En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)
LanzamientoCódigo / SDK · Listo para usarHacker News AI→ original

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
El mismo H100 cuesta $2,69 o $12,29 por hora: una diferencia de 4,6 veces
Fuente: Hacker News AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHacker News AI ↗
Editor jefe
Un mes con una sola tarjetaunos $1.960 frente a $8.970 con 730 horas
Dato clave #2Para un nodo de 8 GPU, la brecha es de aproximadamente $56.000 al mes
Dato clave #3Compare el precio por tarea, no la marca de la nube ni el nombre de la tarjeta

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.

Historia

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.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…