¿Puede una GPU de 24 GB poner contra las cuerdas a OpenAI y Anthropic?

La amenaza para OpenAI y Anthropic no es que mañana alguien meta ChatGPT o Claude enteros en un ordenador doméstico y apague sus centros de datos. Es algo bastante menos espectacular y, precisamente por eso, más serio: una parte creciente del trabajo cotidiano de la inteligencia artificial ya puede ejecutarse en local, sin pagar una factura por cada millón de tokens y sin enviar documentos privados a servidores situados a cientos o miles de kilómetros.

Una tarjeta gráfica con 16 o 24 GB de memoria permite mover modelos que hace muy poco habrían parecido absurdos fuera de un servidor. OpenAI, de hecho, reconoce que su gpt-oss-20b puede ejecutarse con 16 GB de memoria y ofrece un rendimiento comparable al antiguo o3-mini en varias pruebas. Alibaba ha llevado sus modelos Qwen abiertos a la franja de los 27.000 millones de parámetros, mientras la cuantización —reducir la precisión con la que se almacenan los parámetros— permite comprimir modelos considerablemente mayores para hacerlos funcionar en equipos corrientes.

Así que la frase de que “la quiebra de OpenAI y Anthropic cabe en menos de 24 GB” funciona mejor como provocación que como pronóstico financiero. No hay evidencia de una quiebra inminente de ninguna de las dos compañías. Sí existe, en cambio, una incómoda pregunta económica: cuando una empresa puede comprar una máquina, instalar en ella un modelo competente y utilizarlo miles de veces sin pagar por consulta, ¿cuánto tiempo seguirá aceptando alquilar toda esa inteligencia en la nube?

24 GB dejaron de ser territorio de aficionados

Durante los primeros años de la explosión de la IA generativa, trabajar con un modelo potente implicaba casi necesariamente conectarse a la infraestructura de OpenAI, Anthropic, Google o algún proveedor equivalente. Los modelos pesaban demasiado, las tarjetas gráficas domésticas tenían poca memoria y ejecutar inferencias razonablemente rápidas en casa era, siendo generosos, un deporte para entusiastas pacientes.

Eso está cambiando. gpt-oss-20b tiene 21.000 millones de parámetros, aunque activa solo 3.600 millones en cada token gracias a una arquitectura de mezcla de expertos. OpenAI distribuye sus pesos ya cuantizados y fija en 16 GB la memoria necesaria para ejecutarlo. No es el modelo más avanzado de la compañía ni pretende serlo; tampoco necesita serlo para resumir documentos, clasificar textos, escribir código sencillo, extraer datos o preparar borradores. Ahí está el matiz importante.

Qwen3.8-27B, por su parte, es un modelo abierto multimodal de 27.000 millones de parámetros distribuido bajo licencia Apache 2.0. En precisión completa sus archivos superan ampliamente los 50 GB, pero las versiones cuantizadas reducen drásticamente esa exigencia y colocan modelos de esta categoría dentro del territorio práctico de las GPU de 24 GB, dependiendo del contexto utilizado y del formato elegido.

La pequeña magia de la cuantización

Un modelo no necesita conservar siempre cada parámetro con la precisión matemática utilizada durante su entrenamiento. La cuantización almacena esos números utilizando menos bits. Se pierde cierta precisión, sí, pero a cambio disminuyen brutalmente la memoria necesaria y el movimiento de datos.

No convierte un modelo mediocre en uno brillante ni permite meter cualquier monstruo de varios cientos de miles de millones de parámetros en un portátil. Pero ha roto una barrera psicológica: “modelo local” ya no equivale necesariamente a modelo torpe. Para muchos trabajos administrativos, programación corriente, traducción, análisis documental o búsqueda sobre archivos internos, el salto de calidad de los últimos años ha sido notable.

Y ahí empieza el problema comercial.

El verdadero rival es dejar de pagar por cada token

Las grandes compañías de IA venden, entre otras cosas, inferencia. El usuario envía una petición, un centro de datos la procesa y la factura aparece directa o indirectamente mediante una suscripción, créditos o consumo de API. El sistema funciona mientras resulte más cómodo y rentable alquilar capacidad de cálculo que poseerla.

El modelo local altera esa relación. El coste inicial pasa a estar en el ordenador y después aparece una estructura mucho más parecida a la de cualquier maquinaria propia: electricidad, amortización, mantenimiento y personal. El coste marginal de hacer una petición adicional puede acercarse muchísimo a cero una vez comprado el equipo.

Para una persona que utiliza un chatbot unas cuantas veces al día, probablemente sea absurdo comprar hardware específico. Para una empresa que analiza decenas de miles de documentos internos, genera borradores constantemente, ejecuta pequeños agentes o procesa información sensible durante ocho horas diarias, las cuentas son distintas.

Ese es el mercado verdaderamente expuesto. No necesariamente el usuario que quiere consultar al modelo más inteligente disponible sobre un problema excepcionalmente difícil, sino las millones de tareas rutinarias que no necesitan el mejor modelo del planeta. Clasificar facturas con una IA de frontera alojada en un gigantesco centro de datos puede acabar pareciéndose a contratar un Ferrari para repartir el correo de la oficina.

La memoria unificada ensancha todavía más la puerta

La GPU dedicada tampoco es ya el único camino. AMD permite que equipos con el Ryzen AI Max+ 395 incorporen hasta 128 GB de memoria, con hasta 96 GB asignables a gráficos mediante su sistema de memoria variable. Eso coloca modelos mucho mayores dentro de un ordenador convencional, aunque la velocidad siga dependiendo del ancho de banda y del tipo concreto de carga.

Apple juega una partida parecida con la memoria unificada. Sus procesadores de gama alta permiten que CPU y GPU accedan a una gran reserva común de memoria, eliminando algunas de las barreras tradicionales entre la RAM del sistema y la memoria gráfica. No son ordenadores baratos, desde luego; tampoco son un centro de datos.

La distinción clásica entre RAM del sistema y VRAM de la tarjeta empieza así a volverse más borrosa. Para la IA local importa cada vez más cuánta memoria rápida puede utilizar realmente el modelo. Una estación de trabajo debajo de una mesa puede contener una cantidad de memoria que hace unos años habría exigido hardware profesional mucho más especializado.

El efecto recuerda a otras historias tecnológicas. Hubo una época en que almacenar gigabytes, editar vídeo o disponer de capacidad de cálculo seria exigía infraestructura profesional. Después llegó un momento en que el aparato doméstico se comió una parte del mercado desde abajo. Primero parecía un juguete. Luego dejó de hacerlo.

Ni OpenAI ni Anthropic están al borde de la quiebra

Aquí conviene rebajar la temperatura del titular. OpenAI tiene unas necesidades de capital gigantescas, pero también una capacidad extraordinaria para atraer inversión. Distintas proyecciones empresariales conocidas públicamente han descrito un horizonte de centenares de miles de millones de dólares en gasto de computación e infraestructura durante la segunda mitad de la década.

El tamaño de las cifras impresiona porque el negocio de frontera quema dinero con una alegría casi ferroviaria: chips, electricidad, centros de datos, redes, investigadores y entrenamiento. Pero esas mismas proyecciones manejan también un crecimiento enorme de los ingresos. OpenAI, además, está abriendo nuevos grifos de monetización más allá de la pura venta de tokens.

Anthropic presenta una fotografía diferente. La empresa ha levantado decenas de miles de millones de dólares en financiación y se ha situado entre las compañías privadas de inteligencia artificial más valiosas del planeta. Sus cuentas internas conocidas públicamente también apuntan a márgenes brutos elevados en determinadas áreas del negocio.

Hablar, pues, de una quiebra causada por una tarjeta gráfica de 24 GB sería confundir el temblor con el derrumbe del edificio. Lo interesante es otra cosa: qué parte de esos ingresos futuros depende de vender capacidad computacional que pronto puede resultar suficientemente barata para ejecutarse en casa o en la propia empresa.

La nube conserva armas que un PC no puede copiar

La IA local tiene límites bastante concretos. Los mejores modelos cerrados continúan necesitando infraestructuras enormes, y los grandes modelos abiertos de frontera tampoco caben mágicamente en una única GPU. Entrenar desde cero modelos gigantescos sigue siendo una industria de centros de datos, no una tarea para el sobremesa del departamento de informática.

La nube ofrece además elasticidad. Una empresa puede pasar de cien peticiones a millones sin comprar ordenadores para el pico de demanda. Obtiene mantenimiento, actualizaciones, redundancia, herramientas empresariales y acceso inmediato a modelos nuevos. Un servidor propio barato es estupendo hasta que deja de ser suficiente a las tres de la madrugada y nadie recuerda quién configuró aquello.

Hay también trabajos donde una pequeña diferencia de calidad vale muchísimo dinero. Un modelo local que alcance el 90 % del rendimiento de uno de frontera puede ser perfecto para ordenar archivos y completamente inadecuado para una tarea científica, jurídica o de ingeniería donde ese último tramo de rendimiento contiene precisamente lo difícil.

Por eso el futuro probablemente no sea local contra nube, como si solo pudiera quedar uno. Será una arquitectura híbrida: tareas privadas, frecuentes y relativamente sencillas dentro de la empresa; problemas difíciles, picos de demanda y modelos de última generación fuera.

OpenAI parece haber entendido que depender exclusivamente del contador de tokens sería peligroso. Suscripciones, productos empresariales, API, agentes y nuevas fuentes de ingresos forman cada vez más un negocio de plataformas, no únicamente de alquiler de modelos. El hecho de que la propia compañía haya publicado gpt-oss, diseñado expresamente para ejecutarse fuera de sus servidores, resulta revelador: si la canibalización es inevitable, mejor participar también en ella.

Anthropic ha tomado otra dirección. La empresa ha insistido en desarrollar Claude alrededor de empresas, desarrolladores, programación, agentes e integración profesional. La apuesta consiste en que el valor no esté únicamente en generar tokens, sino en herramientas y modelos suficientemente buenos para justificar seguir pagando por ellos.

Esto explica por qué la amenaza de la IA local puede afectar también a los grandes proveedores de nube. Microsoft Azure, Amazon Web Services y Google Cloud se benefician de que el cálculo ocurra en sus centros de datos. Cada carga que vuelve al ordenador del cliente es una pequeña porción de computación que deja de alquilarse.

La factura por token ya no parece inevitable

La transformación realmente importante no será que un ordenador de sobremesa supere al modelo más poderoso de OpenAI o Anthropic. No hace falta llegar tan lejos. Basta con que dentro de unos años una máquina asequible consiga realizar el 80 % o el 90 % de las tareas habituales con calidad suficiente, privacidad total y un coste fijo razonable.

Entonces la pregunta económica cambiará. Hasta hace poco había que justificar por qué una empresa debía instalar inteligencia artificial en local. Poco a poco puede ocurrir lo contrario: habrá que justificar por qué ciertos documentos deben salir del edificio y por qué cada resumen, cada traducción o cada clasificación merece activar infraestructura remota y generar otra línea en la factura.

OpenAI y Anthropic probablemente seguirán teniendo un enorme negocio mientras sean capaces de ofrecer algo que esas máquinas no puedan reproducir: más inteligencia, mejores agentes, servicios integrados, actualización continua y capacidad a escala. El problema comienza cuando la diferencia entre ambos mundos se estrecha y el modelo local pasa de ser una curiosidad para aficionados a un empleado digital razonablemente competente.

Ahí sí hay una amenaza. No una quiebra metida literalmente en 24 GB, sino algo quizá más incómodo para cualquier gigante tecnológico: que una parte de aquello que parecía un servicio perpetuo termine convirtiéndose, otra vez, en una máquina que compras una sola vez y colocas debajo de la mesa.