¿Cuánto debería costar mejorar un PC para jugar mejor o para probar una inteligencia artificial sin enviar datos a internet? Para muchos usuarios, esa cuenta dejó de parecer una actualización razonable y empezó a sentirse como la compra de un coche de segunda mano.
El hallazgo es incómodo: las tarjetas gráficas, la pieza clave para juegos exigentes y modelos de IA locales, se han encarecido con rapidez. Una RTX 5090, el modelo más potente de Nvidia, ha llegado a duplicar su precio, mientras que una RTX 4060, más modesta, ya no parece suficiente para quien busca dar el salto.
Según datos de Price Squirrel, difundidos a través de Reddit, las GPU aumentaron más de un 30% en apenas tres meses. La subida no quedó reservada para los productos nuevos: una RTX 3090, con cerca de seis años, puede superar los 1.000 euros en Wallapop.
Ese detalle revela una oportunidad extraña para quien ya tiene una buena tarjeta, pero una barrera para quien necesita comprarla. El mercado de segunda mano funciona como una estantería vacía del supermercado: cuando faltan productos nuevos, incluso las cajas antiguas adquieren un valor inesperado.
El engranaje que encarece la IA doméstica
La causa no está solo en los jugadores. Los centros de datos destinados a inteligencia artificial no suelen comprar tarjetas gráficas de consumo, pero sí absorben capacidad de fabricación y componentes esenciales. Es un mecanismo parecido al de una cocina industrial que compra casi toda la harina disponible: la panadería pequeña no recibe el mismo trato ni el mismo precio.
La pieza clave es la memoria. A fabricantes como Samsung, SK Hynix y Micron les resulta más rentable producir HBM, memoria de gran ancho de banda para aceleradores de IA, que GDDR, memoria usada por muchas tarjetas gráficas convencionales.
Cuando la fábrica prioriza la memoria para grandes servidores, la tarjeta gráfica del hogar también se vuelve más cara. Los centros de datos pueden planificar compras masivas con meses de anticipación. Un usuario que quiere renovar el PC, en cambio, llega a una tienda y paga la consecuencia de ese cableado económico.
Además, una GPU no sirve únicamente para mejorar sombras, resolución o velocidad en un videojuego. También permite ejecutar modelos de IA localmente, es decir, en el propio ordenador y sin depender de un servidor externo. Esa opción ofrece más control sobre los archivos y evita algunas suscripciones.
Las tarjetas RTX de Nvidia destacan en esta tarea por CUDA, un entorno que ayuda al software a usar la potencia de la GPU. Modelos abiertos como GLM, DeepSeek o Qwen pueden cubrir muchas consultas cotidianas, aunque su rendimiento depende del modelo elegido y de la memoria disponible.
La inferencia, el momento en que el modelo responde una pregunta, no exige siempre un centro de datos. Pero tampoco funciona igual en todos los equipos. Una tarjeta insuficiente puede convertir una respuesta rápida en una espera larga, como intentar llenar una bañera con una manguera demasiado fina.
Sam Altman, director ejecutivo de OpenAI, calificó la inferencia local como una “terrible asignación de recursos escasos”. La frase resume una tensión central: las grandes compañías invirtieron sumas enormes en sus modelos y necesitan que sus servidores sigan siendo la puerta de entrada.
OpenAI y Anthropic ofrecen sus herramientas desde la nube, mientras que otras firmas publican modelos abiertos y también cobran por servicios online. No hay prueba de que el encarecimiento del hardware responda a una estrategia deliberada, pero su efecto práctico favorece esa dependencia.
Así, el principal perjudicado es quien quería una máquina más libre: para jugar, crear o experimentar con IA en casa. La tecnología sigue prometiendo autonomía, pero hoy el interruptor de esa autonomía cuesta cada vez más encenderlo.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
