Qué workstation necesitas para correr LLMs en local (guía 2026)

Una workstation optimizada para LLMs necesita equilibrio entre GPU (inferencia rápida), RAM del sistema (offloading de modelos grandes), CPU (preprocesamiento y llamadas de API), almacenamiento NVMe rápido (carga de modelos) y refrigeración adecuada para operación prolongada.

El componente más importante. Ver nuestra guía de selección de GPU para IA para detalles completos. Resumen 2026: 16 GB de VRAM es el mínimo práctico (RTX 5060 Ti 16 GB, RX 9060 XT 16 GB), 24 GB da comodidad para la clase 30B, y 48+ GB es territorio de modelos 70B y producción. Con la calculadora de VRAM puedes dimensionar la GPU exacta para el modelo que quieres correr.

Con 16 GB de RAM del sistema puedes empezar, pero es un límite. Con 32 GB tienes comodidad para modelos que hacen offload parcial a RAM cuando no caben en VRAM. Para stacks multi-agente o RAG con bases de datos vectoriales grandes, 64 GB o más es recomendable.

La velocidad de RAM (DDR5 vs DDR4) tiene impacto menor que la cantidad cuando el modelo corre en GPU. Prioriza cantidad sobre velocidad.

Para inferencia en GPU, la CPU tiene un rol secundario. Un procesador moderno de gama media-alta (Ryzen 7 7800X3D, Core i7-14700) es completamente suficiente. No necesitas un EPYC ni un Threadripper para correr LLMs.

Donde la CPU sí importa: si haces fine-tuning, preprocesamiento de datasets grandes o corres varios servicios en paralelo. En ese caso, más núcleos ayudan.

Los modelos son archivos grandes: un modelo 7B ocupa ~4 GB, uno de 70B puede llegar a 40+ GB. Un NVMe PCIe 4.0 o 5.0 los carga en segundos; un disco HDD tardaría minutos.

Recomendación: SSD NVMe de al menos 1 TB para el sistema + modelos frecuentes, con espacio para modelos adicionales (los experimentadores acumulan muchos modelos rápidamente).

Uso personal / aprendizaje: Ryzen 5 9600 + RTX 5060 Ti 16 GB (o RX 9060 XT 16 GB) + 32 GB DDR5 + 1 TB NVMe. Corre modelos de la clase 14-27B cuantizados — el mejor arranque calidad-precio de 2026.

Uso profesional / producción: Ryzen 9 9900X o Core i7-14700K + RX 9070 XT 16 GB o RTX 5070 Ti 16 GB + 64 GB DDR5 + 2 TB NVMe. Para equipos que usan LLMs en flujos de trabajo diarios. Con presupuesto extra: 24-32 GB de VRAM (RTX 3090/4090 de segunda mano o RTX 5090).

Multi-agente / investigación: Threadripper o EPYC + 2 GPUs de 16-24 GB + 128 GB ECC RAM + RAID NVMe. Para stacks con varios modelos simultáneos.

Un apunte que sorprende: para el rol de 'servidor siempre encendido' que orquesta agentes (no para la inferencia), un mini PC tipo ASUS NUC es suficiente y consume una fracción de la electricidad — el patrón gateway ligero + workstation con GPU que explicamos en la guía de OpenClaw.