Nadie te dice esto sobre las GPUs empresariales usadas: una K80 de $60 supera en VRAM a tu RTX

Hay un mercado paralelo de hardware que la mayoría de los gamers y entusiastas ignoran. No está en Amazon ni en las tiendas de electrónica. Está en eBay, en lotes de servidores dados de baja, en oficinas que actualizaron su infraestructura y mandaron sus GPUs a la basura.

Y lo que encontraron es una mina de oro para cualquiera que quiera potencia de cómputo sin pagar una fortuna.

Un desarrollador pasó el invierno calentando su estudio con GPUs mientras probaba 15 modelos "e-waste" (Tesla K80, M10, M40, M60, P40, P100, V100, T40) contra cargas de trabajo modernas: desde inferencia de IA hasta renderizado 3D y transcripción de audio.

Los resultados rompen varios mitos.

¿Qué son estas GPUs "e-waste"?

Son GPUs empresariales NVIDIA Tesla que estuvieron en centros de datos durante años procesando cargas empresariales. Cuando las empresas migran a hardware más nuevo, las venden por lotes a recicladores que las revenden por centavos de su valor original.

Una Tesla K80 con 24GB de GDDR5 cuesta $60. Una P100 con 16GB ronda los $75. Una V100 con 16GB está por debajo de los $200. Para contexto, una RTX 4060 con 8GB cuesta $300 nueva.

El truco: no son GPUs para gaming. No tienen salida de video. Están diseñadas para servidores, con coolers de disipación pasiva que requieren ventilación forzada. Pero si sabes lo que estás haciendo, puedes construir un monstruo de cómputo por menos de $500.

Los resultados que nadie esperaba

El autor del benchmark armó un sistema con CPUs Xeon E5 (tan baratos como $40 por 56 hilos a 3.5GHz), motherboards X99 usadas, y montó hasta 3 GPUs Tesla en una sola máquina.

Esto es lo que encontró:

🔬 La V100 rinde casi como la T40 (una GPU mucho más nueva y rara) en todas las pruebas. La V100 es significativamente más barata y fácil de conseguir.

💡 La P40 es la reina para LLMs — la sabiduría popular de internet tenía razón. Para correr modelos de lenguaje local, la P40 supera a la P100 en la mayoría de cargas.

🎤 La M60 de $50 es una bestia para transcripción. Whisper y speech-to-text corren sorprendentemente bien en esta GPU que muchos consideran basura.

📊 Más GPUs = más rendimiento (casi siempre). En cargas nativas multi-GPU como ResNet50 y SHA-256, el rendimiento escala linealmente al añadir más tarjetas. En LLMs, la historia es más compleja por limitaciones de configuración de software, pero con el tuning adecuado, el escalado mejora.

El problema real: eficiencia energética

No todo es color de rosa. Estas GPUs tienen una eficiencia energética terrible comparada con hardware moderno. Una K80 consume hasta 300W. Una V100, 250W. Si tu plan es tener la máquina encendida 24/7, el recibo de luz te va a doler.

Pero si es para uso esporádico, un homelab, o proyectos de fin de semana — la matemática cambia completamente. $60 por 24GB de VRAM es una ganga que no existe en ningún otro lado.

Lo que puedes hacer con estas GPUs hoy

Estos son los casos de uso donde estas GPUs "obsoletas" siguen siendo perfectamente viables:

• 🤖 Correr modelos de IA localmente — llama.cpp, Ollama, modelos cuantizados. La VRAM es el cuello de botella, no la velocidad de cómputo.
• 🎨 Renderizado 3D — Blender Cycles, path tracing. La V100 compite con GPUs mucho más nuevas.
• 🎤 Transcripción masiva de audio — Whisper, speech-to-text. La M60 de $50 es imbatible en precio/rendimiento para esto.
• 🔬 Cómputo científico — GROMACS, simulaciones de dinámica molecular. Cargas que se benefician de GPUs paralelas.
• 🏠 Homelab educativo — Aprender CUDA, experimentar con GPGPU, montar un servidor de inferencia.

Más allá de las GPUs: el ecosistema completo

Lo más interesante de este benchmark no son los números, sino lo que revelan: hay un mercado completo de hardware empresarial de segunda mano que puede darte potencia de clase servidor por precio de juguete.

Los CPUs Xeon E5 v5/v6, las motherboards X99 dual-socket, la RAM ECC registrada — todo está en el mismo ciclo de descarte empresarial. Puedes armarte un servidor con 56 hilos, 128GB de RAM y 48GB de VRAM distribuida por menos de lo que cuesta una laptop gamer básica.

El único requisito es saber lo que estás haciendo y tener tolerancia al ruido de los ventiladores de servidor.

Veredicto: ¿comprar o no comprar?

Sí, si sabes para qué. Estas GPUs no son para el gamer casual que quiere jugar Cyberpunk 2077. Son para el maker, el homelabber, el que quiere experimentar con IA sin pagar suscripciones mensuales.

No, si quieres algo que funcione out-of-the-box. Necesitas fuentes de poder adecuadas, adaptadores de voltaje, coolers custom, y paciencia para configurar drivers. No es plug-and-play.

Pero si estás leyendo esto y piensas "yo puedo con eso" — felicidades, acabas de descubrir el secreto mejor guardado del hardware barato.

Comparte esto con alguien que todavía cree que necesita gastar $2,000 en una GPU nueva para correr modelos locales. La respuesta siempre fue más barata: solo tenía 5 años y estaba en un centro de datos.