Sam Altman contra la IA local: las GPU suben 30%

Sam Altman contra la IA local: la frase que incomodó al sector

Sam Altman no dejó margen a la interpretación: "La inferencia local es una terrible asignación de recursos escasos". La declaración, recogida por Xataka en una conversación en el podcast Cheeky Pint que conduce John Collison, cofundador de Stripe, no es una opinión suelta sobre hardware doméstico. Es una posición sobre cómo debería repartirse la memoria del planeta.

El argumento de Altman es de utilización. Según su propia estimación —una cifra que él mismo puso sobre la mesa, sin estudio que la respalde— la DRAM de un ordenador personal se usa apenas el 5% del tiempo. Concentrada en un centro de datos, esa misma memoria trabaja de forma casi continua para miles de usuarios que se turnan. "En un entorno en el que ese suministro crítico es tan restringido, quieres la máxima concentración en la nube", dijo.

La ironía es evidente: quien pide concentrar la memoria mundial es el mismo que más memoria consume con su propia infraestructura. Y el momento no es casual. La IA local dejó de ser una alternativa barata justo cuando la industria que Altman lidera disparó el precio de los componentes que la hacen posible.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El hardware para correr IA en casa se volvió inalcanzable

Los números del mercado de tarjetas gráficas explican por qué el debate dejó de ser teórico. Según datos de Price Squirrel citados por Xataka, las GPU subieron más de un 30% en los últimos tres meses, y la RTX 5090 duplicó su precio. El fenómeno no se limita a los modelos más nuevos: la segunda mano también se encareció, y una RTX 3090 —una tarjeta de hace seis años— se ofrece por encima de los 1.000 euros en plataformas como Wallapop.

La tendencia es global y está documentada. IGN reportó que la RTX 5070 Ti, lanzada a US$749 en 2025, se vendía a al menos US$1.299 en la tienda de Nvidia, más de lo que costaba la RTX 5080 en su lanzamiento. La RTX 5070, que salió a US$549, se ofrecía desde US$849. En Corea del Sur, el rastreador de transacciones reales Danawa registró subidas de hasta el 50% en las RTX 50 durante los primeros días de agosto de 2026, con la RTX 5090 cruzando los ₩7.300.000 (unos US$5.121), según TechTimes —más de dos veces y media su precio de lanzamiento de US$1.999.

De la DRAM al precio final: la cadena que encarece todo

La causa raíz no está en el gaming, sino en los centros de datos. Samsung, SK Hynix y Micron —que controlan en conjunto entre el 90% y el 95% de la producción global de DRAM, según TechTimes— prefieren fabricar HBM para aceleradores de IA antes que GDDR para tarjetas gráficas. Cada gigabyte de HBM consume aproximadamente cuatro veces más área de oblea que la DRAM estándar, lo que reduce el suministro disponible para el resto.

IDC estimó que los centros de datos de IA podrían absorber cerca del 70% de la producción global de memoria en 2026, frente a un 20-30% de hace unos años, mientras la oferta total de DRAM crece apenas un 16% anual, según TechTimes. El resultado se ve en los precios: TrendForce sitúa los módulos GDDR7 de 2GB en US$20 por unidad, y los de 3GB —necesarios para la rumoreada RTX 50 Super— entre US$60 y US$70.

A eso se suma el encarecimiento de las obleas de TSMC, que notificó subidas de entre el 5% y el 10% en nodos que representan cerca del 74% de sus ingresos por oblea. Nvidia trasladó el aumento a sus socios con incrementos de entre el 20% y el 30% en el precio de los kits de GPU, y esos socios lo trasladaron al retail.

El horizonte no es alentador. El CEO de SK Hynix, Kwak Noh-jung, afirmó que 2027 será el peor año de suministro de memoria de la historia del sector, y el CEO de Intel, Lip-Bu Tan, dijo a Bloomberg que no habrá alivio hasta 2028, según recogió TechTimes. TweakTown reportó además que la RTX 5090 estaría cerca del fin de su ciclo de vida, con Nvidia reservando los chips GB202 para sus GPU profesionales de IA.

¿Qué significa esto para tu startup?

Para un founder, la subida del hardware tiene una consecuencia directa: la decisión entre nube y local dejó de ser técnica y pasó a ser financiera.

Recalcula el costo total de tu inferencia local. Si tu plan era montar un servidor con GPU propia para correr modelos abiertos, el costo de entrada cambió. Compara el precio actual de la tarjeta que necesitas contra el gasto mensual en API de un proveedor como OpenAI, Anthropic o DeepSeek. Con la RTX 5090 transaccionando por encima de los US$5.000 en algunos mercados, el punto de equilibrio se movió varios meses hacia adelante.
Evalúa el híbrido antes que el todo-o-nada. Los modelos abiertos como GLM, DeepSeek o Qwen siguen siendo viables en la nube de sus propios creadores, con precios por token que no dependen del costo del hardware. Reserva la GPU local para lo que realmente la justifica: datos sensibles que no pueden salir de tu infraestructura, o cargas que necesitan funcionar sin conexión.
Si necesitas comprar ahora, mira el VRAM bajo. Las tarjetas con menos memoria son las menos expuestas a la crisis, porque consumen menos módulos del componente escaso. Los analistas citados por TechTimes señalan que los modelos de 8GB y la segunda mano de generaciones anteriores (RTX 4070, RX 7800 XT) se mantienen relativamente estables, porque no compiten con los compradores de infraestructura de IA.

El dilema real: privacidad contra costo

Hay una parte del argumento de Altman que conviene separar de su interés comercial. Su tesis —concentrar la memoria donde se usa más— es defendible desde la eficiencia agregada. Pero la IA local no existe solo por eficiencia: existe por privacidad, por capacidad de operar sin conexión y por necesidades específicas que un servicio generalista no cubre.

Ahí está la tensión que ningún precio resuelve. OpenAI y Anthropic solo dan acceso a sus modelos a través de sus servidores. DeepSeek y Z.ai, en cambio, publican sus modelos en abierto y además cobran por usarlos en su nube. Esa diferencia de modelo de negocio explica por qué la barrera de entrada del hardware le conviene a unos y no a otros.

Y hay una contradicción que el propio historial de OpenAI deja al descubierto: en agosto de 2025 la compañía lanzó gpt-oss, sus primeros pesos abiertos desde GPT-2, pensados precisamente para ejecutarse en local. Unos meses antes, Altman había admitido que la empresa se había equivocado con el código abierto. En ese momento no existía la crisis de DRAM actual.

Conclusión

La subida de las tarjetas gráficas no fue diseñada por OpenAI, pero le sirve. Cuanto más caro es el hardware para correr modelos abiertos en casa, más usuarios terminan contratando inferencia en la nube. Para un founder, la lectura práctica es otra: la decisión de arquitectura de IA que tomaste hace un año probablemente ya no tiene los mismos números. Revísala con los precios de hoy, no con los de tu último presupuesto.