Guía técnica · AIHARD
Workstation para LLMs en local: GPU, RAM, CPU y disco
Qué GPU, cuánta RAM, qué CPU y qué disco NVMe necesita una workstation para LLMs en local, con tres configuraciones completas según el uso.
Actualizado: 4 de octubre de 2026
Los 5 componentes de una workstation LLM
Una workstation optimizada para LLMs necesita equilibrio entre GPU (inferencia rápida), RAM del sistema (para la parte del modelo que no cabe en la GPU), CPU (preprocesamiento y llamadas de API), almacenamiento NVMe rápido (carga de modelos) y refrigeración adecuada para operación prolongada.
GPU: el cuello de botella principal
El componente más importante; el detalle por tramo de VRAM está en la guía para elegir GPU. Resumen 2026: 16 GB de VRAM es el mínimo práctico (RTX 5060 Ti 16 GB, RX 9060 XT 16 GB) y da para la clase 9-14B con holgura; 24 GB abre los modelos densos de 27-31B, hoy los más capaces que caben en un equipo; y 48 GB o más es territorio de modelos de 70B y de producción. Con la calculadora de VRAM puedes dimensionar la GPU exacta para el modelo que quieres correr.
RAM del sistema: más de lo que crees
Con 16 GB de RAM del sistema puedes empezar, pero es un límite. Con 32 GB tienes comodidad cuando parte del modelo no cabe en la VRAM y pasa a la RAM. Para varios agentes a la vez o RAG con bases de datos vectoriales grandes, se recomiendan 64 GB o más.
La velocidad de RAM (DDR5 vs DDR4) tiene impacto menor que la cantidad cuando el modelo corre en GPU. Prioriza cantidad sobre velocidad. Ten en cuenta que la memoria se ha encarecido mucho en 2026 por la demanda de los centros de datos de IA: hoy pesa en el presupuesto bastante más que hace un año.
CPU: soporte, no protagonista
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.
Almacenamiento: NVMe rápido para cargar modelos
Los modelos son archivos grandes: Qwen 3.5 9B ocupa unos 6,6 GB, Qwen 3.6 27B unos 17 GB y uno de 70B, unos 43 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).
Configuraciones recomendadas por caso de uso (2026)
Uso personal / aprendizaje: Ryzen 5 9600 + RTX 5060 Ti 16 GB (o RX 9060 XT 16 GB) + 32 GB DDR5 + 1 TB NVMe. Corre con holgura la clase 9-14B (Qwen 3.5 9B, Gemma 4 12B) cuantizada; es el arranque más equilibrado.
Uso profesional / producción: Ryzen 9 9900X o Core i7-14700K + RTX 5080 o RTX 5070 Ti 16 GB (o RX 9070 XT) + 64 GB DDR5 + 2 TB NVMe. Para equipos que usan LLMs en flujos de trabajo diarios. Si necesitas los modelos de 27-31B: 24 GB (RTX 3090 de segunda mano) o 32 GB (RTX 5090 o una profesional como la Radeon AI PRO R9700).
Multi-agente / investigación: Threadripper o EPYC + 2 GPUs de 16-32 GB + 128 GB de RAM ECC + RAID NVMe. Para stacks con varios modelos simultáneos; con los precios de la memoria de 2026, dimensiona la RAM al uso real antes de ir a 128 GB.
Para el papel de servidor siempre encendido que orquesta agentes (no para la inferencia), basta un mini PC tipo ASUS NUC, que consume una fracción de la electricidad: es el patrón de gateway ligero y workstation con GPU que explicamos en la guía de requisitos de OpenClaw.
Productos de esta guía
Precio con cuenta gratuita, en 1 minuto
Preguntas frecuentes
¿Cuánta RAM necesita una workstation para LLMs?
Con 16 GB puedes empezar, pero se queda justo. Con 32 GB tienes comodidad cuando parte del modelo no cabe en la VRAM y pasa a la RAM del sistema. Para varios agentes a la vez o RAG con bases de datos vectoriales grandes, se recomiendan 64 GB o más.
¿Puedo usar un portátil para correr LLMs?
Sí, si tiene GPU dedicada con VRAM suficiente. Un portátil con RTX 5070 o superior corre modelos de la clase 4-9B con buen rendimiento. La limitación es la VRAM (las versiones de portátil llevan menos que las de sobremesa con el mismo nombre) y la refrigeración (throttling bajo carga sostenida).
¿Es mejor Windows o Linux para IA local?
Linux (Ubuntu 24.04 LTS o Debian) suele ofrecer mejor rendimiento y compatibilidad con los controladores CUDA, sobre todo en equipos con varias GPU. Windows funciona bien para uso individual con herramientas como LM Studio u Ollama. Para producción y servidores, Linux es el estándar.
¿Quieres la IA local instalada y funcionando en tu oficina?
Elegimos el equipo para tu caso (Mini PC IA, Workstation IA o Servidor IA pyme), instalamos el modelo y lo dejamos funcionando, con una sesión de formación para tu equipo. Sin compromiso.
Relacionado en AIHARD
Prueba MercatiaNuestro asistente de IA en WhatsApp