GPUs viejas: cuánto rinden hoy de verdad

Comprar una GPU vieja puede parecer una mala idea hasta que haces números. En el mercado de segunda mano todavía aparecen tarjetas Tesla, Quadro y GeForce de generaciones pasadas a precios que, para un laboratorio casero o un proyecto de IA, se ven muy tentadores. El problema es que el precio de compra no cuenta toda la historia: también tienes que mirar consumo, compatibilidad, memoria, drivers y el tipo de carga que realmente vas a correr.

La nota original de esologic.com probó 15 GPUs “E-Waste” con cargas modernas, y ese enfoque sirve justo para lo que mucha gente necesita hoy: decidir si una tarjeta usada todavía rinde lo suficiente como para justificarla. No hablamos de jugar en 4K ni de competir con una RTX nueva. Hablamos de entrenar modelos pequeños, hacer inferencia local, correr kernels de cómputo o montar un laboratorio barato sin quemar presupuesto.

Qué significa que una GPU vieja todavía “sirva”

Cuando alguien pregunta si una GPU vieja rinde, casi nunca está buscando una respuesta binaria. Lo que quiere saber es si esa tarjeta puede resolver una tarea concreta con un costo razonable. Una Tesla K80, por ejemplo, puede seguir siendo útil en ciertos escenarios por su memoria y su precio de remate, pero no necesariamente es buena idea si tu prioridad es eficiencia energética o soporte moderno de software.

La clave está en separar tres cosas: rendimiento bruto, compatibilidad y costo total. Una GPU puede tener muchos teraflops en papel y aun así ser incómoda de usar porque necesita conectores raros, un sistema operativo específico o una refrigeración agresiva. En cambio, otra más modesta puede rendir menos por segundo, pero darte menos dolores de cabeza en un servidor casero.

Si tu caso es IA, cómputo o un lab de pruebas, no te conviene pensar solo en “cuántos FPS da”. Te conviene pensar en cuánto trabajo resuelve por dólar, por watt y por hora de tu tiempo. Esa es la diferencia entre una compra inteligente y una compra barata que termina guardada en un cajón.

La métrica que sí te ayuda: trabajo por dólar

Para evaluar una GPU usada, una métrica práctica es cuánto trabajo resuelve por cada dólar invertido. No tiene que ser una fórmula perfecta; basta con mirar tres variables:

1. Precio de compra en el mercado usado.
2. Consumo real bajo carga.
3. Rendimiento en tu workload específico.

Si una tarjeta cuesta poco pero consume muchísimo, el ahorro inicial se te puede ir en fuente, ventilación y electricidad. Si además necesitas adaptadores o una placa madre específica, el costo real sube todavía más. Por eso muchos benchmarks de hardware viejo son útiles: te sacan de la intuición y te ponen números encima.

Qué cargas modernas importan de verdad

No todas las cargas modernas castigan igual a una GPU antigua. Las más relevantes suelen ser estas:

• Inference de modelos pequeños o medianos.
• Batch processing con CUDA.
• Render o cómputo general en herramientas que todavía soportan GPUs viejas.
• Laboratorios de aprendizaje para probar drivers, contenedores y pipelines.

Si tu objetivo es correr modelos muy grandes o features recientes de frameworks actuales, la historia cambia rápido. La memoria, el soporte de tensor cores y la compatibilidad con versiones nuevas de CUDA pueden dejar fuera a varias tarjetas antiguas aunque todavía enciendan y funcionen.

Qué midió el benchmark y por qué importa

El benchmark de referencia comparó 15 GPUs viejas en cargas modernas, lo cual es más útil que ver una tabla de especificaciones de 2014. En este tipo de pruebas, lo que importa no es el prestigio del chip, sino cuánto trabajo concreto termina haciendo. Si una Tesla de hace años todavía puede mover un pipeline de inferencia o un workload de cómputo con tiempos aceptables, sigue teniendo valor.

Ese enfoque también sirve para bajar expectativas. Muchas veces se habla de hardware de segunda mano como si fuera una ganga automática, pero no todas las tarjetas envejecen igual. Algunas siguen teniendo memoria suficiente y buen ancho de banda, mientras que otras quedan limitadas por arquitectura, drivers o por una eficiencia tan mala que te sale más caro mantenerlas encendidas que comprar algo más nuevo.

Hay otro punto importante: el benchmark de esologic no se centra en marketing, sino en uso real. Eso es útil porque, en Latinoamérica, el hardware usado suele comprarse para resolver problemas concretos: una workstation barata, un nodo de pruebas, una máquina para IA local o un servidor de experimentación. Ahí el rendimiento sintético por sí solo no alcanza.

Tesla, Quadro y GeForce no compiten en el mismo terreno

Aunque a veces se meten en la misma bolsa, no todas las GPUs viejas están pensadas para lo mismo. Las Tesla suelen tener memoria y perfil de cómputo más orientado a servidores; las Quadro apuntaban a estaciones de trabajo; las GeForce suelen ser más fáciles de conseguir y más amigables para uso general, pero con menos tolerancia a ciertos escenarios de laboratorio.

En la práctica, eso cambia mucho la compra. Una Tesla vieja puede ser una buena opción si consigues refrigerarla bien y tu software la reconoce. Una GeForce usada puede ser más simple de instalar en una PC común, pero quizá no te dé la misma memoria o estabilidad bajo carga continua. Y una Quadro antigua puede quedar en un punto intermedio, aunque no siempre a mejor precio.

Lo que sí vale mirar antes de comprar

Antes de sacar la tarjeta del marketplace, revisa estos puntos:

• Memoria VRAM real disponible.
• Consumo típico y conectores de energía.
• Compatibilidad con la versión de CUDA o drivers que necesitas.
• Tipo de enfriamiento: pasivo, blower o open-air.
• Tamaño físico y si entra en tu gabinete o chasis.

Si compras para un laboratorio, también revisa si la placa base y la fuente aguantan el arranque. Muchas GPUs viejas fueron pensadas para servidores o estaciones de trabajo con airflow muy distinto al de una torre doméstica. Ese detalle cambia todo.

Rendimiento real frente a cargas modernas

La parte interesante de este tipo de pruebas es que no solo te dicen qué tan vieja es una GPU, sino qué tan útil sigue siendo. En cargas modernas, la edad por sí sola no mata a una tarjeta; lo que la mata es la combinación de poca memoria, baja eficiencia y soporte limitado. Por eso algunas GPUs antiguas todavía aparecen como opciones razonables para tareas específicas.

En IA local, por ejemplo, no siempre necesitas la tarjeta más nueva. Si tu modelo cabe en VRAM y el stack de software la soporta, una GPU vieja puede hacer el trabajo. El problema aparece cuando quieres escalar: más contexto, más batch size, más precisión, más velocidad. Ahí las limitaciones se vuelven visibles muy rápido.

En cómputo general pasa algo parecido. Una GPU vieja puede servir para acelerar ciertos procesos, pero no esperes que compita con hardware moderno en eficiencia. A veces el cuello de botella no está en la potencia de cálculo, sino en la memoria o en la falta de soporte para features actuales del software.

Ejemplo práctico: lo barato no siempre sale caro, pero sí consume más

Imagina que consigues una GPU antigua por muy poco dinero. Si la usas dos horas al día para pruebas y aprendizaje, quizá te salga perfecta. Si la dejas encendida 24/7 para inferencia o jobs de laboratorio, el consumo empieza a importar mucho más. Una tarjeta que gasta 250 W frente a otra que gasta 120 W cambia bastante la factura al cabo de un año.

Ese cálculo es especialmente relevante en países donde la energía no es barata o donde el calor obliga a usar ventilación adicional. En Ecuador, México, Colombia o Perú, montar un lab sin pensar en temperatura y consumo puede convertir una compra inteligente en un problema operativo. El hardware usado no se evalúa solo por precio de sticker.

Tabla comparativa práctica para decidir

Si haces esta comparación con calma, muchas decisiones se aclaran solas. Una GPU vieja no compite por ser la más rápida; compite por ser suficientemente buena y no darte trabajo extra. Y eso, en un lab o en un proyecto personal, vale bastante.

Cuándo sí conviene comprar una GPU vieja

Hay escenarios donde el hardware de segunda mano tiene mucho sentido. El primero es aprendizaje. Si quieres entender CUDA, montar scripts de inferencia o practicar administración de drivers, una GPU vieja barata te deja cometer errores sin arruinar el presupuesto. El segundo es laboratorio. Si necesitas una máquina de pruebas para contenedores, benchmarking o validación de pipelines, la prioridad no siempre es la eficiencia máxima.

También conviene cuando el software que usarás no exige soporte de última generación. Hay herramientas que siguen funcionando bien con GPUs antiguas, especialmente en cómputo general o inferencia básica. Si tu objetivo es probar ideas, automatizar tareas o servir modelos pequeños, una tarjeta usada puede ser suficiente.

El tercer caso es el de repuestos o nodos temporales. Si ya tienes infraestructura y solo necesitas una GPU adicional para un proyecto puntual, comprar usada puede ser una forma razonable de extender capacidad sin hacer una inversión grande. Ahí el costo de oportunidad pesa más que la perfección técnica.

Cuándo no conviene

No te conviene si buscas eficiencia energética, soporte largo o compatibilidad con stacks recientes sin pelearte con versiones. Tampoco si vas a depender de la máquina para producción y no tienes tiempo para diagnosticar fallas de ventilación, drivers o memoria. El hardware viejo puede ser estable, pero no siempre es predecible.

Tampoco es buena idea si el precio usado se acerca demasiado al de una GPU más nueva con mejor soporte. En ese caso, el ahorro aparente desaparece cuando sumas electricidad, adaptadores, fuente y tiempo de configuración. Si el diferencial es pequeño, la opción nueva suele salir mejor.

Cómo comprar sin equivocarte tanto

Si te interesa una GPU vieja, no compres solo por la foto o por el nombre del modelo. Haz una revisión mínima antes de pagar. Eso te ahorra devoluciones, piezas defectuosas y horas de frustración. En hardware usado, el estado real vale más que la ficha técnica.

Un proceso simple te puede salvar bastante. No necesitas convertirte en técnico de laboratorio, pero sí tener una checklist básica y respetarla. Eso aplica igual si compras en Facebook Marketplace, Mercado Libre, tiendas de refurbished o importación directa.

1. Pide foto de la tarjeta encendida y, si se puede, captura de GPU-Z o nvidia-smi.
2. Verifica el modelo exacto, no solo el nombre comercial.
3. Pregunta si fue usada en minería, render o servidor 24/7.
4. Revisa si incluye bracket, adaptadores o fuente recomendada.
5. Confirma el tipo de refrigeración y el estado de los ventiladores.
6. Calcula el costo total con envío, impuestos y posible mantenimiento.

Si el vendedor no puede mostrar pruebas básicas, asume riesgo alto. En tarjetas viejas, una foto bonita no dice nada sobre memoria degradada, ventiladores ruidosos o fallas intermitentes bajo carga.

En qué documentación te puedes apoyar

Si vas a comparar compatibilidad o drivers, conviene ir a las fuentes oficiales. NVIDIA mantiene documentación útil para CUDA y para el stack de software, y eso te ayuda a confirmar si tu GPU todavía entra en el rango soportado. Puedes revisar la documentación oficial de CUDA en https://docs.nvidia.com/cuda/ y la guía de instalación de drivers en https://docs.nvidia.com/datacenter/tesla/.

También vale la pena mirar la documentación de tu framework. Si usas PyTorch, por ejemplo, la guía oficial de instalación y compatibilidad te dice qué combinaciones de CUDA, Python y drivers tienen sentido. Eso evita comprar una GPU que luego te obliga a congelar versiones o a pelear con contenedores viejos.

Tabla resumen

Si te quedas con una sola idea, que sea esta: una GPU vieja no se compra por nostalgia ni por precio bajo, se compra por trabajo útil. Cuando la comparas contra tus cargas reales, muchas decisiones dejan de ser intuitivas y se vuelven bastante claras. A veces la respuesta es sí, a veces es no, y casi siempre depende más del contexto que del modelo impreso en el disipador.