DeepSeek Cloud vs Hardware Local: ¿cuándo compensa comprar?

En el artículo anterior analizamos cuánto cuesta ejecutar DeepSeek en la nube. Pero existe un punto a partir del cual el cloud deja de ser económico. Este artículo estudia cuándo compensa comprar el hardware.

Conclusión principal: con carga ocasional suele ganar la API o el cloud bajo demanda. Con cargas sostenidas, privacidad y uso diario, el hardware local puede reducir el TCO entre un 50% y un 80% frente a mantener GPUs cloud durante 3-5 años.

Resumen ejecutivo

Los cuatro candidatos principales para IA local en 2026:

Matriz principal: hardware local frente a cloud

Hipótesis: electricidad a 0,20 EUR/kWh, uso 24×7, mantenimiento ~3% anual. No incluye personal, climatización dedicada, financiación ni IVA.

DGX Spark: el mejor candidato por capacidad/precio

DGX Spark resulta especialmente atractivo para IA local porque combina un coste contenido con 128 GB de memoria unificada, 4 TB NVMe y un consumo máximo cercano a 233 W.

RTX 5090: máxima velocidad para modelos ≤32B

Una workstation con RTX 5090 es adecuada cuando el objetivo es latencia y tokens por segundo en modelos de hasta 32B cuantizados.

Principal limitación: 32 GB de VRAM. Excelente para 8B, 14B y 32B Q4, pero deja poco margen para 70B sin multi-GPU u offload.

RTX PRO 6000 Blackwell: workstation profesional para 70B

La RTX PRO 6000 ofrece 96 GB de GDDR7 ECC, ~1.792 GB/s de ancho de banda y hasta 600 W de consumo. Probablemente la más equilibrada para DeepSeek 32B y 70B cuantizados con rendimiento cercano a producción.

DeepSeek 70B: tres estrategias razonables

Multi-GPU local frente a 2× H100 cloud

Un sistema 2× RTX PRO 6000 cuesta ~35.000-38.000 € incluyendo plataforma Threadripper PRO/WRX, RAM ECC, almacenamiento, PSU y refrigeración.

A 3 años: el cloud cuesta 3,8x más. A 5 años: 5,4x más. No son configuraciones idénticas en rendimiento absoluto, pero ilustran el impacto económico de carga multi-GPU sostenida.

El factor decisivo: utilización real

TCO a cinco años: la comparación definitiva

DGX Spark a 5 años: 7.600 €. H100 cloud a 5 años: 126.000 €. Es 16,5x más caro. Obviamente no son comparaciones directas en rendimiento, pero la diferencia económica es enorme.

Arquitectura híbrida recomendada

La estrategia más eficiente no suele ser todo local o todo cloud, sino usar local para el tráfico estable y cloud como overflow.

               LOCAL AI PLATFORM
                      │
                 AI Gateway
                      │
                Model Router
                      │
   ┌─────────────────┼─────────────────┐
   │                 │                 │
  FAST             GENERAL          REASONING
 8B / 14B            32B               70B
   │                 │                 │
   └─── Local GPU / DGX / PRO ───┘
                      │
         ┌──────────┼──────────┐
         │          │          │
       Qdrant   PostgreSQL    Redis
                      │
                API / Cloud fallback
                      │
                H100 / H200 / API

Fase 1: comenzar con DGX Spark

Laboratorio, agentes, RAG, 8B/14B/32B y 70B cuantizado. Coste: ~4.800 € + ~34 €/mes de electricidad.

Fase 2: añadir RTX PRO 6000

Cuando aparezca una necesidad real de throughput interactivo y concurrencia.

Fase 3: mantener cloud como overflow

H100/H200 cloud para picos, resiliencia o acceso a modelos frontier. Reduce CAPEX sin renunciar a escalabilidad.

Ranking final

Conclusión

Para uso ocasional, la API sigue siendo lo más racional. Para cargas moderadas e impredecibles, cloud on-demand conserva ventaja. Pero cuando el uso es intensivo, estable y sensible, comprar hardware puede reducir el coste total entre un 50% y un 80% frente a mantener GPUs cloud durante 3-5 años.

Recomendación: comenzar con un nodo local de alta capacidad, medir utilización real y añadir GPU profesional cuando los datos de throughput lo justifiquen. Mantener cloud como capa elástica de overflow.

Preguntas frecuentes