Startups pagan por usar tu GPU inactiva para IA: qué hay detrás

El giro que nadie vio venir: la industria de la IA quiere tu PC

La carrera por entrenar modelos grandes copó titulares durante años: GPUs en racimo, data centers levantados en meses, acuerdos energéticos a medida. Ahora, según explica Xataka, el cuello de botella se mueve al otro lado del embudo: la inferencia. Y es justo ahí donde startups como Evolving Edge y Far Labs han encontrado un hueco que ya explotaron antes las criptomonedas: tu hardware ocioso.

La propuesta es directa. Instalas una app, marcas un horario y, cuando tu equipo está inactivo, la empresa lanza tareas de inferencia de IA en tu GPU. John Federico, CEO de Evolving Edge, lo resume así: «todo lo que queremos es ejecutar tareas cuando su máquina nos lo permita». Desde Far Labs, la comparan con Uber o Airbnb: «para tareas de cómputo de inferencia de IA».

Por qué ahora: la presión que viene de los hyperscalers

El contexto importa para entender el timing. Las big tech están acaparando GPUs para sostener sus propios modelos y, al mismo tiempo, están subiendo el precio al que rentan capacidad de cómputo a terceros. Para una startup que necesita correr inferencia a escala, esperar turno en esa cola se vuelve caro y arriesgado. Además, como recuerda Xataka, incidentes recientes en nubes centralizadas (incluido un episodio grave en AWS) demostraron que depender de un solo proveedor tiene un riesgo sistémico real.

🤖 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

En esa grieta encajan Evolving Edge y Far Labs: una red descentralizada que ofrece capacidad elástica, barata y replicada en millones de PCs.

La letra chica que el modelo aún no cierra

Tres variables pesan sobre el atractivo de la propuesta, y conviene mirarlas de frente:

Cuánto pagan. Las propias compañías aún no han detallado tarifa. Tom’s Hardware —citado por Xataka— reconstruyó el escenario con los números históricos de Salad, una red que minaba Ethereum sobre GPUs inactivas. Salad vendía hora-GPU a partir de US$0,02 y, tras la comisión de la plataforma, el dueño del hardware se quedaba con ~14 centavos por cada dólar generado. En 2021, Salad movió alrededor de US$3,6 millones y repartió US$500.000 entre los usuarios que aportaban cómputo.
Cuánto cuesta mantener el equipo encendido. Tom’s Hardware tomó como referencia una RTX 4090 operando a carga sostenida (entre 350 W y 450 W) las 24 horas. Resultado: una factura eléctrica de entre US$40 y US$50 al mes. El modelo solo cierra si la tarifa por hora-GPU supera claramente el costo energético horario.
Qué le hace a tu hardware. El propio Federico reconoce que la pregunta sobre desgaste de componentes sigue abierta: pasta térmica, rodamientos de ventiladores, vida útil del silicio. Con la GPU ya encarecida por la propia industria de la IA, el cálculo de retorno se estrecha.

Seguridad y confianza: código abierto no es auditoría

Evolving Edge repite un argumento que el sector cripto ya usó antes: «el software es de código abierto, por lo que cualquiera puede mirar a ver qué hace». Es cierto que el código abierto permite auditoría comunitaria, pero no la garantiza: pocos usuarios van a revisar el binario que corren, y abrir el repositorio no impide que se ejecute código distinto al que se anuncia. Salad, justamente, mostró que estos modelos pueden operar a gran escala sin necesidad de malware oculto, pero también que la propuesta de valor depende enteramente de la transparencia operativa —qué cargas corren, qué datos tocan y cuánto paga de verdad la plataforma.

Qué significa esto para tu startup

No todo founder está pensando en montar una red de inferencia. Pero este movimiento redefine tres decisiones que sí tocan tu roadmap:

Reevaluar la inferencia como línea de costos. Si tu producto depende de un LLM en producción, ya sabes que el precio del cómputo es volátil. Modelos distribuidos como el que ensayan Evolving Edge y Far Labs apuntan a un mercado donde la inferencia barata y redundante sea commodity. Pregúntate qué cambia en tu unit economics si el costo por token cae un 30–50% en los próximos 12–18 meses —y planifica en ese escenario, no en el actual.
Diseñar con failover multi-proveedor en mente. Si los proveedores hyperscaler pueden caer (y caen), y las redes descentralizadas prometen ser más resilientes por construcción, arquitecturas multi-inferencia dejan de ser un lujo de empresas grandes. Un patrón útil: mantener el stack crítico en hyperscaler y derivar cargas tolerantes a latencia (batch, pre-procesamiento, RAG offline) a redes tipo Evolving Edge cuando aparezcan con SLAs claros.
Pensar como proveedor, no solo como consumidor. Si tienes GPUs dormidas en workstations de tu equipo de diseño o ML, el cálculo eléctrico/depreciación que hizo Tom’s Hardware es tu punto de partida. Útil para dimensionar si tiene sentido participar como proveedor —o para entender el costo real de esa misma energía en tus operaciones internas.

El movimiento es incipiente y la transparencia, por ahora, debe verificarse caso por caso. Pero el mensaje de fondo es claro: la industria que encareció tu PC está empezando a considerar que ese mismo PC es parte de su infraestructura. Quien mire esta tendencia con ojos de founder verá una oportunidad antes de que se convierta en commodity.