RTX 3090 para LLM local en 2026: ¿comprar o alquilar?

Ambos caminos dan la misma GPU y los mismos 24 GB de VRAM. La única pregunta real es cuántas horas la usarás realmente, y si tus datos pueden salir de tu red.

La RTX 3090 importa por una razón: 24 GB de VRAM al precio más bajo que nadie ofrece. Todo lo demás de la tarjeta es poco destacable en 2026 — es un diseño de 2020, consume 350 W, y una tarjeta actual la supera en cada métrica de eficiencia. Nada de eso cambia el hecho de que los pesos de un modelo caben en la memoria de video o no caben.

La VRAM es un precipicio, no una pendiente. Un modelo que cabe funciona a máxima velocidad; un modelo que se desborda aunque sea un gigabyte se vuelca en la RAM del sistema y se derrumba a una fracción de la velocidad. Eso hace de los 24 GB un umbral de capacidad, no un número de rendimiento, y la 3090 es la tarjeta más barata que lo cruza.

El segundo número importante es el ancho de banda de memoria. La generación de tokens de un modelo cuantizado está limitada por memoria, no por cómputo, así que 936 GB/s predicen mejor la sensación de velocidad que cualquier recuento de núcleos CUDA. Por eso la 3090 sigue siendo competitiva frente a tarjetas de gama media más nuevas con más cómputo pero un bus de memoria más estrecho.

En la práctica: margen cómodo para un modelo de clase 27B en cuantización de 4 bits, inferencia rápida en modelos de 7B–14B con contexto largo, y — con una segunda tarjeta — la capacidad de mantener un modelo de clase 70B en VRAM sin offloading.

"Cabe en 24 GB" y "funciona cómodamente para uso interactivo" son dos afirmaciones distintas, y las guías de compra que las mezclan generan expectativas equivocadas. Un modelo puede cargar técnicamente y aun así no dejar espacio para contexto, lo que significa que funciona para un solo prompt corto y falla en cuanto una conversación se alarga. La siguiente tabla separa ambas afirmaciones.

La variable que mueve un modelo entre estas columnas es la longitud del contexto: cada token del historial de conversación y cada token generado necesita espacio en la caché KV, además de los propios pesos. Un modelo 27B en cuantización de 4 bits con contexto de 4K cabe cómodamente; el mismo modelo llevado a 32K de contexto puede consumir el margen que ganó la cuantización.

Los 24 GB de la RTX 3090 son especialmente relevantes para Ollama y LM Studio, porque ambos cargan un modelo por completo en memoria de GPU por defecto cuando cabe, y recurren a un offloading CPU/GPU más lento cuando no cabe. Con 24 GB disponibles, ambas herramientas pueden ejecutar modelos de clase 27B enteramente en la tarjeta en lugar de dividirlos.

La velocidad real en tokens por segundo depende del modelo concreto, el nivel de cuantización, la longitud del contexto, qué build del backend se usa (llama.cpp por debajo en ambos casos), cuánto del prompt aún necesita procesarse frente a lo que ya está en caché, y qué más corre en la misma máquina. Ninguna de las dos herramientas publica benchmarks oficiales de la RTX 3090, así que trata cualquier cifra suelta de "X tokens/seg" que veas en otro lugar como la configuración de una sola persona, no una garantía para la tuya.

En la práctica: instala una de las dos herramientas, carga un modelo de clase 27B en cuantización de 4 bits, y comprueba el uso de memoria de GPU con nvidia-smi (o el propio indicador de la herramienta) mientras funciona — si el uso queda cómodamente por debajo de 24 GB, el modelo está completamente en la tarjeta y obtienes todo el ancho de banda de memoria de la RTX 3090.

Toda RTX 3090 tiene los mismos 24 GB de VRAM, así que la cuestión de qué modelos caben queda resuelta en cuanto eliges "RTX 3090". Lo que varía entre tarjetas es lo cómodo que resulta tenerla. Ningún diseño de refrigeración de un fabricante concreto es objetivamente el mejor en todos los anuncios — el estado en el mercado de segunda mano varía más que el diseño —, pero estos son los factores que vale la pena revisar antes de comprar.

El argumento a favor del alquiler no es que siempre sea más barato — es que una GPU inactiva cuesta lo mismo que una ocupada. Una tarjeta en un escritorio que se usa los fines de semana ya ha costado su precio de compra completo. Una GPU alquilada no cuesta nada entre sesiones.

Las razones para alquilar son concretas, no filosóficas: sin desembolso inicial, sin riesgo de depreciación en una tarjeta de cinco años, sin restricciones de fuente, caja o refrigeración, sin fines de semana perdidos cuando falla un ventilador. También puedes alquilar una tarjeta que nunca comprarías — probar un modelo de clase 70B en dos GPU alquiladas durante una tarde cuesta unos dólares, frente a unos 1.700 $ por un par usado.

El contraargumento honesto es que alquilar tiene fricción real. Subes datos a la máquina de otra persona, esperas una instancia, y en proveedores de marketplace a veces te toca un host que desaparece a mitad de trabajo. Esas no son razones para descartarlo — son razones por las que la decisión depende de tu carga de trabajo, no solo de la tarifa por hora.

Frente a un alquiler mediano de 0,15 $/hora, una tarjeta de 850 $ tarda unas 12.300 horas de GPU en amortizarse — unos cuatro años con ocho horas al día, o diecisiete años con dos. Esa es la cifra que la mayoría de las guías de compra omite, y la que debería decidir la compra.

El cálculo resta lo que cuesta operar la tarjeta. A 450 W en el enchufe y la media de EE. UU. de 2026 de 0,18 $/kWh, la inferencia local cuesta unos 0,08 $ por hora en electricidad, así que no estás comparando 850 $ contra 0,15 $/hora, sino contra los aproximadamente 0,07 $/hora que realmente ahorras.

Supuestos: tarjeta de 850 $, consumo del sistema de 450 W, 0,18 $/kWh. Sustituye tu propia tarifa eléctrica — mueve el resultado más que cualquier otra cosa en la tabla, y en mercados por encima de 0,30 $/kWh el argumento de comprar prácticamente desaparece.

Evítala si tus modelos caben en 16 GB. Si ejecutas modelos 7B y 14B en 4 bits y nunca tocas nada más grande, una tarjeta actual de 16 GB más barata es más silenciosa, consume mucho menos y tiene garantía. Pagar el sobreprecio de los 24 GB por un margen que nunca usas es el error más común en esta compra.

Evítala también si compras para entrenar en lugar de para inferencia. Un ajuste fino sustancial en una sola tarjeta de 24 GB implica cuantización agresiva y esperas largas; alquilar una tarjeta más grande por unas horas es a la vez más rápido y más barato.

Y evítala si tu electricidad es cara. A 0,30 $/kWh o más, el coste de operación por sí solo se acerca a las tarifas de nube más baratas, y el argumento de tener la tarjeta prácticamente desaparece.

Compra una RTX 3090 usada si vas a usarla más de unas cuatro horas al día durante los próximos dos años, o si tus datos no pueden salir de tu edificio — sigue siendo la forma más barata de tener 24 GB de VRAM. Alquila una si tu uso es ocasional, irregular, o todavía estás averiguando si la inferencia local le conviene a tu carga de trabajo. Si tienes dudas, alquila primero.

Para uso frecuente de LLM local y privacidad: compra. Para experimentación ocasional: alquila. Para uso incierto o cambiante: alquila primero, y revisa la decisión en seis meses cuando conozcas tus horas reales. Para quien busque específicamente VRAM de 24 GB barata, una RTX 3090 usada en buen estado sigue siendo convincente en 2026 — el aumento de precio por la escasez de memoria no ha cambiado eso, solo ha alejado el punto de equilibrio. Para una compra nueva donde la eficiencia, la garantía y las funciones actuales importan más que el precio inicial, compara en su lugar con una tarjeta actual.

En resumen: la ventaja de la RTX 3090 son 24 GB de VRAM a precios de mercado usado. Sus costes son la antigüedad, el alto consumo, el calor, el ruido y la falta de garantía. Ningún lado de ese compromiso ha cambiado en 2026 — solo el precio de compra, y se movió en contra de comprar.