Llevo un registro de cada dólar que gasto en infraestructura de IA. El año pasado, una partida no paraba de crecer: el alquiler de GPUs en la nube. Para el tercer trimestre ya había alcanzado los $1,900 al mes, y yo era quien facturaba a los clientes por el trabajo que generaba ese gasto.
Esa cuenta no cierra. No construyes un negocio entregando el 40% de tus costos operativos al centro de datos de otro.
Entonces compré un DGX Spark. Aquí está el desglose.
1 / Qué es realmente el DGX Spark
NVIDIA pasó 2025 comprimiendo hardware de centro de datos en un escritorio. Lo anunciaron como Project DIGITS en el CES de enero, lo renombraron DGX Spark en el GTC de marzo y empezaron a enviarlo en octubre. El resultado es una caja de 150×150×50mm que pesa 1.2kg y funciona con un enchufe de pared estándar.
Las especificaciones:
Componente
Detalle
Chip
GB10 Grace Blackwell Superchip
Cómputo de IA
1 PFLOP (FP4)
CPU
ARM de 20 núcleos (Grace)
Memoria
128 GB LPDDR5x, unificada
Almacenamiento
4 TB Gen5 NVMe
Redes
ConnectX-7 (enlaza dos unidades)
Consumo eléctrico
~150–240 W bajo carga
Precio
$2,999
La cifra de petaflops es un número de marketing. El número que realmente importa son 128 GB de memoria unificada.
Las GPUs de consumo tienen un techo duro. Una 4090 te da 24 GB de VRAM; en cuanto un modelo supera eso, no carga. Una 5090 eleva el techo a 32 GB. El Spark lo sitúa en 128 GB, lo que significa que ejecuta modelos que una tarjeta de consumo de $2,000 ni siquiera puede abrir.
2 / El muro de la memoria, explicado
Esto es lo que realmente desbloquean 128 GB de memoria unificada:
- Llama 3.3 70B - precisión BF16 completa, sin trucos de cuantización
- Qwen 3 (rango 30B–110B) - cabe perfectamente
- Modelos clase DeepSeek de hasta 200B - cuantizados, funcionan sólidos
- Generación de imágenes FLUX.1 - sí
- 405B parámetros - dos Sparks enlazados vía ConnectX-7
Una GPU de consumo se queda corta alrededor de unos apretados 30B. El Spark empieza exactamente donde termina ese techo. Esa brecha es la justificación completa para comprar uno.
3 / Las cuentas: de dónde salen los $22,000
Costos de GPU en la nube para cargas de trabajo serias de IA:
Tarea
Costo mensual
A100 80 GB, a tiempo parcial
$600–$1,200
H100 para ejecuciones de fine-tuning
$1,000–$2,500
Inferencia 70B alojada
$300–$900
Instancia que olvidaste apagar
sorpresa
Total realista para un creador de IA
$1,500–$3,000
DGX Spark con las mismas cargas de trabajo:
Partida
Costo
Hardware
$2,999 (una vez)
Electricidad a ~200 W
$8–15/mes
Alquiler en la nube
$0
Mensualidad después de la compra
~$10
Con $1,900 al mes en costos de nube, el Spark se amortiza en menos de 7 semanas.
Después de eso: $1,890 al mes que antes salían de tu negocio se quedan en él. Con el mismo trabajo para clientes. Con las mismas facturas saliendo.
Total del primer año redirigido de vuelta a tu negocio: $22,680.
4 / La capa de software no es un problema
El Spark ejecuta DGX OS, la versión de Ubuntu de NVIDIA con el stack completo de IA precargado: CUDA, NIM, NeMo. Ollama, vLLM, PyTorch, Hugging Face y llama.cpp funcionan sin modificaciones desde el primer día.
Si ya estabas usando un endpoint en la nube, la migración es un cambio de una sola línea:
1# Antes: pagando por hora2client = OpenAI(base_url="https://some-gpu-host/v1", api_key="sk-...")34# Después: tu escritorio, sin medidor5client = OpenAI(base_url="http://localhost:11434/v1", api_key="local")
Misma ruta de código. Misma salida JSON. Mismo comportamiento. Nada se factura. Nada sale del edificio.
5 / El caso de negocio más allá del ahorro de costos
El Spark no solo reduce costos. Elimina la barrera económica para trabajos que antes eran demasiado caros de ejecutar libremente.
Si haces trabajo de IA para clientes:
Las ejecuciones de fine-tuning que antes costaban $400 en la nube ahora son gratis. Ejecútalas durante la noche. Ejecuta tres variantes con diferentes hiperparámetros. No llega ninguna factura por la mañana. Puedes desplegar un agente de codificación privado en toda la base de código propietaria de un cliente, o un asistente siempre activo que use todo el equipo, y tu costo unitario es la electricidad, no los tokens de API. Cada cliente después del primero es margen puro.
Si manejas datos sensibles:
Este es el ángulo que la mayoría subestima. Contratos. Documentos legales. Registros de pacientes. Datos financieros. Cualquier cosa cubierta por un NDA que nunca pondrías en una API pública. En el Spark, esos datos nunca cruzan tu red. Ningún término de servicio rige una máquina que posees por completo.
"Tus datos nunca salen del edificio" cierra acuerdos en industrias reguladas que los proveedores de nube simplemente no pueden tocar. Despachos de abogados, clínicas, asesores financieros: estos clientes pagarán una prima significativa por esa garantía.
El cambio de mentalidad que nadie menciona:
Los precios de la nube te entrenan para racionar el cómputo. Dudas antes de dejar que un agente haga un bucle, antes de volver a ejecutar un archivo completo, antes de ajustar una idea que podría no funcionar. Cada ejecución tiene un costo en dólares, así que ejecutas menos.
Tienes la caja y esa duda desaparece. La mayoría de las veces, el mejor trabajo estaba detrás de esa duda.
6 / Lo que el Spark no es
Siendo directo sobre las limitaciones:
- Velocidad bruta - una 5090 es más rápida en todo lo que cabe en sus 32 GB de VRAM
- Escala - servir a miles de usuarios concurrentes sigue siendo trabajo de centro de datos
- Modelos frontera más allá de 405B - dos Sparks enlazados manejan 405B; más allá, necesitas otro hardware
- Usuarios de bajo volumen - si gastas $20 al mes en llamadas de API, esta no es la herramienta adecuada
El umbral honesto: $1,000+/mes en gasto de GPU en la nube es donde el Spark se convierte en una decisión obvia. Por debajo de $500/mes, una tarjeta de consumo o el acceso a API son la jugada más inteligente. La caja está bien dimensionada para cargas de trabajo serias, no para uso casual.
7 / El retorno en diferentes niveles de gasto
Gasto mensual en nube
Período de amortización
$1,900/mes
~6 semanas
$1,000/mes
~3 meses
$500/mes
~6 meses
$200/mes
Quédate en la nube
8 / El panorama general
En 2024, ejecutar un modelo de 70B requería un centro de datos o una factura de nube de $1,900 al mes. En 2026, requiere una caja de $2,999 del tamaño de un libro de bolsillo y un enchufe de pared.
NVIDIA fijó el precio del DGX Spark en $2,999 deliberadamente: quieren que la próxima generación de productos de IA se construya sobre su silicio, localmente, a escala. Jensen entregó personalmente las primeras unidades a Musk y Altman. Dell, HP, ASUS y Lenovo están construyendo sus propias máquinas GB10. El stack de software se optimiza para este chip prácticamente cada semana.
Las tarifas de GPU en la nube no están bajando. Los requisitos de privacidad de datos se están endureciendo. Los clientes preguntan cada vez más adónde van físicamente sus datos antes de firmar algo.
Las personas que ejecutan modelos de clase frontera en un escritorio en 2026 parecerán visionarias en 2028.
La aritmética es sencilla: $2,999 una vez frente a $1,900 cada mes. La caja se amortiza antes de que termine el primer trimestre y luego funciona a $10/mes durante todo el tiempo que la necesites.
Ese es el intercambio. Ojalá lo hubiera hecho hace un año.
Si te fue útil, sigue a @cryptowluha
Guarda esto antes de que se entierre. Si te fue útil, compártelo con una persona que lo necesite.
