AMD frente a la nube: cuándo empieza a ahorrar una estación de IA propia

Un analista de hardware comparó una estación de trabajo con dos tarjetas gráficas AMD Radeon AI PRO R9700 con las tarifas en la nube para IA, a fin de averiguar cuándo sale más barato tener el equipo propio que pagar por la generación de tokens. Cada tarjeta tiene 32 GB de memoria y la estación completa, en la configuración analizada, cuesta unos 18.775 dólares.

El cálculo incluye el consumo eléctrico, la velocidad de procesamiento de tokens y la amortización del equipo, es decir, el reparto gradual de su precio a lo largo de su vida útil. Después, el resultado se compara con las tarifas en la nube, en las que la empresa paga por cada millón de tokens generados. Los precios indicados van desde 1,20 dólares por millón de tokens para GPT-5.6 Luna hasta 30 dólares para GPT-5.6 Sol. Entre ambos están Claude Sonnet 5, a 10 dólares, y Claude Opus 5, a 25 dólares por millón de tokens de salida.

Con las dos R9700 funcionando a la vez, la estación alcanzó 156,2 tokens por segundo atendiendo a ocho usuarios. La tecnología Multi-Token Prediction, que predice varios tokens en cada paso, casi duplicó esa cifra, hasta los 320,2 tokens por segundo, sin que se apreciara un cambio en la calidad de la respuesta.

A esa velocidad, la estación solo necesita funcionar 3,5 horas a la semana para resultar más rentable que GPT-5.6 Sol. El umbral es de 4,2 horas semanales para Claude Opus 5 y de 8,8 horas para Gemini 3.1 Pro. Si un equipo genera más de 20 millones de tokens al mes con la tarifa de GPT-5.6 Sol, el sistema propio empieza a suponer un ahorro considerable.

En este escenario, los gastos anuales de electricidad y amortización se estiman en unos 6.262 dólares. Una factura en la nube comparable ascendería a unos 18.000 dólares al año. La diferencia: 11.738 dólares a favor de la estación propia.

Pero con los modelos baratos en la nube, la magia se acaba enseguida. Para GPT-5.6 Luna, que cuesta 1,20 dólares por millón de tokens, la estación tendría que funcionar 94,3 horas semanales solo para alcanzar el punto de equilibrio. Recordemos que la semana tiene 168 horas: haría falta tenerla casi siempre trabajando.

La electricidad no fue el factor principal: las dos tarjetas consumían entre 310 y 510 vatios bajo carga prolongada. Para un equipo pequeño, el resultado es aún menos convincente. Si genera 5 millones de tokens al mes con la tarifa de Gemini 3.1 Pro, gastaría unos 720 dólares al año en la nube, mientras que mantener la estación costaría 6.262 dólares. El supuesto ahorro se convierte en una pérdida.

Hay una opción más asequible. Una sola R9700 ejecutaba por sí misma un modelo de 8.000 millones de parámetros a 34,5 tokens por segundo. Esta configuración consumía entre 221 y 283 vatios, según el número de usuarios simultáneos, y costaba unos 1.880 dólares, frente a los 3.760 dólares del conjunto de dos tarjetas. Para modelos pequeños y cargas de trabajo ligeras, una sola tarjeta puede amortizarse mucho antes.

Sin embargo, el precio por token no es el único criterio. Los modelos locales quedan por detrás de los principales sistemas en la nube en razonamiento complejo. En un índice independiente, un modelo de AMD con 27.000 millones de parámetros obtuvo 37 puntos, frente a los 46 de Gemini 3.1 Pro. En otras palabras, una empresa puede ahorrar en la factura de la nube, pero a costa de la calidad de las respuestas. La conclusión es sencilla: una estación AMD resulta rentable con una carga de trabajo elevada y constante, sobre todo si sustituye a un modelo caro en la nube. Para consultas ocasionales o tarifas baratas, la nube sigue siendo la opción más sensata.