Elegir hardware para IA local no consiste tanto en perseguir el chip más reciente como en adaptar el equipo a los modelos y flujos de trabajo que realmente se van a utilizar. Un PC para IA local puede funcionar como una herramienta de productividad silenciosa para redactar, programar y utilizar asistentes sin conexión, o convertirse en un potente equipo de inferencia para modelos de lenguaje y visión más exigentes y chats con contextos extensos. Los requisitos de hardware cambian considerablemente según el tamaño del modelo, la cuantización y la rapidez de respuesta esperada. Esta guía analiza los componentes esenciales, en qué aspectos merece la pena invertir más, dónde se puede ahorrar y cómo decidir entre ampliar un equipo, comprar un ordenador de sobremesa nuevo o recurrir a la IA en la nube.

¿Qué requisitos de hardware importan para la IA local?

Ejecutar IA de forma local significa cargar y utilizar un modelo en el propio hardware, en lugar de enviar los prompts a un servicio remoto. Puede parecer sencillo, pero los requisitos varían mucho cuando entran en juego el tamaño del modelo, la longitud del contexto y las expectativas de velocidad. Un asistente pequeño para redactar correos electrónicos puede funcionar correctamente con un hardware modesto, mientras que los modelos de IA local para programación, análisis de imágenes o conversaciones largas pueden requerir mucha más memoria y ancho de banda. Para la mayoría de los compradores, los factores decisivos son la memoria disponible para el acelerador, la RAM del sistema, el almacenamiento, el consumo eléctrico y la compatibilidad del software. Esta guía está dirigida a principiantes que buscan un punto de partida prudente, usuarios que quieren prolongar la vida útil de su hardware actual y compradores que comparan configuraciones antes de invertir en un PC para IA local.

IA local frente a IA en la nube: ¿cuál se adapta a tus necesidades?

La IA local y la IA en la nube resuelven problemas similares, pero priorizan aspectos diferentes. La IA en la nube suele destacar por su comodidad, el acceso a modelos de frontera y la ausencia de una configuración local. La IA local ofrece más control sobre la privacidad, acceso sin conexión y, en usos frecuentes, puede reducir los costes de las API por solicitud; aun así, el coste total debe incluir el hardware, la electricidad, el mantenimiento y las licencias aplicables. Además, ejecutar un modelo en local no garantiza por sí solo una privacidad absoluta: conviene comprobar si la aplicación utiliza telemetría, sincronización, descargas en línea o API remotas. Si los prompts contienen información sensible, la conexión de red no es fiable o un flujo de trabajo se repite durante todo el día, ejecutar IA en local puede ser la opción más adecuada. Si el trabajo es ocasional, muy complejo o depende de los modelos más avanzados disponibles, la IA en la nube puede resultar más conveniente. Una regla práctica consiste en utilizar IA local para las tareas cotidianas que se desean ejecutar en el propio equipo, recurrir a la nube para cargas exigentes ocasionales y elegir una configuración híbrida cuando ambas opciones sean importantes.

Cuándo sigue siendo mejor la IA en la nube

Los modelos de frontera disponibles en la nube suelen ofrecer mejores resultados que los sistemas de consumo en tareas complejas de razonamiento, análisis multimodal y grandes cargas de procesamiento por lotes. Tampoco están condicionados por los mismos límites de memoria que el hardware local, aunque siguen sujetos a límites de contexto, cuotas, costes y políticas de gestión de datos del servicio. Para los equipos de trabajo que necesitan obtener rápidamente los mejores resultados posibles, la IA en la nube evita la inversión inicial en hardware y la carga de mantenimiento.

Lista de comprobación de los requisitos básicos de hardware

La versión más breve de los requisitos de hardware para IA local es la siguiente: hay que empezar por el acelerador y asegurarse después de que el resto del sistema pueda suministrarle los datos y mantener su ritmo. En muchos PC con GPU dedicada, esta suele ser el principal cuello de botella porque la VRAM condiciona qué tamaños de modelo pueden ejecutarse con fluidez y a qué velocidad se generan los tokens. En plataformas con memoria unificada o en flujos que utilizan la CPU y la descarga parcial, la capacidad y el ancho de banda de la memoria disponible, junto con la compatibilidad del software, deben evaluarse en conjunto. La RAM del sistema también es importante, especialmente si el equipo debe cargar modelos más grandes, mantener abiertas varias pestañas del navegador o utilizar distintas herramientas al mismo tiempo. Un almacenamiento rápido resulta útil porque los archivos de los modelos son grandes, las descargas son frecuentes y las cachés crecen con el tiempo. La CPU completa el conjunto: interviene en la coordinación, el preprocesamiento y la inferencia realizada exclusivamente en el procesador, pero en un PC con GPU dedicada rara vez compensa una falta de VRAM. En la práctica, el hardware para IA local debe estar equilibrado; no basta con destacar en una sola especificación.

La VRAM y la memoria disponible para el acelerador suelen ser decisivas

En una GPU dedicada, la VRAM suele determinar si los modelos de IA local funcionan con comodidad o están constantemente limitados por la memoria. Una mayor cantidad permite alojar el modelo junto con ventanas de contexto más largas y lotes más grandes, y reduce la necesidad de descargar parte del trabajo en la memoria del sistema. En plataformas con memoria unificada, debe evaluarse la parte realmente disponible para el acelerador después de reservar espacio para el sistema operativo y las aplicaciones. Esta diferencia es importante: un modelo puede llegar a cargarse técnicamente y, aun así, ejecutarse con demasiada lentitud para ofrecer una experiencia agradable.

Cuánta RAM necesitas realmente

La RAM del sistema ayuda a cargar los modelos, gestionar la multitarea y mantener conjuntos de trabajo más grandes alrededor del propio modelo. En un PC con GPU dedicada, 16 GB pueden ser suficientes para modelos pequeños y un uso ligero; 32 GB constituyen un punto de partida más práctico; y 64 GB proporcionan más margen para conjuntos de trabajo grandes, RAG, multitarea o descarga parcial a la CPU. Estas cifras son orientativas y la RAM del sistema no sustituye a la VRAM. En un equipo con memoria unificada, la capacidad total se comparte entre el sistema operativo, las aplicaciones, la CPU y la GPU, por lo que no puede compararse directamente con la RAM de un PC con GPU dedicada.

Cómo elegir una GPU para IA local

Para muchos compradores de un PC con gráficos dedicados, la GPU es el primer componente que se debe valorar porque suele tener el mayor impacto al ejecutar modelos de IA local. Las GPU de sobremesa difieren en VRAM, precio, madurez del ecosistema y compatibilidad con las herramientas de inferencia habituales. NVIDIA ofrece una compatibilidad CUDA muy amplia en numerosos entornos de IA local. AMD e Intel también pueden ser opciones adecuadas, pero es necesario comprobar el modelo exacto de GPU o APU, el sistema operativo, el controlador, el entorno de ejecución y el backend compatible —por ejemplo, ROCm, OpenVINO, oneAPI, DirectML o el utilizado por la aplicación elegida—. La mejor elección rara vez depende de la fidelidad a una marca: la memoria disponible, el rendimiento sostenido y la compatibilidad práctica deben ajustarse a los modelos previstos.

GPU de sobremesa frente a portátil gaming

Una GPU de sobremesa suele ser la mejor elección a largo plazo para IA local porque ofrece una refrigeración más eficaz, mayor flexibilidad de ampliación y un rendimiento sostenido más constante. Un portátil gaming también puede ejecutar IA local, pero suele estar sujeto a límites térmicos y de potencia más estrictos, que reducen el margen durante sesiones prolongadas. La portabilidad es una ventaja, aunque los equipos de sobremesa suelen ofrecer una mejor relación entre rendimiento y precio, además de más posibilidades de ampliación futura.

Por qué importan los 12, 16 y 24 GB de VRAM

Estos niveles de VRAM ofrecen márgenes prácticos diferentes, pero no garantizan por sí solos que un modelo concreto funcione con fluidez. La cuantización, la longitud del contexto, la caché KV, el tamaño del lote, la modalidad y el entorno de ejecución también consumen memoria. Como orientación general para modelos densos cuantizados a unos 4 bits y un contexto corto o medio, 12 GB pueden servir para determinados modelos pequeños o de unos 13B/14B; 16 GB ofrecen más margen; y 24 GB pueden acercarse a algunos modelos de 30B–34B. Estas cifras deben considerarse aproximaciones para inferencia de un solo usuario, no requisitos universales.

Requisitos de hardware de Apple Silicon para IA local

Apple Silicon es una opción popular para IA local porque combina una elevada eficiencia con una arquitectura de memoria capaz de ofrecer un buen rendimiento de inferencia sin una GPU de sobremesa dedicada. Resulta especialmente atractivo para quienes buscan un equipo silencioso para tareas cotidianas de IA local, redacción, programación o asistentes personales. La memoria unificada cambia la forma de valorar la capacidad: en lugar de disponer de RAM del sistema y VRAM separadas, todo el conjunto se comparte entre la CPU, la GPU, macOS y las aplicaciones. Por ello, la memoria disponible para el modelo es inferior a la capacidad total anunciada. El rendimiento también depende del ancho de banda, el formato del modelo y la compatibilidad del backend utilizado, como Metal, MLX, llama.cpp u Ollama. Una mayor capacidad puede permitir cargar modelos más grandes, pero no garantiza el mismo rendimiento que una GPU dedicada de gama alta. Frente a un PC gaming convencional, Apple Silicon suele ofrecer menos flexibilidad, aunque puede proporcionar una experiencia muy depurada para la inferencia cotidiana.

Qué es la memoria unificada

La memoria unificada permite que la CPU y la GPU compartan un mismo espacio, en lugar de mantener conjuntos separados. Para la IA local, esto puede simplificar la carga de modelos y reducir parte de la duplicación de datos en memoria. Aun así, la capacidad total, el ancho de banda y la compatibilidad del software importan mucho más que el nombre comercial del chip, y no todos los modelos utilizan automáticamente el Neural Engine.

Aspectos que debes tener en cuenta sobre la CPU, el almacenamiento y el consumo

La CPU es importante para la IA local, pero normalmente desempeña un papel de apoyo y no el principal. Un procesador rápido ayuda con el preprocesamiento, la gestión de archivos y las cargas que dependen de la CPU, pero en un PC con GPU dedicada no solucionará la falta de VRAM. El almacenamiento se pasa por alto con demasiada facilidad: las descargas de modelos, sus versiones cuantizadas, las cachés y las herramientas pueden llenar las unidades rápidamente. El consumo eléctrico es otra limitación práctica, especialmente en pisos pequeños, espacios de trabajo compartidos o equipos que se utilizan durante todo el día. Un sistema silencioso con una refrigeración adecuada puede resultar mucho más agradable que otro más caliente cuyos resultados en pruebas de rendimiento solo sean ligeramente mejores. Una buena planificación del hardware debe equilibrar la velocidad con el consumo energético, el ruido y la comodidad diaria.

Requisitos del SSD para IA local

Una unidad NVMe rápida agiliza la carga, la descompresión, las copias de archivos y el almacenamiento en caché de los modelos frente a unidades más lentas. También evita que la escritura local limite la gestión de descargas grandes, aunque no aumenta la velocidad de la conexión a internet. Varios modelos de IA local pueden ocupar cientos de gigabytes en poco tiempo, especialmente si se conservan distintas versiones para realizar pruebas. Conviene reservar espacio para los checkpoints, las versiones cuantizadas y los datos de las aplicaciones.

Fundamentos de la fuente de alimentación y la refrigeración

Una alimentación estable es importante durante las cargas sostenidas de IA, no solo durante el arranque. Una refrigeración insuficiente puede provocar una reducción de frecuencia cuando las sesiones se prolongan, lo que perjudica el rendimiento más de lo que muchos compradores esperan. La fuente de alimentación y el flujo de aire deben dimensionarse para el sistema completo, no únicamente para la GPU.

Requisitos de hardware según el tamaño del modelo

Las familias de modelos ofrecen una forma práctica de ajustar el hardware a las expectativas, pero el número de parámetros no basta para calcular los requisitos. La arquitectura —incluidos los modelos MoE—, la cuantización, la longitud del contexto, la caché KV, el tamaño del lote, las entradas multimodales y el entorno de ejecución pueden cambiar considerablemente la memoria y la velocidad. Las referencias siguientes suponen aproximadamente modelos densos cuantizados a 4 bits, un contexto corto o medio e inferencia interactiva para un solo usuario. Deben utilizarse como orientación, no como requisitos garantizados.

Modelos pequeños: de 3B a 8B

Este es el nivel de entrada para chats, redacción y tareas ligeras de productividad. Con una cuantización de unos 4 bits y un contexto corto o medio, un modelo de 3B suele necesitar aproximadamente entre 3 y 5 GB de memoria utilizable, mientras que uno de 7B/8B suele situarse alrededor de 6–10 GB según el entorno y la caché KV. Muchos portátiles modestos y ordenadores de sobremesa económicos pueden ejecutarlos con una cuantización adecuada. Es el punto de partida más prudente para quienes comienzan a explorar el hardware para IA local.

Modelos de tamaño medio: de 13B a 34B

Este intervalo abarca necesidades muy diferentes. Los modelos de 13B/14B cuantizados a unos 4 bits suelen encajar aproximadamente en 12–16 GB de memoria utilizable, mientras que los de 30B–34B pueden acercarse a 20–24 GB o más antes de contar contextos largos y otras cargas. Una GPU de sobremesa competente y suficiente RAM del sistema ayudan a evitar cuellos de botella, pero la RAM no sustituye a la VRAM de una tarjeta dedicada. Para los entusiastas, este intervalo puede ofrecer una buena relación entre capacidad y coste si se elige el modelo y la cuantización adecuados.

Modelos grandes: 70B o más

En un modelo denso de 70B cuantizado a unos 4 bits, los pesos por sí solos suelen ocupar alrededor de 40 GB y el conjunto de trabajo completo puede requerir aproximadamente 48 GB o más. Una configuración con al menos 64 GB de memoria unificada, o varias GPU compatibles con la partición del modelo, suele ofrecer un margen más práctico; también puede utilizarse una combinación compatible de VRAM y RAM mediante descarga parcial, normalmente con una reducción del rendimiento. Los contextos largos, la concurrencia y las entradas multimodales elevan aún más el consumo. El uso de varias GPU y la descarga parcial dependen de la compatibilidad del entorno de ejecución. Estos sistemas son caros y menos accesibles para principiantes, por lo que para muchos compradores una configuración híbrida o la IA en la nube puede resultar más razonable.

La cuantización y por qué cambia los requisitos de hardware

La cuantización es el proceso de reducir la precisión numérica de un modelo para que utilice menos memoria y, a menudo, funcione de forma más eficiente en hardware de consumo. En términos sencillos, permite adaptar modelos de IA local más grandes a los límites de una GPU de sobremesa o de un sistema con memoria unificada. Gracias a ello, muchas personas pueden ejecutar modelos que, de otro modo, quedarían fuera del alcance de sus equipos. La contrapartida puede ser cierta pérdida de calidad, aunque su impacto varía según el modelo, la tarea y el nivel de cuantización. Para la mayoría de los compradores, conviene empezar con niveles de cuantización habituales antes de plantearse costosas actualizaciones de hardware. Suele ser preferible ejecutar con fluidez un modelo ligeramente más pequeño que forzar otro mayor en una configuración con dificultades constantes.

Mejores configuraciones de hardware para IA local según el presupuesto

Elegir según el presupuesto resulta útil, pero solo si cada nivel se vincula a casos de uso reales. Una configuración inicial bien planteada no necesita perseguir todos los resultados de las pruebas de rendimiento, mientras que una opción equilibrada debería priorizar la memoria disponible para el acelerador, la RAM del sistema y el rendimiento sostenido frente a extras llamativos. Los sistemas de gama alta tienen sentido para la experimentación intensiva, los modelos de mayor tamaño y quienes necesitan más margen. En hogares u oficinas con espacio limitado y equipos que funcionan durante periodos prolongados, un ordenador de sobremesa compacto o un Mini PC con posibilidades de ampliación puede ser una plataforma razonable para IA local. El mejor hardware es el que se adapta a los modelos que se van a utilizar, no el que ofrece el mensaje publicitario más llamativo.

Configuración inicial económica

Una configuración inicial económica está pensada para ejecutar modelos pequeños y aprender el flujo de trabajo sin gastar de más. Priorice una cantidad suficiente de memoria, un SSD NVMe fiable y la posibilidad de ampliar el equipo más adelante. Puede gestionar bien asistentes ligeros, pero alcanzará antes sus límites con modelos de IA local de mayor tamaño.

Configuración equilibrada

Esta es la opción elegida por muchos aficionados exigentes, ya que ofrece un buen equilibrio entre velocidad y coste. Una mayor cantidad de memoria disponible para el acelerador, suficiente RAM y una refrigeración adecuada permiten obtener una respuesta fluida en los prompts cotidianos. Para tareas de redacción, programación y uso general de IA local, suele ser la alternativa más cómoda.

Configuración de gama alta

Los sistemas de gama alta están dirigidos a quienes desean ejecutar modelos más grandes, obtener resultados con mayor rapidez y disponer de más margen para experimentar. El coste del hardware resulta más fácil de justificar cuando la IA local se utiliza a diario o con fines profesionales. Este nivel está pensado para un uso intensivo, no para una curiosidad ocasional.

¿Se puede utilizar un portátil gaming para IA local?

Un portátil gaming puede ser una opción válida para IA local si dispone de suficiente VRAM, una refrigeración adecuada y un perfil de potencia capaz de mantenerse bajo cargas prolongadas. La contrapartida es sencilla: la portabilidad conlleva más limitaciones térmicas y, normalmente, menos posibilidades de ampliación. El rendimiento depende del TGP de la GPU, el diseño de refrigeración y el modo de alimentación, no solo del nombre del procesador gráfico. Una GPU potente para portátiles puede ejecutar modelos de IA local con suficiente fluidez para un uso personal, aunque el equipo puede reducir su rendimiento a medida que aumenta la temperatura. Para quienes se desplazan entre la oficina, el hogar y otros lugares, un portátil puede resultar conveniente. Para quienes priorizan el valor a largo plazo y un mayor margen de ampliación, un ordenador de sobremesa suele ofrecer una mejor relación entre coste y prestaciones.

Cómo actualizar un equipo existente para utilizar IA local

Si ya se dispone de un sistema, las actualizaciones más sencillas suelen ser la RAM, el almacenamiento y, en un ordenador compatible, la GPU. Antes de comprar cualquier componente, compruebe la compatibilidad de la placa base, la capacidad de la fuente de alimentación, el espacio disponible en la caja y el margen para la refrigeración. Estos factores importan más que las tablas de rendimiento cuando el objetivo es disponer de un hardware estable para IA local. También conviene actualizar el equipo en función del modelo que se desea ejecutar, en lugar de basarse en cifras genéricas. Un equipo adecuado para modelos de 8B puede seguir teniendo dificultades con cargas de trabajo basadas en modelos de 13B o 34B. Es posible reutilizar sistemas antiguos, pero un hardware muy desfasado puede convertirse en un cuello de botella que ninguna actualización individual consiga resolver por completo.

El mejor entorno de software para ejecutar IA local

El hardware por sí solo no completa la configuración, ya que la compatibilidad del software puede determinar si un equipo resulta fácil o complicado de utilizar. Los principiantes suelen beneficiarse de aplicaciones o entornos de ejecución de IA local fáciles de usar, que ocultan gran parte de la complejidad y simplifican la carga de modelos. Esto es especialmente importante en equipos Mac y sistemas AMD o Intel, donde el soporte del modelo concreto, el sistema operativo, los controladores y el backend puede influir en la decisión de compra. Un buen entorno debería incluir un gestor de modelos, una interfaz clara y compatibilidad bien documentada con el hardware disponible. El objetivo es empezar a ejecutar modelos rápidamente, no dedicar días a ajustar controladores antes de conseguir que funcione el primer prompt.

Qué instalar primero

Empiece con una aplicación o un entorno de ejecución de IA local fácil de usar y con compatibilidad documentada para la plataforma exacta. Una buena interfaz reduce las dificultades de configuración y facilita la gestión de los primeros modelos. Las herramientas bien documentadas ahorran tiempo y reducen la probabilidad de cometer errores evitables.

Errores habituales de hardware que conviene evitar

Uno de los errores más frecuentes es comprar una GPU con muy poca VRAM y esperar que los modelos grandes funcionen con fluidez. Otro consiste en asumir que una CPU rápida puede compensar cualquier limitación de memoria, algo que normalmente no sucede en un PC con GPU dedicada. Una refrigeración insuficiente, una fuente de alimentación con poca capacidad y una planificación deficiente del almacenamiento también provocan más problemas de los que muchos compradores esperan. El enfoque más prudente consiste en adaptar el equipo a los modelos de IA local que realmente se desean ejecutar, no al resultado más llamativo de una prueba. Esta decisión ayuda a evitar algunos de los errores de compra más costosos.

Preguntas frecuentes sobre los requisitos de hardware

La mayoría de las preguntas de los principiantes están relacionadas con la memoria, la compatibilidad y si merece la pena utilizar IA local. Las respuestas breves que aparecen a continuación pretenden facilitar una decisión práctica. También refuerzan las principales reglas de compra: la memoria disponible para el acelerador, la RAM y la compatibilidad del software pueden cambiar considerablemente la experiencia. Si el objetivo es configurar un PC para IA local con unos requisitos de hardware razonables, estas son las primeras preguntas que conviene responder.

¿Necesito una GPU para utilizar IA local?

No necesariamente, pero un acelerador compatible puede marcar una gran diferencia en la velocidad. Los modelos pequeños pueden ejecutarse en sistemas que solo utilizan la CPU, aunque la experiencia puede volverse mucho más lenta a medida que aumenta el tamaño del modelo o la longitud de los prompts. Para un uso fluido y frecuente, normalmente merece la pena disponer de una GPU o una plataforma integrada cuyo entorno de ejecución sea compatible.

¿Cuánta RAM necesito para utilizar IA local?

Como orientación para un PC convencional, 16 GB pueden ser suficientes para modelos pequeños y un uso ligero. Para una configuración más práctica, 32 GB suelen ofrecer un punto de partida más seguro, mientras que 64 GB proporcionan más margen para conjuntos de trabajo grandes, multitarea, RAG o descarga parcial a la CPU. En un PC con GPU dedicada, la RAM del sistema no sustituye a la VRAM; en una plataforma con memoria unificada, la capacidad se comparte con el sistema operativo y las aplicaciones.

¿Es Apple Silicon una buena opción para IA local?

Sí, especialmente para la inferencia local y un uso cotidiano eficiente cuando el entorno utilizado ofrece una buena compatibilidad con Metal o con el backend correspondiente. Los principales factores de compra son la capacidad total de memoria unificada, el ancho de banda, el chip y el soporte del software, no solo el nombre comercial. Los sistemas con más memoria pueden cargar modelos mayores, aunque eso no garantiza el mismo rendimiento que una GPU dedicada de gama alta.

¿Debería utilizar IA local o IA en la nube?

La IA local resulta adecuada cuando se priorizan el control sobre los datos, el trabajo sin conexión y las tareas frecuentes, siempre que la aplicación no dependa de servicios remotos. La IA en la nube resulta más apropiada para acceder a modelos de frontera y ejecutar cargas de trabajo que superan la capacidad del hardware de consumo. Para muchas personas, una configuración híbrida ofrece la mayor flexibilidad.

Consejos finales para comprar hardware destinado a IA local

La regla más útil es sencilla: adapte el hardware al tamaño del modelo y al flujo de trabajo y, a partir de ahí, configure el sistema. Empiece con algo más modesto si es necesario, pruebe prompts reales y actualice el equipo de forma estratégica en lugar de dejarse llevar por afirmaciones publicitarias. La memoria disponible para el acelerador, la RAM del sistema y la compatibilidad del software importan más que las promesas llamativas, y el mejor hardware para IA local es el que ejecuta con fluidez los modelos que realmente se desean utilizar. Si un ordenador de sobremesa compacto, un equipo barebone o un PC ampliable para IA local se ajustan al espacio y a la carga de trabajo, pueden ser la compra más inteligente a largo plazo. Compruebe primero la compatibilidad y elija un equipo que cubra las necesidades actuales con margen suficiente para el futuro.