Guías
Precios de GPU en la nube: cuánto cuesta de verdad cada hora
Los precios de GPU en la nube no son un número único: son el resultado de combinar el modelo de tarjeta, la modalidad de alquiler, la duración del compromiso y todo lo que rodea a la GPU (vCPU, RAM, disco y red). Dos instancias con la misma tarjeta pueden acabar costando el doble o la mitad según dónde y cómo las reserves.
Qué compone el precio por hora de una GPU en la nube
Cuando ves una tarifa por hora, esa cifra solo cubre una parte de la factura. Comparar precios de GPU en la nube por hora sin mirar el resto del paquete es la forma más rápida de equivocarse en el presupuesto.
La tarjeta y su memoria
No es lo mismo una GPU de gama de consumo que un acelerador con memoria HBM y enlaces rápidos entre tarjetas. A más memoria y ancho de banda, mayor tarifa y, normalmente, más difícil encontrar disponibilidad inmediata.
La modalidad de alquiler
On-demand, reservado, spot o instancias interrumpibles: cada modalidad cambia el precio y también el riesgo. Una tarifa on-demand baja puede ser peor negocio que una reservada más alta si tu trabajo se interrumpe a mitad de entrenamiento y hay que relanzarlo.
Lo que rodea a la GPU
vCPU, RAM, disco local, almacenamiento en red y transferencia de datos. En cargas con datasets grandes, el almacenamiento y la red pueden pesar más que la propia GPU en la factura mensual.
Comparativa de precios de GPU en la nube: hiperescalares y neoclouds
La comparativa de precios de GPU en la nube se plantea casi siempre como una tabla de tarifas, pero la decisión real está en qué incluye cada proveedor y cuánto tardas en poner la GPU a producir.
| Proveedor | Modelo habitual | Dónde suele encajar |
|---|---|---|
| AWS | Catálogo amplio con descuentos por compromiso | Equipos que ya operan dentro de AWS |
| Azure | Instancias de GPU integradas en su nube | Empresas con acuerdos corporativos y requisitos de cumplimiento |
| Google Cloud | Instancias con descuentos por uso continuado | Cargas que combinan GPU con datos ya alojados allí |
| Oracle | Instancias de GPU con ofertas agresivas en algunas regiones | Quien busca capacidad bare metal y red rápida |
| Lambda Labs | Clústeres de GPU orientados a entrenamiento | Equipos que quieren clúster listo sin montar infraestructura |
Los precios de GPU en la nube de AWS, Azure y Google Cloud tienden a incluir más servicios alrededor: identidad, redes privadas, colas, monitorización y facturación unificada. Ese envoltorio tiene valor, pero se paga. Los precios de GPU en la nube de Oracle y los precios de GPU en la nube de Lambda Labs compiten por el lado contrario: menos servicios gestionados y una tarifa más ajustada para cómputo puro.
Si tu prioridad es el coste bruto, conviene mirar también mercados donde varios proveedores compiten por la misma tarjeta. La comparativa Vast.ai vs RunPod ayuda a ver cómo cambian tarifas y condiciones según el modelo de mercado.
Precios de GPU en la nube para entrenamiento: la factura no es solo la GPU
En entrenamiento, el coste dominante no es la tarifa por hora de una tarjeta suelta, sino el número de tarjetas multiplicado por el tiempo total del trabajo, incluidos los reintentos. Un entrenamiento que falla a las 40 horas y se relanza desde un checkpoint se paga dos veces.
- Interconexión: si el trabajo es multi-GPU, la red entre nodos condiciona la eficiencia y, por tanto, el coste final.
- Checkpoints: guardar estado con frecuencia protege tu trabajo, pero consume almacenamiento rápido y ancho de banda.
- Disponibilidad: esperar una GPU más barata puede costar más que pagar una más cara ahora mismo.
Por eso, al comparar precios de GPU en la nube para entrenamiento, mide coste por experimento completado, no coste por hora. Los precios actuales de alquiler de H100 SXM son una buena referencia para clústeres, porque esa clase de tarjeta marca el suelo y el techo del mercado.
Precios de GPU en la nube para LLM: memoria y utilización
Los precios de GPU en la nube para LLM dependen menos del número de tarjetas que de la memoria total disponible y de cómo la repartes. Un modelo que no cabe en una GPU obliga a paralelizar, y la paralelización introduce sobrecarga de comunicación que se traduce en horas facturadas.
Conviene separar dos fases. El ajuste fino y el preentrenamiento se comportan como entrenamiento: tarjetas grandes, interconexión rápida y sesiones largas. Servir un modelo ya entrenado se comporta como inferencia: muchas réplicas pequeñas, buen aprovechamiento por hora y arranque rápido.
Precios de GPU en la nube para inferencia: el coste por token manda
En inferencia, el precio por hora es una métrica engañosa. Lo que importa es cuántas peticiones sirves por euro. Una GPU barata con baja utilización sale carísima; una GPU cara y saturada puede ser la opción más económica.
- Mide tokens por segundo y tokens por euro, no solo tarifa por hora.
- Vigila el autoescalado: pagar por réplicas inactivas es el error más común.
- Para modelos pequeños, valora GPUs de gama media o de consumo si la memoria no es el cuello de botella.
En cargas interactivas con modelos compactos, una tarjeta de gama de consumo bien aprovechada puede rendir mejor que un acelerador de centro de datos infrautilizado.
Cómo montar tu propia comparativa de precios de GPU en la nube
Una comparativa útil no es una lista de tarifas: es una plantilla que aplicas a tu carga concreta. Estos pasos suelen bastar.
- Define la unidad de trabajo: una hora de entrenamiento, un millón de tokens o un experimento completo.
- Anota la tarifa por hora de cada proveedor y la modalidad (on-demand, reservada, interrumpible).
- Añade almacenamiento, salida de red y tiempo de arranque de la instancia.
- Estima una utilización realista: casi nadie aprovecha el 100 % de la GPU.
- Repite el cálculo con dos escenarios, uno optimista y otro pesimista.
Para los pasos 2 y 3 puedes apoyarte en un estimador de coste por hora y por mes, que te evita rehacer hojas de cálculo cada vez que cambia una tarifa.
El compromiso que vas a aceptar
Ningún proveedor gana en todas las dimensiones. Los hiperescalares ofrecen integración, contratos y soporte; los neoclouds y los mercados ofrecen tarifas más bajas y disponibilidad más variable. La decisión razonable es elegir qué vas a sacrificar: pagar más por comodidad o asumir más operación a cambio de un coste por hora menor.
Antes de comprometer presupuesto, contrasta las listas oficiales con tarifas reales del mercado: puedes consultar precios en vivo de Vast.ai y compararlos con tu propio cálculo de coste por trabajo completado.