12 de noviembre de 2026 · Equipo de VRAMfarm
LLM propio o API: cuándo una GPU alquilada sale más barata que pagar por token
El error más habitual en este cálculo es dividir el precio por hora de la GPU entre sus tokens por segundo en el mejor de los casos. A plena carga, una RTX 5090 genera un millón de tokens de un modelo de 32B por unos 0,35 €, lo que parece imbatible. Pero nadie tiene una tarjeta a plena carga todo el mes. Con un 5 % de uso, ese mismo millón cuesta 7,04 €, más de lo que cobran los modelos abiertos alojados y las API propietarias pequeñas. Tu propio modelo en una GPU alquilada gana en precio cuando la tarjeta está ocupada: grandes trabajos por lotes y tráfico constante. Pierde en precio con un uso ocasional y a picos, en el que una API no te cobra nada entre petición y petición. La privacidad, un modelo ajustado o un modelo que ninguna API ofrece pueden hacer que tu propia GPU sea la opción correcta aunque cueste más.
Dos fórmulas y una suposición
GPU propia al mes = horas que funciona el servidor × precio por hora, más el tráfico de las descargas de modelos y, si conservas archivos, la carpeta guardada a 0,03 € por GB al mes. Los tokens no cambian la factura; las horas, sí.
API al mes = tokens × precio por millón. Aquí las horas dan igual.
La suposición es el precio de la API. Las tarifas varían en dos órdenes de magnitud, así que los escenarios usan tres niveles redondeados, combinados para una mezcla típica de chat de tokens de entrada y de salida, a noviembre de 2026:
| Nivel de API | Precio combinado por millón de tokens, aproximado |
|---|---|
| Modelos abiertos alojados (tipo Qwen, Llama, 8B–70B) | 0,10–0,60 € |
| Modelos propietarios pequeños | 0,50–2 € |
| Modelos propietarios punteros | 3–10 € |
Son rangos para planificar, no la lista de precios de ningún proveedor. Sustitúyelos por la tarifa que pagas de verdad. Los modelos de razonamiento facturan sus tokens de pensamiento como salida, lo que puede multiplicar por dos a cinco el número de tokens de una respuesta visible; eso también afecta a tu propia GPU, en tiempo en lugar de dinero.
Cuatro escenarios mensuales
Cada cifra de GPU propia usa el precio en vivo de hoy para la tarjeta, así que se mueve con el catálogo.
1. Una persona, un asistente para programar y escribir. 40 intercambios al día de unos 3000 tokens cada uno (la conversación se reenvía con cada pregunta) son 2,6 millones de tokens en 22 días laborables. GPU propia: Qwen3 32B en una RTX 4090, cuatro horas al día, 88 horas.
2. Un equipo de diez en horario de oficina. Diez usuarios así, 26 millones de tokens al mes. GPU propia: una RTX 4090 con Qwen3 32B, 9 horas al día durante 22 días, 198 horas.
3. Un chatbot de producto, las 24 horas. 300 millones de tokens al mes, unos 115 tokens por segundo de media con picos varias veces mayores. GPU propia: Qwen3 32B en 4 bits con vLLM en una RTX 5090, 730 horas.
4. Un trabajo por lotes. Resumir 200 000 documentos de 2000 tokens cada uno en resúmenes de 200 tokens: 400 millones de tokens de entrada y 40 millones de salida. GPU propia: Qwen3 32B en FP8 con vLLM en una H100, unas 18 horas, y entre 12 y 30 según la longitud de los documentos y la versión de vLLM. Leer la entrada es mucho más rápido que escribir la salida, unos 5000–12 000 tokens de entrada por segundo en esta tarjeta, y los 40 millones de tokens de salida salen de muchas peticiones en paralelo a 1500–4000 tokens por segundo.
| Escenario | Tokens al mes | GPU propia | API, abiertos alojados | API, propietarios pequeños | API, propietarios punteros |
|---|---|---|---|---|---|
| 1. Una persona | 2,6 M | 51,92 € | menos de 2 € | 1–5 € | 8–26 € |
| 2. Equipo de diez | 26 M | 116,82 € | 3–16 € | 13–52 € | 78–260 € |
| 3. Bot, 24/7 | 300 M | 554,80 € | 30–180 € | 150–600 € | 900–3000 € |
| 4. Trabajo por lotes | 440 M | 70,20 € | 44–264 € | 220–880 € | 1300–4400 € |
Lo que dice la tabla:
- Una persona: una API o una suscripción de chat gana por mucho. Alquila una GPU solo si los datos no pueden salir de una máquina que controlas tú.
- Un equipo: tu propia GPU cae en el rango de las API propietarias punteras y cuesta más que las pequeñas y que los modelos abiertos alojados. Decide la privacidad, no el precio. La guía del ChatGPT privado muestra la configuración justo para este caso.
- Un bot 24/7: con este volumen, tu propia GPU es claramente más barata que las API propietarias punteras, está más o menos al nivel de las pequeñas y es más cara que los modelos abiertos alojados, porque esos proveedores llenan sus tarjetas con el tráfico de muchos clientes y tú llenas la tuya con el de uno solo.
- Un trabajo por lotes: tu propia GPU queda al nivel o por debajo de las API abiertas alojadas más baratas y muy por debajo de las propietarias. Aquí alquilar es claramente lo más barato.
El uso decide el precio por token
El coste de un millón de tokens en tu propia tarjeta es el precio por hora dividido entre los millones de tokens que genera en una hora que realmente usas. Tomemos Qwen3 32B en 4 bits en una RTX 5090 con vLLM, unos 600 tokens de salida por segundo con muchas peticiones en paralelo, o 2,16 millones por hora:
| Parte de la hora en que la tarjeta está ocupada | Coste por millón de tokens de salida |
|---|---|
| 100 % (cola de lotes) | 0,35 € |
| 50 % | 0,70 € |
| 20 % (un producto con mucho uso durante el día) | 1,76 € |
| 5 % (un chat de equipo) | 7,04 € |
El rendimiento es un rango para planificar sacado de informes de la comunidad y de cálculos de ancho de banda, así que la primera fila podría ser la mitad o el doble; la forma de la curva no cambia. Una tarjeta más grande baja el coste por token solo si puedes tenerla ocupada. Una H100 parada es una tarjeta parada cara. El artículo sobre el coste por millón de tokens recoge las tarifas a plena carga de modelos de 8B, 32B y 70B en varias tarjetas.
Hay tres cosas que suben el uso sin gastar más. Ejecuta el trabajo por lotes cuando el uso interactivo es bajo, en el mismo servidor. Envía las peticiones en paralelo en lugar de una detrás de otra; vLLM está hecho para eso, Ollama mucho menos, como explica la comparación de entornos de ejecución. Y detén el servidor cuando nadie lo necesite: la facturación se para en ese mismo minuto.
Costes que se olvidan, en los dos lados
En tu propia GPU:
- Descargas de modelos. Un modelo de 32B en 4 bits ocupa unos 20 GB, un 70B en FP8, unos 71 GB. Las descargas se facturan como tráfico con la tarifa por GB de la máquina que se muestra antes de lanzar, más los minutos que tardan.
- El mínimo. Cada lanzamiento se factura como mínimo por 15 minutos, así que diez pruebas cortas al día en lanzamientos separados cuestan diez mínimos.
- Horas inactivas. Un servidor olvidado toda la noche en una RTX 4090 cuesta 5,90 € por diez horas. La protección por inactividad te envía un correo tras 2 horas sin conexiones ni carga en la GPU y detiene el servidor una hora después, pero en un servicio 24/7 la desactivas, y entonces vigilar las horas inactivas te toca a ti.
- Tu tiempo. Elegir un modelo, configurar vLLM, monitorizar. Para un equipo de diez son unas horas una sola vez; para un producto es trabajo continuo.
- Un plan B. Un servidor es una máquina. Piensa qué hace tu producto si desaparece: una API de respaldo o un script que lance un sustituto.
En la API:
- Límites de peticiones que frenan un lote grande o un día de lanzamiento con mucho tráfico.
- Cambios de modelo. Las versiones se retiran o se actualizan, y las respuestas para las que ajustaste los prompts pueden cambiar.
- Condiciones sobre los datos. Lee qué hace el proveedor con los prompts y los resultados, y dónde los procesa. Para algunos datos, ninguna condición es suficiente.
- Cambios de precio, en cualquier dirección, con cada nueva generación de modelos.
Cuándo gana tu propia GPU sea cual sea el precio
- Los datos tienen que quedarse en una máquina que controlas. Contratos, notas de pacientes, código bajo NDA, listas de clientes. El servidor alquilado es una máquina de uno de nuestros anfitriones verificados, y su país se muestra antes de lanzar, pero ninguna empresa de IA recibe tus prompts.
- Usas tu propio modelo ajustado. Un LoRA entrenado con tus tickets o tus documentos lo sirve vLLM con
--enable-lorajunto al modelo base. Algunas API alojadas sirven LoRA por token, pero solo sobre los modelos base que ellas eligen; otras cobran por hora un despliegue dedicado, que es la misma economía que alquilar. Ajuste fino de un LLM cubre la parte del entrenamiento. - El modelo que necesitas no se ofrece, o necesitas una versión exacta que no cambie en un año.
- Un pico de trabajo con fecha límite. Un trabajo de 10 horas sin límites de peticiones, a un precio por minuto fijado al lanzar, así que conoces la factura antes de empezar.
Una configuración que a menudo sale más barata
Muchos equipos acaban repartiendo el trabajo. El tráfico interactivo y a picos va a una API, donde el tiempo inactivo sale gratis. Los grandes trabajos por lotes, las evaluaciones y todo lo que lleve datos delicados van a una GPU alquilada, que se arranca cuando empieza el trabajo y se detiene cuando acaba, a mano o con nuestra API y un token de Ajustes. Un chat de equipo en su propio servidor en horario de oficina queda en medio: más barato que las licencias de un modelo propietario puntero, y privado.
Si estás pensando en un servidor que funcione 730 horas al mes durante un año, compáralo con comprar una tarjeta o con un servidor dedicado mensual; a ese nivel, la facturación por minuto ya no ahorra nada. El cálculo de alquilar o comprar llega hasta el punto de equilibrio. Para todo lo que no sea a jornada completa, empieza por tu número real de tokens del mes pasado, multiplícalo por tu tarifa de API y compáralo con las horas que de verdad tendrías una tarjeta en marcha.