué frecuencia?
Si la respuesta es «toda la empresa, todos los días», un equipo de escritorio no será suficiente y un servidor GPU para rack será la opción adecuada. Conviene calcular cuánto gasta actualmente en API en la nube y suscripciones. A gran escala, el hardware propio resulta más económico en un horizonte de dos o tres años.
¿Desarrolla modelos propios o utiliza modelos ya preparados?
El uso de modelos ya preparados, incluso muy grandes, corresponde al segundo nivel. Desarrollar modelos propios ya requiere B200. Aquí la frontera es clara y rara vez genera dudas sobre en qué lado se encuentra una empresa.
¿Qué tamaño tiene el modelo que necesita ejecutar y para cuántas personas?
Vuelva a la tabla de memoria. Si el modelo elegido ocupa 60 GB y deben utilizarlo cincuenta personas simultáneamente, una tarjeta con 96 GB de memoria es el mínimo absoluto; dos aportan margen y capacidad para crecer.
¿Qué puede soportar su centro de datos?
La sorpresa más habitual en los proyectos de IA no tiene que ver con el hardware, sino con el edificio: cuánta potencia eléctrica puede suministrarse, si la climatización podrá disipar el calor adicional y si hay espacio en el rack. Es mejor comprobarlo antes de realizar el pedido que después de la entrega.
Qué más incluye el presupuesto de implantación
El precio del servidor suele representar entre el 70 y el 85% del presupuesto del proyecto. Conviene tener en cuenta las demás partidas ya en la fase de planificación.
- Alimentación eléctrica y rack – PDU con la potencia adecuada, distribución de fases, alimentación ininterrumpida y, en parte de la instalación, también una nueva acometida eléctrica.
- Refrigeración – hasta aprox. 5–6 kW por rack, la climatización de precisión suele ser suficiente. Por encima de 10 kW se utiliza refrigeración líquida, lo que implica adaptar la sala y aplicar un procedimiento de mantenimiento independiente. Si la sala de servidores no se diseñó para ello, conviene incluir este coste ya en el presupuesto.
- Memoria RAM – las configuraciones para IA parten de varios cientos de gigabytes, y los precios de los módulos para servidores aumentaron notablemente en 2026. La diferencia entre 512 GB y 1 TB puede representar una partida importante del presupuesto.
- Red – conmutador con el ancho de banda adecuado, transceptores y cableado. En las configuraciones en clúster se añade una red independiente para las GPU.
- Almacenamiento – los modelos y las colecciones de documentos ocupan terabytes, y el ancho de banda de lectura debe corresponderse con el rendimiento de las tarjetas.
- Implementación – instalación del software, puesta en marcha del modelo e integración con el inicio de sesión corporativo y los sistemas que utilizáis.
- Soporte y garantía – para entornos de producción, el estándar es el servicio in situ al siguiente día laborable.
Por dónde empezar
El error más habitual en este tipo de compras es empezar por el catálogo. El orden que funciona es el contrario: primero un único caso de uso, después el número de usuarios, luego una comparativa con los costes actuales de la nube y, solo al final, la configuración.
Si aún no sabéis exactamente para qué debe servir la IA, el primer nivel basta para varios meses de pruebas y cuesta lo mismo que un portátil. Si ya habéis superado la fase de pruebas y el asistente debe trabajar para toda la empresa, el segundo nivel es actualmente la opción más sensata para la mayoría de las organizaciones. El tercer nivel se elige cuando desarrolláis vuestros propios modelos, y en ese caso la decisión normalmente no deja lugar a dudas.
Si la configuración debe adaptarse a vuestra sala de servidores —en cuanto al número de tarjetas, memoria, red o refrigeración—, nuestro equipo preparará una propuesta para vuestro caso de uso concreto.
Preguntas frecuentes
El rango es amplio: desde aprox. 5.524,23 € netos por un equipo de escritorio de la clase DGX Spark, pasando por aprox. 115.087,93 € por un servidor GPU para rack en configuración inicial, hasta aprox. 460.351,02 € por una plataforma HGX B200. Al precio del hardware hay que añadir 15–30% para alimentación eléctrica, refrigeración, red e implementación.
Depende de la escala. El coste de la nube aumenta con el número de consultas, mientras que el coste de un servidor propio es fijo: tras la compra, no pagáis por cada llamada. Por ello, conviene comparar las facturas actuales de API y suscripciones con la cuota del hardware repartida en tres años y el coste de la energía. Con un uso intensivo, la infraestructura propia resulta más rentable; con un uso ocasional, la nube sigue siendo más económica.
El modelo debe caber íntegramente en la memoria de las tarjetas. A modo orientativo: un modelo de la clase 8B requiere unas decenas de gigabytes; uno de la clase 70B, entre 70 y 140 GB según la precisión de almacenamiento del modelo; y los modelos de más de 200 mil millones de parámetros parten de varios cientos de gigabytes. Además, se necesita memoria para las conversaciones en curso, que aumenta con el número de usuarios.
Para pruebas y casos de uso aislados, sí. Para producción, por lo general no, ya que las limitaciones son la memoria total de las tarjetas, así como la alimentación y la refrigeración de una carcasa que no se diseñó para ocho aceleradores.
Si la IA debe funcionar en producción para toda la empresa, la opción más sensata es un servidor GPU para rack en una configuración con dos tarjetas y posibilidad de añadir más. Si aún estáis en fase de pruebas o lo utiliza un solo equipo, basta un equipo de escritorio de la clase DGX Spark o, alternativamente, dos unidades conectadas en un único sistema.
Un equipo de escritorio consume alrededor de 240 W. Un servidor GPU para rack, desde aprox. 2 kW con dos tarjetas hasta 5–6 kW con ocho, y una plataforma HGX B200, alrededor de 10 kW. Calculad el coste según vuestra propia tarifa por kWh y el tiempo de funcionamiento previsto: en operación continua, la diferencia entre los niveles es de varias decenas de veces.
