Sunk Cost: Mac Studio con IA local tarda 44 años en pagarse

La calculadora que dice que tu Mac Studio tarda 44 años en pagarse

La herramienta Sunk Cost.ai acaba de poner un número concreto a un debate que la mayoría de founders tiene en la cabeza: ¿compra un equipo para correr LLMs locales, o sigue pagando APIs? El resultado por defecto es brutal: con un Mac Studio M5 Max de 64 GB a US$3.499, corriendo Qwen3.8 27B en cuantización Q4KM a 500.000 tokens al día, el hardware tarda 43,6 años en amortizarse — o lo que es lo mismo, no se paga nunca dentro de la vida útil razonable del equipo.

Para un founder que evalúa infraestructura de IA, esa cifra obliga a recalibrar expectativas. El gasto en la nube ya es alto; comprar un equipo propio parecía la salida lógica. La calculadora muestra que esa lógica solo se sostiene bajo supuestos muy concretos que conviene revisar antes de invertir.

Qué es Sunk Cost y qué calcula

Sunk Cost es una calculadora pública en sunkcost.ai que cruza tres variables: el hardware que quieres comprar, el modelo open source que correrías, y tu patrón real de uso diario (tokens consumidos, ratio input:output, contexto, etc.). A partir de ahí estima el coste por día de la opción local frente al coste por día de la API equivalente, y calcula cuántos años tardarías en recuperar lo pagado.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El modelo por defecto asume precios de API congelados al día de hoy. El usuario puede activar la opción "los precios de la API siguen bajando" para ver escenarios con caídas anuales del 20%, 30%, 40% o 60%. La lógica es directa: si OpenRouter, Anthropic o OpenAI siguen reduciendo tarifas — como han hecho durante los últimos 18 meses — la ventana de amortización se cierra mucho antes.

El escenario por defecto: por qué sale 44 años

El cálculo central del sitio para un Mac Studio M5 Max de 64 GB corriendo Qwen3.8 27B Q4KM es el siguiente:

Hardware: US$3.499 de precio de lista (envíos a partir del 22 de septiembre de 2026, según reportó TechRepublic)
Modelo: Qwen3.8 27B, 27 mil millones de parámetros, cuantización Q4KM
Uso diario: 500.000 tokens al día, ratio 15:1 input:output (468.750 de entrada, 31.250 de salida)
Precio API equivalente: US$0,32 por millón de tokens de entrada y US$2,50 por millón de salida, vía OpenRouter (precio más barato activo a 2026-09-03)
Velocidad local estimada: 24,7 tokens por segundo, calculada como ancho de banda de memoria (614 GB/s) dividido por bytes leídos por token, con un 75% de eficiencia por ser modelo denso
Electricidad: US$0,17/kWh, promedio residencial de EE. UU. en 2025

Con esos números, el coste local por día es de US$0,01 (electricidad) frente a US$0,23 de API. El ahorro diario es de US$0,22. Dividir US$3.499 entre US$0,22 da 15.942 días, o 43,6 años. Después de 12 meses, el balance es de −US$3.419.

La propia calculadora aclara tres sesgos que favorecen al hardware local: no incluye el valor de reventa, ni el coste de oportunidad del equipo para otros trabajos, ni la posibilidad de que el precio de la API siga cayendo.

Por qué la API gana en este escenario

Tres factores empujan la aguja hacia la nube:

1. La velocidad local es baja. A 24,7 tokens por segundo estimados, una respuesta de 1.000 tokens tarda 40 segundos frente a 13 segundos en la API (80 tok/s). En un día típico eso son 15 minutos extra esperando. La herramienta lo resume bien: una respuesta más barata que tarda 3,2 veces más no es obviamente una victoria.

2. Los precios de la API han caído y probablemente sigan cayendo. OpenRouter, Together, Groq y los proveedores hyperscale han bajado tarifas de forma agresiva. Si activas el modo "precios caen 30% al año", el break-even cambia radicalmente porque la curva de ahorro diario se reduce a la mitad en pocos años.

3. La elección de modelo pesa mucho. Qwen3.8 27B es un modelo "Sonnet-class" según el Artificial Analysis Intelligence Index v4.3 (puntaje 34 con razonamiento xhigh, 22 sin razonamiento). Para tareas donde necesitas el modelo más capaz disponible — los modelos frontier — la opción local ni siquiera entra en la comparación. Y aquí el contexto importa: según The Next Web, Qwen3.8 27B superó los 3 millones de descargas en Hugging Face en sus primeros días bajo licencia Apache 2.0, lo que demuestra apetito real del ecosistema por correr modelos de este calibre en local.

Cuando Sunk Cost sí dice que vale la pena

La calculadora no dice "nunca compres hardware". Dice que el equipo se amortiza solo cuando las condiciones cambian. Tres situaciones donde la respuesta sí se paga:

Uso muy intensivo. El techo diario del equipo es de 34,2 millones de tokens (2,14 millones de salida corriendo sin pausa × ratio 15:1). Si tu uso real está cerca de ese techo — por ejemplo, herramientas de coding agentic tipo Claude Code, búsqueda sobre documentos propios (ratio 20:1), o summarisation masivo (ratio 10:1) — el coste local anual sube y la amortización baja.
Versiones con más memoria. El M5 Max del Mac Studio 2026 se puede configurar hasta 128 GB de memoria unificada, según Apple y reportó TechRepublic. Esa configuración cuesta más, pero habilita modelos más grandes y KV caches más amplias — lo que cambia el cálculo si tu contexto supera los 32k tokens.
Modelos frontier más caros en API. Si necesitas modelos de gama alta donde la API cuesta varias veces más por millón de tokens, la diferencia diaria se agranda y los años se reducen.

La herramienta también permite cambiar el ratio input:output. Para uso como búsqueda sobre documentos propios (20:1) o summarisation (10:1), el cálculo es diferente y conviene correrlo antes de comprar.

¿Qué significa esto para tu startup?

La conclusión práctica no es "no compres hardware". Es comprar solo si sabes que tu uso va a estar cerca del techo del equipo, y solo si los modelos que necesitas corren razonablemente bien en local. Para la mayoría de casos típicos de un founder hispano — agente de coding, chatbot de atención al cliente, RAG sobre documentos internos — la API sigue siendo la opción más barata y más rápida.

Acciones concretas:

Antes de comprar, corre tu uso real por Sunk Cost. Abre sunkcost.ai, mete el patrón de tokens diarios que de verdad consumes (míralo en tu panel de OpenRouter o del proveedor que uses), y mira los años de break-even con y sin caída de precios de API. Si te sale más de 5 años, no compres.
Usa el hardware local para tareas donde la latencia o la privacidad pesan más que el coste. Si manejas datos sensibles de clientes (salud, legal, finanzas) y necesitas que nunca salgan de tu máquina, el cálculo ROI deja de ser el driver principal. La calculadora no modela ese caso.
Evalúa el coste total, no solo la amortización. Incluye el coste de tu tiempo esperando (40 s vs 13 s por respuesta), el coste de oportunidad del capital (US$3.499 podrían ir a growth o a otra ronda), y el coste de quedarte con hardware obsoleto en 2 años. La calculadora solo cubre el primero de estos tres.

Para founders en LATAM, donde el coste de la electricidad y la disponibilidad de hardware son distintos, los números cambian. La herramienta permite ajustar $/kWh, pero el resto de supuestos (velocidad local estimada, ancho de banda del chip) son específicos del Mac Studio M5 Max. Antes de decidir, vale la pena correr el cálculo con un patrón de uso realista para tu stack.