Guías
Coste mensual de una GPU en la nube: guía para no disparar la factura
Llevo años alquilando GPUs en la nube y he visto facturas que no tenían sentido. El coste mensual gpu en la nube no es simplemente el precio por hora multiplicado por 720. Eso lo aprende todo el mundo a base de sustos. Si estás montando un equipo o un proyecto personal, necesitas saber qué hay detrás de ese número antes de comprometerte con un proveedor.
En esta guía te explico cómo calcular el coste real, qué opciones de facturación existen y qué trampas te van a comer el presupuesto. No voy a darte precios concretos porque cambian cada semana, pero sí la metodología para comparar ofertas sin perder el norte.
Qué incluye (y qué no) el precio por hora de una GPU
El precio que ves en la web del proveedor suele ser el coste de cómputo puro. Pero la factura final rara vez coincide con ese número. Antes de calcular el coste mensual gpu en la nube, revisa estos conceptos:
- Instancia completa vs. instancia interrumpible: las interrumpibles (spot) pueden ser 60-70% más baratas, pero se apagan sin aviso. Si tu carga de trabajo tolera paradas, son oro puro.
- Almacenamiento asociado: el disco NVMe no suele estar incluido. Añade 0,10-0,20 $/GB/mes según proveedor.
- Transferencia de datos: subir el dataset y bajar los checkpoints tiene coste. Dentro de la misma región suele ser gratis; entre regiones o hacia internet, pagas por GB.
- Licencias de software: si usas CUDA no pagas extra, pero si necesitas librerías comerciales, el coste puede superar al de la GPU.
Mi recomendación: coge el precio por hora y súmale un 20-30% de margen para estos conceptos. Ese es tu punto de partida realista.
Cómo calcular el coste mensual gpu en la nube según tu uso
No es lo mismo entrenar un modelo 24/7 que hacer inferencia esporádica. El cálculo mensual cambia radicalmente según el patrón de uso.
Uso continuo (entrenamiento o fine-tuning)
Si vas a tener la GPU encendida 30 días seguidos, el precio por hora * 720 horas es tu referencia. Pero aquí entra la decisión clave: instancia bajo demanda vs. instancia reservada.
La reservada te obliga a pagar por adelantado (o por compromiso de 1-3 años), pero puede reducir el coste un 30-50%. Para un proyecto con fecha de inicio conocida, merece la pena. Para experimentación, no.
Uso intermitente (experimentos, CI, inferencia)
Si trabajas 4 horas al día, no pagues por 720 horas. Lo lógico es usar instancias interrumpibles o escalar a cero cuando no las necesites. En este escenario, el coste mensual gpu en la nube se calcula así:
- Estima horas reales de uso: 4 horas/día * 22 días = 88 horas/mes.
- Multiplica por el precio spot (por ejemplo, 1,20 $/h): 105,60 $/mes.
- Añade almacenamiento del dataset y salida de datos.
Con este patrón, una H100 te cuesta menos que una suscripción a un servicio de streaming si la usas con cabeza.
Instancias reservadas: cuándo compensan de verdad
Los proveedores ofrecen descuentos por compromiso de uso. La regla que aplico yo es simple: si la GPU va a estar encendida más de 300 horas al mes, la reserva tiene sentido. Si baja de ahí, paga bajo demanda.
El problema de las reservadas es la flexibilidad. Si tu proyecto cambia de GPU (de A100 a H100, por ejemplo), te quedas atrapado con una instancia que ya no necesitas. Algunos proveedores permiten cambiar la familia de GPU dentro del mismo compromiso, pero no todos. Léete la letra pequeña antes de firmar.
Otra opción intermedia: los planes por volumen de horas. Pagas un bloque de 1000 horas al mes y las consumes como quieras. Si no las gastas todas, pierdes el dinero. Útil solo si tienes una carga de trabajo predecible.
Las trampas que inflan tu factura mensual
He visto equipos pagar el doble de lo necesario por descuidos que se podían evitar. Estas son las más comunes:
- Olvidar apagar instancias: una GPU encendida un fin de semana de prueba son 48 horas extra. Con un precio de 2 $/h, son casi 100 $ tirados.
- Almacenamiento de snapshots: guardar una imagen de la instancia cada día sin purgar las antiguas acumula cientos de GB que pagas todos los meses.
- Salida de datos para checkpoints: descargar un modelo de 40 GB desde una región lejana a tu bucket de producción puede costar más que la propia hora de cómputo.
- Instancias de mayor tamaño de las necesarias: no necesitas una H100 para hacer inferencia con un modelo pequeño. Una L4 o una A10 te sirven y cuestan un tercio.
Mi consejo: configura alertas de coste en el panel del proveedor desde el día uno. Que te avisen cuando superes el 80% de tu presupuesto mensual.
Comparativa de coste mensual por tipo de GPU
Para que te hagas una idea de las magnitudes (no de precios exactos), esto es lo que puedes esperar en 2025 en proveedores grandes:
| GPU | VRAM | Uso continuo (aprox.) | Uso intermitente (aprox.) |
|---|---|---|---|
| RTX 4090 | 24 GB | 300-500 $/mes | 60-100 $/mes |
| L4 | 24 GB | 200-350 $/mes | 40-70 $/mes |
| A100 40GB | 40 GB | 700-1000 $/mes | 140-200 $/mes |
| H100 80GB | 80 GB | 1200-1800 $/mes | 240-360 $/mes |
Estos rangos son orientativos y varían según región y demanda. Pero te dan una referencia para saber si lo que te ofrecen es caro o barato.
Herramientas para monitorizar el gasto en tiempo real
No calcules el coste mensual gpu en la nube a ojo. Usa herramientas que te den visibilidad. La mayoría de proveedores tienen un panel de costes, pero yo prefiero exportar los datos a un CSV y analizarlos con scripts.
Si usas Kubernetes, herramientas como KubeCost o OpenCost te asignan el gasto por namespace o por equipo. Eso es vital si compartes clúster con compañeros: cada uno paga por lo que usa, sin discusiones.
También puedes escribir un script simple que consulte la API del proveedor cada hora y guarde el estado de las instancias. Así detectas al momento si alguien ha dejado una GPU encendida por error.
Preguntas frecuentes sobre el coste mensual de GPUs en la nube
Aquí van las dudas que más me plantean en el día a día:
¿Merece la pena pagar una instancia reservada para un proyecto de 3 meses?
No. Las reservadas suelen exigir compromisos de 1 o 3 años. Para un proyecto corto, usa bajo demanda o interrumpibles. Si el proveedor ofrece compromisos mensuales, compáralo con el coste de 720 horas bajo demanda; suele ser un 20-30% más barato, pero solo si tienes claro que vas a usar la GPU todos los días.
¿Qué diferencia hay entre precio por hora y coste mensual real?
El precio por hora es solo el cómputo. El coste mensual real incluye almacenamiento, transferencia de datos, snapshots y posibles cargos por IP elástica o balanceadores. Calcula un 20-30% extra sobre el precio por hora para obtener una estimación fiable.
¿Las instancias interrumpibles son fiables para entrenar modelos?
Depende. Si tu framework soporta checkpointing frecuente (cada 5-10 minutos), puedes sobrevivir a interrupciones sin perder mucho trabajo. Para fine-tuning de LLMs, no lo recomiendo: una interrupción a mitad de época puede corromper el estado del optimizador. Úsalas para experimentos cortos o barridos de hiperparámetros.
¿Cómo puedo reducir el coste de salida de datos?
Compra el almacenamiento de destino en la misma región que la GPU. Si entrenas en us-east y guardas checkpoints en us-east, la transferencia es gratuita. Si necesitas mover datos a Europa, hazlo en horas valle o usa compresión. También puedes subir los checkpoints a un bucket y descargarlos con una instancia pequeña en la región de destino.
¿Qué pasa si apago la instancia pero mantengo el disco?
Sigues pagando por el almacenamiento. En muchas plataformas, detener una instancia no elimina el disco, y ese disco se factura aparte. Si no vas a usar el proyecto durante semanas, crea un snapshot y elimina el disco. El snapshot suele ser más barato y puedes restaurarlo cuando quieras.