El precio que se anuncia por hora de GPU en la nube no es lo que termina pagando el usuario. Un análisis práctico de las tarifas de los catálogos de RunPod y Vast.ai, observadas el 17 de octubre de 2026, revela que un ajuste fino de ocho horas en una H100 SXM puede costar mucho más que la cifra que aparece en la página de precios. El hallazgo importa para las empresas y desarrolladores de México y Latinoamérica que entrenan modelos de inteligencia artificial y presupuestan sus proyectos con base en la tarifa publicada, sin considerar los costos adicionales que la factura final sí incluye.
La tarifa por hora es solo un componente del precio
La mayoría de los mercados de GPU cotizan únicamente el cómputo. El almacenamiento, la salida de datos, los impuestos, el tiempo de inactividad y el costo de reinicio suelen facturarse por separado. Además, muchas ofertas de múltiples GPU obligan a rentar el paquete completo aunque el trabajo solo pueda aprovechar una tarjeta.
Por eso una tabla de tarifas es un punto de partida, no un presupuesto. La unidad útil es el costo por hora de GPU aprovechada: la factura total dividida entre las horas de GPU que realmente produjeron trabajo que se puede conservar.
Dos hallazgos que cambian el cálculo
El índice público de GPU muestrea el catálogo de RunPod y los paquetes verificados bajo demanda de Vast.ai. Son observaciones de catálogo en vivo, no cotizaciones negociadas; el inventario no está garantizado y el almacenamiento y la red se cobran aparte. Dos datos destacan:
- La diferencia entre la oferta verificada más barata de H100 SXM y la de la capa segura de RunPod es de 1.856 dólares por hora de GPU, es decir, 87% más por la capa segura.
- La tarifa más barata del tablero no siempre corresponde al trabajo más barato, debido al mínimo de paquete.
El ejemplo del ajuste fino de ocho horas
Tomemos un ajuste fino de ocho horas que cabe en una sola H100 SXM. Con la tarifa comunitaria de RunPod, el costo de cómputo sería de 21.52 dólares a 2.69 por hora de GPU. Pero en la oferta de Vast.ai, el listado es un paquete de dos GPU a 4.269 dólares por hora. Si el trabajo no puede usar la segunda tarjeta, se paga de todos modos: se cubren 16 horas de GPU para realizar 8 horas de trabajo útil. El costo efectivo es de 4.269 dólares por hora útil, no de 2.134.
El paquete solo representa un descuento si se pueden ejecutar dos trabajos de una GPU en paralelo o dividir la carga entre ambas tarjetas. Esa es la primera regla al comprar capacidad de GPU: un mínimo de dos tarjetas no es un precio más bajo, es un compromiso mayor. Conviene comparar la unidad rentable más pequeña, no la tarifa por GPU.
Capa comunitaria frente a capa segura
Los nombres de las capas varían, pero el equilibrio es constante: la capacidad comunitaria o interrumpible es más barata porque el proveedor no la reserva; la capacidad segura o bajo demanda cuesta más porque está aislada y tiene mayor probabilidad de mantenerse activa. Una prima de 48% en una H100 equivale a 1.30 dólares por hora de GPU. En un trabajo de 100 horas, son 130 dólares.
Si el trabajo guarda puntos de control cada 15 minutos y puede reanudarse automáticamente, la capacidad comunitaria puede ser una elección racional. Si se trata de un servicio de inferencia con fecha límite o de un entrenamiento de varios días sin puntos de control, la capa segura puede resultar más barata que el trabajo de recuperación. La prima compra disponibilidad y aislamiento, no necesariamente velocidad bruta.
No se paga por horas útiles, sino por horas facturadas
Si la GPU espera la carga de datos, una descarga atascada o un paso de preprocesamiento en serie, se sigue pagando. Con 60% de utilización, el costo efectivo de una hora útil de H100 SXM es de 3.56 dólares en la oferta más barata y de 4.48 en la más cara. Ninguna de esas cifras aparece en la página de precios.
Aquí la ingeniería de datos importa más que la búsqueda de GPU. Una ruta NVMe rápida, un conjunto de datos previamente tokenizado y un cargador que mantenga alimentada a la GPU pueden valer más que una diferencia de tarifa de 0.50 dólares. Conviene medir tokens por segundo o imágenes por segundo en el flujo de trabajo real, no solo el modelo de GPU.
El costo oculto de las interrupciones
En papel, la oferta de H100 SXM de Vast.ai es 55.60 dólares más barata que la comunitaria de RunPod para 100 horas de GPU, un ahorro de 20.7%. Ahora añadamos un incidente operativo: una interrupción de 45 minutos con un costo de ingeniería de 65 dólares por hora equivale a 48.75. Ese único incidente consume 88% del ahorro. Con dos incidentes, la oferta más barata resulta más cara.
La aritmética no es un argumento contra la oferta barata, sino a favor de los puntos de control, el monitoreo y un presupuesto de reinicio. Si el trabajo tolera interrupciones y existe recuperación automatizada, el ahorro es real. Si cada falla requiere intervención humana, el ahorro es un subsidio al yo del futuro.
Almacenamiento y salida de datos
El almacenamiento y la salida de datos pueden sumar cantidades menores pero reales. Con supuestos explícitos de 0.10 dólares por GB-mes de almacenamiento y 0.05 por GB de salida, un conjunto de datos de 500 GB conservado durante siete días cuesta alrededor de 11.67 dólares, y 200 GB de salida cuestan cerca de 10.00. Son tarifas ilustrativas, no cotizaciones. La idea es incluirlas en el modelo en lugar de descubrirlas en la factura.
Ejemplo: 100 horas útiles en la oferta de H100 SXM de Vast.ai con 80% de utilización. La tarifa anunciada era de 2.134 dólares. El número presupuestal es de 3.12, cerca de 46% más alto. Al repetir el cálculo para la capa segura y para la utilización propia, el ranking puede cambiar.
La GPU más barata no siempre es la correcta
La fila de la RTX 4090 recuerda que la hora de GPU más barata no siempre es la adecuada. Si el modelo no cabe en 24 GB, una tarifa de 0.34 dólares es irrelevante. Si cabe, las mismas 100 horas de GPU cuestan 34 dólares en RunPod Community frente a 269 en H100 SXM. La carga de trabajo decide.
La recomendación práctica es no comenzar con 100 horas de GPU, sino con 20 o 40 en la unidad rentable más pequeña que admita el modelo. Medir el rendimiento, no solo la latencia al primer token. Guardar puntos de control cada 15 minutos. Registrar el costo por hora útil, incluidos almacenamiento y salida de datos. Después comparar la tarifa efectiva, no la anunciada. Un proveedor 20% más barato por hora pero que interrumpe el doble puede perder; uno 20% más caro que mantiene alimentada la GPU puede ganar.
Los datos de tarifas fueron observados el 17 de octubre de 2026 a las 12:50:44 UTC en el catálogo GraphQL de RunPod y en la API de paquetes de Vast.ai. La disponibilidad segura y comunitaria no está garantizada, y el almacenamiento, la red, los impuestos y el costo de reinicio quedan excluidos de las tarifas anunciadas. Antes de comprometer presupuesto, conviene verificar con el proveedor el precio vigente, el almacenamiento, la salida de datos y la política de interrupciones.
