El mismo H100 cuesta $2,69 o $12,29 por hora: una diferencia de 4,6 veces
El mismo NVIDIA H100 se alquila por $2,69 o por $12,29 la hora según la nube. Es una diferencia de 4,6 veces en hardware absolutamente idéntico. Una recopilación de datos en GitHub reunió los precios y obtuvo 110 puntos en Hacker News. Para una startup que ejecuta entrenamiento o inferencia durante meses, elegir proveedor se convierte en una de las principales partidas de gasto, y no en un detalle menor.
Procesado por IA desde Hacker News AI; editado por Hamidun News
Imagine que compra el mismo iPhone en dos tiendas y en una cuesta 4,6 veces más. Con el alquiler de GPU, esto no es una metáfora. Según una recopilación en GitHub que obtuvo 110 puntos y 66 comentarios en Hacker News, el mismo NVIDIA H100 se alquila por $2,69 la hora en unos proveedores y por $12,29 en otros. La tarjeta es la misma, el chip es el mismo, pero la factura difiere casi cinco veces.
Qué hay detrás de las cifras
Convirtamos las horas en dinero. Un mes tiene unas 730 horas. A $2,69, una tarjeta cuesta aproximadamente $1.960; a $12,29, cuesta $8.970. La diferencia es de unos $7.000 al mes por una sola GPU. Para un nodo típico de ocho H100, la brecha asciende a unos $56.000 mensuales. Para un equipo que entrena un modelo o mantiene inferencia las 24 horas, esto ya no es un redondeo, sino el sueldo de varios ingenieros.
Una salvedad importante: nos basamos en los extremos del rango del titular, no en una lista de precios completa. Qué proveedores están en cada extremo y en qué condiciones, hay que consultarlo en el propio repositorio.
Por qué el precio varía tanto
El precio «por hora» en la nube no garantiza casi nada por sí solo. En el importe final suelen influir el modelo de pago (on-demand, reserva por meses o spot, que pueden retirarte), la composición del paquete (CPU, memoria, disco, red, tráfico saliente), el formato (una tarjeta o un nodo completo con conexión rápida entre GPU), la fiabilidad con soporte y una región con capacidad disponible.
Las grandes nubes suelen cobrar una prima por el ecosistema: servicios listos, gestión de accesos, compliance, facturación habitual. Los proveedores especializados en GPU y los marketplaces suelen ser más baratos, pero pueden variar en estabilidad y nivel de soporte. Por eso hay que comparar no el precio por tarjeta, sino el precio por trabajo útil.
Qué hacer en la práctica
Primero: calcule el coste de la tarea, no de la hora. Si una tarjeta barata espera en una cola o tiene una red lenta, el ahorro se evapora. Segundo: ejecute un benchmark corto con su propia carga en dos o tres proveedores, por ejemplo una hora de entrenamiento o una prueba de carga de inferencia, y divida los costes entre el número de tokens o pasos de entrenamiento. Tercero: separe las tareas. Los experimentos y cálculos por lotes que toleran interrupciones pueden ir a hardware barato o spot. La producción con requisitos estrictos de disponibilidad conviene mantenerla donde se pagan garantías.
Cuarto: prevea de antemano la posibilidad de migrar. Contenedores, un entorno reproducible y checkpoints en un almacenamiento neutral convierten el cambio de proveedor de un proyecto trimestral en cuestión de unos días.
Para el product manager la conclusión es aún más sencilla: la economía unitaria de una función de IA depende mucho de dónde se ejecuta. Si el margen se sostiene solo a $12 la hora y el mercado ofrece $2,69, o la infraestructura está mal elegida, o está pagando conscientemente por algo concreto. En el segundo caso, conviene dejar el motivo por escrito.
Limitaciones
Los precios de las GPU cambian rápido, y la captura en GitHub es un corte a una fecha determinada. El precio bajo no siempre está disponible: hay colas, límites y plazos mínimos de alquiler. Los debates en HN suelen girar justo en torno a estos matices, así que antes de migrar compruebe usted mismo las tarifas vigentes.
Lo esencial: no acepte el precio por defecto. Una hora de H100 puede costar 4,6 veces más con los mismos transistores, y comparar proveedores sigue siendo la optimización más barata que puede hacer este trimestre.
- 9 oct 2026Galahad-kv guarda la KV-cache en NVMe y carga un bloque entre 2,8 y 4,3 veces más rápido que recalcularlo
- 27 may 2026SAM 3.1 de Meta, el modelo de vídeo que sigue 16 objetos a la vez
- 23 may 2026Las redes neuronales funcionan el doble de rápido: FlashAttention-3 de NVIDIA
- 31 may 2026El nuevo CompileIQ de NVIDIA encuentra rendimiento oculto en los kernels de GPU ajustando los parámetros del compilador
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hay detrás de las cifras?
Convirtamos las horas en dinero. Un mes tiene unas 730 horas. A $2,69, una tarjeta cuesta aproximadamente $1.960; a $12,29, cuesta $8.970. La diferencia es de unos $7.000 al mes por una sola GPU. Para un nodo típico de ocho H100, la brecha asciende a unos $56.000 mensuales. Para un equipo que entrena un modelo o mantiene inferencia las 24 horas, esto ya no es un redondeo, sino el sueldo de varios ingenieros.
¿Qué se sabe sobre Por qué el precio varía tanto?
El precio «por hora» en la nube no garantiza casi nada por sí solo. En el importe final suelen influir el modelo de pago (on-demand, reserva por meses o spot, que pueden retirarte), la composición del paquete (CPU, memoria, disco, red, tráfico saliente), el formato (una tarjeta o un nodo completo con conexión rápida entre GPU), la fiabilidad con soporte y una región con capacidad disponible.
¿Qué se sabe sobre Qué hacer en la práctica?
Primero: calcule el coste de la tarea, no de la hora. Si una tarjeta barata espera en una cola o tiene una red lenta, el ahorro se evapora. Segundo: ejecute un benchmark corto con su propia carga en dos o tres proveedores, por ejemplo una hora de entrenamiento o una prueba de carga de inferencia, y divida los costes entre el número de tokens o pasos de entrenamiento. Tercero: separe las tareas. Los experimentos y cálculos por lotes que toleran interrupciones pueden ir a hardware barato o spot.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.