Cómo montar un PC de alto rendimiento para IA

---

TL;DR:

• Construir un PC para IA requiere priorizar la VRAM de la GPU sobre otros componentes para evitar cuellos de botella.
• La cantidad de VRAM necesaria varía según el tamaño del modelo, siendo 24 GB recomendable para modelos de 70B.
• La planificación, compatibilidad y correcto montaje garantizan un rendimiento óptimo en tareas de inteligencia artificial locales.

---

Construir un ordenador de alto rendimiento para operaciones IA no es lo mismo que montar un PC gaming potente. Los errores de selección de componentes que apenas afectan a un jugador pueden paralizar por completo un flujo de trabajo con modelos de lenguaje o visión por computadora. Profesionales y entusiastas en España que intentan ejecutar IA de forma local se encuentran con el mismo problema: un hardware mal dimensionado que genera cuellos de botella invisibles, tokens lentos y modelos que no cargan completos en memoria. Esta guía te lleva desde la selección de componentes hasta la puesta en marcha, con criterios técnicos reales.

Puntos clave

Punto	Detalles
La VRAM manda sobre todo	Prioriza la VRAM de la GPU por encima de cualquier otro componente para cargas IA locales.
Escala por niveles	Starter, Mid y Enthusiast son tres configuraciones válidas según presupuesto y modelo IA objetivo.
Planifica antes de montar	Verificar compatibilidad de componentes antes del ensamblaje evita errores costosos y retrabajos.
El BIOS es parte del montaje	Configurar PCIe 5.0, DDR5 y XMP desde el primer arranque marca diferencia en rendimiento real.
Mantén el sistema actualizado	Drivers de GPU y actualizaciones de firmware afectan directamente al rendimiento IA tras el montaje.

Componentes esenciales para montar un ordenador para IA

El primer error que cometen quienes se acercan al montaje PC para inteligencia artificial es sobrevalorar el número de núcleos de la CPU y subestimar la VRAM. La GPU no es un accesorio: es el motor principal de cualquier carga IA local.

La GPU y la VRAM: el criterio determinante

La VRAM es el factor limitante principal para ejecutar modelos IA de forma eficiente. Su ancho de banda supera entre 10 y 20 veces al de la RAM convencional, lo que significa que un modelo que cabe entero en VRAM se ejecuta a una velocidad radicalmente diferente que uno que necesita volcarse a la memoria del sistema.

Los requisitos varían mucho según el tamaño del modelo que quieras usar. Con 8 GB de VRAM puedes manejar modelos de 7B a 8B parámetros cuantizados. Para modelos de 13B necesitas entre 12 y 16 GB. Si trabajas con modelos de 70B cuantizados con buena velocidad, necesitas 24 GB o más. Esto convierte a tarjetas como la RTX 5080 de 16 GB en una opción equilibrada para uso mid, mientras que opciones profesionales con 24 GB te dan más margen.

También debes considerar el contexto (KV cache). Este crece linealmente con el número de tokens procesados, por lo que en conversaciones largas o tareas de análisis de documentos, el uso efectivo de VRAM puede dispararse aunque el modelo base parezca suficientemente pequeño.

Consejo profesional: Cuando el modelo no cabe en VRAM y el sistema recurre al offload a CPU, el rendimiento cae de forma severa: de hasta 140 tokens/segundo en GPU a apenas 12 tokens/segundo. Planifica siempre para que el modelo quepa completo en VRAM.

CPU, RAM y almacenamiento

La CPU necesita ser capaz pero no necesariamente extrema. Un procesador moderno de 8 a 16 núcleos con soporte PCIe 5.0 y DDR5 cumple bien su función de alimentar la GPU sin convertirse en cuello de botella. Para IA, la CPU coordina la carga, gestiona los datos y ejecuta las partes del modelo que no caben en GPU. La GPU y la CPU trabajan juntas y ninguna sustituye a la otra.

La RAM recomendada arranca en 32 GB para uso básico y sube hasta 64 o 128 GB en configuraciones entusiasta. Velocidades DDR5 en dual channel, o configuraciones de cuatro ranuras, marcan diferencia en transferencias. Para el almacenamiento, un SSD NVMe PCIe 4.0 o 5.0 de al menos 2 TB es el mínimo razonable: los modelos IA de tamaño medio ya superan los 10 GB por archivo, y tener varios en disco es lo habitual.

La tabla siguiente resume los tres niveles de configuración recomendados:

Componente	Starter	Mid	Enthusiast
GPU (VRAM)	12 a 16 GB	24 GB	24 GB+ o multi-GPU
RAM	32 GB DDR5	64 GB DDR5	128 GB DDR5
SSD	1 TB NVMe PCIe 4.0	2 TB NVMe PCIe 4.0	4 TB NVMe PCIe 5.0
CPU	8 núcleos, gen reciente	12 a 16 núcleos	16 a 24 núcleos
PSU	750 W 80+ Gold	850 W 80+ Gold	1000 W+ 80+ Platinum

Las builds escalonadas son la referencia de la industria para dimensionar correctamente sin sobrecomprar ni quedarse corto.

Preparación para el montaje

Un montaje PC para inteligencia artificial organizado desde el inicio evita los problemas más frecuentes. El ensamblaje medio de un PC desde cero lleva entre 3 y 5 horas para alguien sin experiencia previa, pero con la planificación correcta ese tiempo se reduce y los errores desaparecen.

El proceso de preparación incluye estos pasos:

1. Verifica compatibilidad completa. Usa herramientas como PCPartPicker para confirmar que CPU, placa base, RAM y chasis son compatibles antes de comprar nada. Un socket equivocado no tiene solución fácil.
2. Reúne las herramientas. Necesitas destornillador Phillips magnético de punta fina, pasta térmica de calidad (si el disipador no la incluye), pulsera antiestática o alfombrilla ESD, y bridas para gestión de cables.
3. Prepara el entorno. Una mesa despejada, sin moqueta y con buena iluminación reduce el riesgo de descarga estática y te permite ver cada conector con claridad.
4. Define el orden de montaje. El criterio correcto es: CPU y disipador en placa base, luego RAM, después instalación en chasis, integración de almacenamiento, GPU y por último fuente de alimentación con gestión de cables.
5. Ten a mano manuales físicos o PDF. Las placas base modernas tienen layouts específicos para los conectores de ventiladores, headers USB y slots M.2. No lo intentes de memoria.

Consejo profesional: Gestiona los cables antes de instalar la GPU. Una vez colocada la tarjeta gráfica, el acceso a la zona trasera del chasis se complica. Usa los pasos de gestión de cables del chasis y agrupa los cables de alimentación para favorecer el flujo de aire frontal hacia trasero.

Paso a paso del montaje físico

Con los componentes sobre la mesa y el entorno preparado, el ensamblaje sigue una secuencia lógica que minimiza el riesgo de daños y errores de conexión.

1. Instala la CPU en la placa base. Abre el socket ZIF o el sistema de retención, alinea las marcas de triángulo o las muescas del procesador y cierra sin forzar. Nunca toques los pines con los dedos.
2. Aplica pasta térmica y fija el disipador. Una cantidad del tamaño de un guisante en el centro del die es suficiente. Aprieta los tornillos del disipador en patrón cruzado para distribuir la presión de forma uniforme.
3. Coloca la RAM. Consulta el manual de la placa base para identificar los slots de dual channel correctos, que normalmente son los slots 2 y 4 contando desde el socket CPU. Un clic seco confirma el encaje.
4. Instala la placa base en el chasis. Coloca primero los separadores metálicos en los agujeros correctos según el factor de forma ATX, mATX o E-ATX. Atornilla con presión moderada y en patrón cruzado.
5. Conecta el almacenamiento NVMe. Los slots M.2 de PCIe 5.0 están normalmente bajo disipadores integrados en la placa. Retira el tornillo, desliza la SSD a 30 grados, bájala y fíjala. Confirma que el slot seleccionado no comparte ancho de banda con los slots PCIe de la GPU en tu placa concreta.
6. Instala la fuente de alimentación. En la mayoría de chasis modernos la PSU va en la parte inferior trasera. Conecta primero los cables modulares antes de introducir la fuente en el chasis. Usa solo los cables del fabricante de la PSU, sin mezclar.
7. Coloca la GPU. El slot PCIe x16 principal es el más cercano al socket CPU en casi todas las placas. Presiona hasta escuchar el clic del seguro y atornilla el bracket al chasis. Conecta los cables de alimentación PCIe, que para GPUs modernas pueden requerir adaptador de 16 pines o conectores 8+8 directos.
8. Gestiona los cables y conecta ventiladores. Pasa los cables por los orificios del chasis hacia la zona de gestión trasera. Conecta los ventiladores a los headers SYS_FAN de la placa base para que el software pueda controlar sus velocidades.
9. Conexiones finales del panel frontal. Sigue el diagrama del manual para los headers PWR_SW, RST_SW, HDD_LED y los USB del panel. Son conectores pequeños y su posición varía por fabricante.

Antes de cerrar el chasis, haz una revisión visual completa: todos los cables de alimentación conectados (ATX 24 pines, EPS 8 pines CPU, PCIe GPU), RAM encajada, SSD fijada y ventiladores conectados.

Verificación y optimización tras el montaje

El primer arranque es el momento de mayor información. Si el sistema publica (imagen en pantalla), el 90% del montaje está correcto. Si no arranca, la causa más frecuente es RAM mal encajada o el conector EPS de 8 pines del CPU desconectado.

Los pasos de verificación y puesta en marcha son:

• Comprueba el BIOS/UEFI. Verifica que la CPU, la cantidad de RAM y la SSD aparecen reconocidos correctamente. Si la RAM no muestra la velocidad correcta, activa el perfil XMP o EXPO desde el apartado de memoria del BIOS.
• Activa PCIe 5.0 y DDR5. En placas modernas estos protocolos no siempre están activos por defecto. Actívalos manualmente para aprovechar el ancho de banda completo de tu hardware.
• Instala drivers de GPU. Descarga los drivers más recientes desde la web del fabricante, no desde Windows Update. Para IA local con Ollama o frameworks como PyTorch, los drivers CUDA o ROCm actualizados son críticos.
• Ejecuta benchmarks de VRAM. Herramientas como GPU-Z y 3DMark verifican que la tarjeta funciona al ancho de banda y velocidad esperados. Para IA específicamente, lanza un modelo conocido con Ollama y mide tokens por segundo como referencia.
• Monitoriza temperaturas bajo carga. Con HWiNFO64 o MSI Afterburner, verifica que la GPU no supera los 83 °C y la CPU se mantiene por debajo de 90 °C durante inferencia sostenida. Si superas esos valores, revisa el flujo de aire del chasis.

Consejo profesional: El rendimiento real en IA local no depende solo de los TFLOPS del papel sino de si el modelo encaja completo en VRAM. Antes de comprar una GPU más cara, calcula el tamaño en GB del modelo cuantizado que necesitas ejecutar y compara con la VRAM disponible.

Una vez estable el sistema, mantén los drivers actualizados cada dos o tres meses. Los fabricantes de GPU publican mejoras de rendimiento que pueden suponer un 5 a 15% más de velocidad en cargas IA sin cambiar ningún componente físico.

Mi perspectiva sobre los montajes IA en España

He visto muchos montajes DIY en los últimos años y el error más repetido no es técnico: es de criterio. Los profesionales que se acercan al montaje PC para inteligencia artificial tienden a volcar el presupuesto en CPU y después se encuentran con una GPU con 8 GB de VRAM que no puede cargar ni el modelo más básico de 13B sin caída de velocidad. La VRAM no es un número de marketing. Es el límite real del sistema.

Lo que yo haría en 2026 para un setup en España es priorizar una GPU de 24 GB antes que cualquier otra mejora. El resto del hardware puede crecer con el tiempo. La VRAM de una GPU discreta no se amplía. Comprar una tarjeta con más memoria ahora es la única decisión verdaderamente escalable a corto plazo.

También me preocupa que poca gente considera la infraestructura de red y almacenamiento al planificar sus setups IA. Para un homelab o un entorno semi-profesional con varios nodos o servicios concurrentes, la red interna y la velocidad de lectura de los modelos desde disco son cuellos de botella reales que aparecen una vez el hardware ya está montado. Planifica en fases, no de golpe.

Por último, si estás empezando y el presupuesto es ajustado, los modelos cuantizados son tu mejor opción real. No existe hardware de consumo que ejecute modelos de más de 70B con holgura. Elige el modelo cuantizado adecuado para tu VRAM y tendrás una experiencia fluida. Intenta forzar un modelo demasiado grande y tendrás frustración.

Kipmion te ayuda a dar el siguiente paso

En Kipmion contamos con más de 180.000 referencias tecnológicas y asesoría especializada para profesionales que quieren montar o actualizar su infraestructura para inteligencia artificial. Si tienes dudas sobre qué componentes se adaptan mejor a tus proyectos IA o necesitas apoyo en la transformación digital de tu empresa, nuestro equipo está disponible para orientarte.

Consulta nuestra guía para pymes 2026 sobre transformación digital o explora nuestro catálogo de ordenadores y workstations para IA. También puedes revisar todos nuestros servicios TIC y consultoría para encontrar el apoyo que necesitas en cada fase de tu proyecto.

FAQ

¿Cuánta VRAM necesito para IA local?

Depende del tamaño del modelo: 8 GB permiten modelos de 7B a 8B parámetros cuantizados, 16 GB cubren modelos de 13B, y para modelos de 70B cuantizados necesitas al menos 24 GB de VRAM con buen rendimiento.

¿Qué ocurre si el modelo no cabe en VRAM?

El sistema recurre al offloading a RAM o CPU, lo que puede reducir la velocidad de generación de tokens de 140 a apenas 12 tokens por segundo según benchmarks con Ollama, haciendo la experiencia prácticamente inusable para trabajo real.

¿Cuánto tiempo lleva montar un PC para IA desde cero?

Un montaje completo lleva entre 3 y 5 horas para alguien sin experiencia previa en ensamblaje. Con planificación previa, verificación de compatibilidades y el entorno de trabajo organizado, ese tiempo se reduce considerablemente.

¿Necesito una CPU muy potente para IA local?

No necesariamente. Un procesador moderno de 8 a 16 núcleos con soporte PCIe 5.0 y DDR5 es suficiente para alimentar la GPU sin generar cuellos de botella. La CPU y la GPU trabajan juntas en cargas IA pesadas, pero la GPU es el componente determinante.

¿Puedo ampliar la VRAM de mi GPU después del montaje?

No. La VRAM de una GPU discreta está soldada y no es ampliable. Por eso la recomendación es comprar la GPU con más VRAM posible desde el inicio, ya que es la única decisión que no tiene marcha atrás sin cambiar la tarjeta completa.

Recomendación

• Núcleos CPU y GPU en IA: diferencias y tendencias
• Reacondicionado | HP Z2 Tower G1i Workstation Desktop PC Wolf Pro Security Edition Intel Core Ultra 7 265 32 GB DDR5-SDRAM NVIDIA RTX A1000 Windows 11 Pro Torre Puesto de trabajo AI PC, AI Workstation Negro – Kipmion Tecnología
• Reacondicionado | AMD Ryzen 7 7700X Box – Kipmion Tecnología
• DELL Pro Max FCT2250 T2 Intel Core Ultra 7 265 32 GB DDR5-SDRAM 1 TB SSD NVIDIA RTX 2000 Ada Windows 11 Pro Torre PC Negro – Kipmion Tecnología