Cuando estudiaba diseño había algo que uno terminaba aprendiendo por las malas: una computadora lenta no solamente tarda más en hacer las cosas, también cambia la manera en la que trabajas. Si mover una luz tarda treinta segundos, probablemente la muevas menos veces; si aplicar un efecto congela la pantalla, comienzas a pensar dos veces antes de probarlo y si renderizar una escena toma toda la noche, eventualmente aprendes a cruzar los dedos antes de irte a dormir esperando que ninguna textura explote a las cuatro de la mañana. Todo esto sigue existiendo, desde luego, pero el hardware actual tiene algo interesante que no teníamos hace algunos años: la GPU se ha ido metiendo poco a poco en una cantidad enorme de procesos creativos que antes dependían casi completamente del CPU, y ahora también tenemos inteligencia artificial ejecutándose dentro de la misma computadora.
Ese es precisamente el argumento que plantea Alexandre Ziebert, Gerente de Technical Marketing para Latinoamérica de NVIDIA, alrededor del uso de GPUs entre estudiantes y creadores. Evidentemente estamos hablando del fabricante que quiere vendernos la GPU, así que hay que separar el discurso comercial de lo que realmente está sucediendo debajo del cofre, pero la premisa tiene sentido: una GeForce RTX moderna incorpora hardware dedicado para gráficos, ray tracing, operaciones matriciales utilizadas por IA y codificación y decodificación de video, mientras que las aplicaciones creativas llevan años aprendiendo a aprovechar cada vez más estas unidades. NVIDIA habla actualmente de más de 100 aplicaciones creativas aceleradas o con funciones de IA dentro de su ecosistema RTX, incluyendo Adobe Creative Cloud, Blender, DaVinci Resolve y OBS Studio.
Aquí también hay una aclaración importante antes de seguir. El material proporcionado por NVIDIA habla específicamente de estudiantes mexicanos, pero no incluye una encuesta o medición que nos diga cuántos estudiantes en México utilizan ya una GPU para IA local, edición o generación de contenido. Lo que sí podemos comprobar son las capacidades técnicas que describe la compañía y preguntarnos por qué pueden ser interesantes para ese perfil de usuario. Son dos cosas diferentes y prefiero decirlo desde ahora antes de terminar convirtiendo una campaña dirigida a estudiantes en una supuesta tendencia estadística nacional.
Qué puede hacer la GPU dentro de un flujo creativo
| Tipo de trabajo | Qué puede acelerar la GPU | Ejemplos |
|---|---|---|
| Edición de video | Reproducción, decodificación, efectos, composición y exportación según aplicación y codec | Adobe Premiere, DaVinci Resolve |
| Renderizado 3D | Ray tracing, path tracing y cálculo de escenas | Blender y renderers compatibles |
| IA generativa local | Inferencia de modelos de lenguaje, generación de imágenes y video | LM Studio, Ollama, ComfyUI |
| Denoising | Reconstrucción de imágenes con pocas muestras para obtener previews más limpias | NVIDIA OptiX |
| Viewports 3D | Reconstrucción de imagen y generación de cuadros cuando la aplicación lo implementa | D5 Render, futuras versiones de Blender |
| Streaming | Codificación de video y efectos basados en IA | OBS Studio, NVIDIA Broadcast |
| Funciones IA en aplicaciones | Máscaras, mejora de imagen, procesamiento y otras herramientas específicas | Depende de cada aplicación |
La GPU ya no es solamente la cosa que dibuja los juegos
Durante mucho tiempo era sencillo explicar qué hacía una tarjeta gráfica: mandaba los gráficos a la pantalla y, si era suficientemente potente, los juegos corrían mejor. Sigue haciendo eso, claro, pero actualmente podemos verla más como un taller lleno de herramientas especializadas. Tenemos unidades programables para el procesamiento tradicional, RT Cores para determinados cálculos relacionados con ray tracing, Tensor Cores que pueden acelerar operaciones utilizadas por inteligencia artificial y bloques dedicados de video que codifican o decodifican determinados formatos sin tener que mandar todo ese trabajo al CPU. Después llega el software y decide qué herramientas del taller necesita utilizar.
Premiere es un buen ejemplo porque uno puede abrir el programa y sentir que está trabajando simplemente con video, pero por debajo están ocurriendo varias cosas diferentes. Adobe documenta aceleración por hardware para reproducción y exportación de H.264 y H.265, mientras que distintos efectos y procesos también pueden aprovechar la GPU dependiendo de la configuración. Eso no significa que metamos una RTX en cualquier laptop y mágicamente Premiere corra como mantequilla, porque todavía podemos quedarnos sin RAM, tener un SSD demasiado lento, trabajar con un codec incómodo o encontrarnos con un proceso que sencillamente depende mucho más del CPU; de hecho, quien haya editado proyectos pesados sabe perfectamente que las computadoras son muy creativas para encontrar un cuello de botella nuevo en cuanto solucionamos el anterior.
Pero la diferencia es precisamente esa: ahora tenemos más lugares donde repartir el trabajo.
Para un estudiante de producción audiovisual esto puede significar reproducción más fluida, menos tiempo exportando o la posibilidad de trabajar con efectos que en otro equipo serían demasiado pesados para utilizar de manera cómoda. Para alguien que modela en 3D el problema es distinto, porque ahí lo interesante puede ser poder mover una cámara dentro de una escena compleja sin convertir el viewport en una presentación de PowerPoint. En fotografía quizá nos importe menos el ray tracing, pero más las funciones de reducción de ruido, máscaras o procesamiento mediante IA. La misma GPU termina siendo una herramienta diferente dependiendo de qué demonios estemos haciendo con ella.
Y esto es justamente lo que vuelve un poco simplista recomendar una "laptop para estudiantes" como si todos estudiaran lo mismo. No necesita el mismo hardware alguien que hace documentos, ilustración y presentaciones que quien estudia arquitectura y tiene que mover modelos enormes, ni alguien que trabaja con programación y quiere comenzar a correr modelos de lenguaje localmente. El logo RTX en la computadora nos dice qué familia de tecnología hay dentro, no qué tanto la vamos a necesitar.
IA local: básicamente tener el servidor debajo del escritorio
Aquí es donde la cosa se vuelve mucho más interesante, porque la llegada de modelos que pueden ejecutarse localmente hace que una GPU deje de ser solamente un acelerador para una aplicación y pueda convertirse directamente en el músculo que mueve la IA.
Podemos pensarlo como la diferencia entre ir a comer a un restaurante y tener una cocina en casa. Cuando usamos ChatGPT, Gemini, Claude o cualquier servicio semejante en la nube, mandamos nuestra petición hacia computadoras que pertenecen a alguien más, ellos hacen el trabajo y nos regresan el resultado. Cuando descargamos un modelo y lo ejecutamos mediante LM Studio, Ollama u otra herramienta semejante, la cocina está en nuestra computadora: nosotros tenemos el horno, pagamos la electricidad y desde luego también tendremos que limpiar el desastre si algo sale mal, pero podemos cocinar cuantas veces queramos sin pagar cada plato individualmente. NVIDIA documenta actualmente flujos locales con LM Studio, Ollama y AnythingLLM sobre PCs RTX.
Esto explica de dónde viene la afirmación de NVIDIA de utilizar IA "sin límites" y sin cuotas de tokens, aunque hay que traducirla a castellano normal antes de emocionarnos demasiado. Si descargamos un modelo abierto y lo corremos enteramente en nuestra máquina, efectivamente no existe una empresa externa cobrándonos por cada token generado ni una cuota diaria que se agota después de cierto número de prompts. Podemos preguntarle veinte, doscientas o dos mil veces si queremos y la computadora seguirá intentando responder mientras tenga electricidad.
Pero obviamente sí hay límites. Siempre hay límites.
La VRAM es probablemente el primero que aprenderá a odiar cualquiera que se meta seriamente con IA local, porque el modelo y sus datos tienen que caber en algún sitio. Si no entran completamente dentro de la memoria de la GPU, dependiendo del software podemos descargar parte del trabajo hacia la RAM del sistema, solo que aquello que ya era rápido puede comenzar a caminar con botas de plomo. Después tenemos almacenamiento, potencia de cómputo, contexto, arquitectura del modelo y hasta temperatura o consumo eléctrico. No existe una cuota de tokens impuesta por un proveedor, pero eso no significa que una GeForce con memoria finita de pronto pueda mover cualquier modelo existente.
NVIDIA tiene incluso una guía actual para utilizar LM Studio con modelos grandes mediante GPU offloading, precisamente porque una parte del juego consiste en decidir cuánto del modelo puede permanecer en la GPU y cuánto termina en memoria del sistema. Es un compromiso muy parecido a muchas otras cosas en computación: puedes hacer que funcione, pero funcionar y funcionar rápido no siempre son sinónimos.
IA local vs IA en la nube
| Característica | IA local | IA en la nube |
|---|---|---|
| Dónde se procesa | En nuestra propia computadora | En servidores del proveedor |
| Internet | Puede funcionar offline una vez instalado todo | Generalmente necesita conexión |
| Tokens | No existen cuotas externas si usamos nuestro propio modelo | Pueden existir límites o cobro por consumo |
| Privacidad | Los datos pueden permanecer dentro del equipo | Los datos deben enviarse al servicio |
| Límite principal | GPU, VRAM, RAM, almacenamiento y potencia | Plan contratado y recursos del proveedor |
| Modelos grandes | Pueden ser difíciles o imposibles de ejecutar | Puede acceder a infraestructura mucho más potente |
| Costo por uso | Electricidad y hardware propio | Suscripción, créditos o API según servicio |
| Instalación | Puede requerir configuración y descargas grandes | Normalmente basta una app o navegador |
| Control | Podemos elegir modelo, versión y parámetros | Depende de lo que ofrezca el proveedor |
Lo de la privacidad también necesita asterisco
Hay otra afirmación que me gusta mucho en principio y que necesita matiz en la práctica: la IA local puede ser privada porque nuestros documentos no necesitan abandonar la computadora.
Esto puede ser importantísimo para un estudiante que trabaja con investigaciones, código propio, material audiovisual todavía no publicado o información que sencillamente no quiere enviar a un tercero. Si tenemos el modelo instalado, la inferencia ocurre localmente y la aplicación utilizada no está mandando información hacia otros servicios, podemos desconectar Internet y el modelo seguirá trabajando. NVIDIA ofrece actualmente recursos específicos para desarrollar y ejecutar IA local sobre RTX y posiciona precisamente el procesamiento dentro del dispositivo como una de sus ventajas.
Pero vuelvo al asunto de la cocina: cocinar en casa no garantiza que nadie esté mirando por la ventana. La privacidad depende también del programa que utilizamos, telemetría, extensiones, plugins, conexiones externas y servicios adicionales que hayamos integrado. "IA local" describe dónde sucede el cálculo, no es un certificado automático de seguridad.
Lo mismo ocurre con trabajar sin Internet. Sí, podemos hacerlo una vez que tenemos todo instalado, pero primero hay que bajar el programa y después los modelos, y algunos pesan decenas de gigabytes. En generación visual, NVIDIA mantiene actualmente tutoriales para ComfyUI y modelos locales en los que la descarga e instalación de pesos forman parte central de la configuración. Dicho de otra manera, la IA puede trabajar perfectamente offline después de que terminamos de bajar media Internet.
Aun así, para un estudiante tiene una ventaja muy concreta. No depender permanentemente de una conexión permite utilizar el equipo en lugares donde Internet es lento, inestable o simplemente inexistente, y además convierte la computadora en un laboratorio donde podemos romper modelos, probar parámetros, cambiar cuantizaciones y aprender qué está ocurriendo realmente sin pensar que cada experimento está gastando créditos.
Aquí probablemente está una de las diferencias más interesantes entre utilizar IA y aprender sobre IA.
En 3D, esperar menos significa equivocarse más, y eso es bueno
Cuando hablamos de creación 3D es muy fácil vender rendimiento mostrando cuánto menos tarda un render final, pero creo que hay otra parte mucho más importante: cuántas veces podemos equivocarnos antes de llegar a ese render.
Modelar, iluminar o animar es un proceso iterativo. Mueves algo, ves qué pasó, decides que quedó horrible, vuelves atrás, pruebas otra cosa, también queda horrible y después de veinte intentos aparece algo interesante. Si cada una de esas pruebas necesita varios minutos, nuestra propia paciencia comienza a decidir por nosotros. Si podemos visualizar los cambios casi en tiempo real, probamos más y por ende tenemos más oportunidades de descubrir una mejor solución.
Los RT Cores de las GeForce RTX están diseñados para acelerar determinadas operaciones de ray tracing, mientras que NVIDIA OptiX incluye un denoiser acelerado mediante IA que busca producir una imagen visualmente limpia antes de que el renderer haya terminado de calcular una cantidad enorme de muestras. No significa que ya tengamos el render terminado, sino que podemos obtener una aproximación útil mucho antes y continuar trabajando sobre ella.
DLSS también se está metiendo en este terreno, aunque aquí hay que evitar otro error bastante fácil: tener una GeForce RTX no hace que DLSS aparezca por arte de magia dentro de cualquier programa 3D. La aplicación necesita implementarlo. D5 Render, por ejemplo, utiliza tecnologías DLSS para mejorar la fluidez del viewport en escenas complejas, mientras que NVIDIA anunció en Computex 2026 que Blender Cycles integrará DLSS 4.5 Ray Reconstruction como nuevo denoiser dentro de Blender 5.3, con lanzamiento previsto para otoño de este año.
Esto me parece una distinción importante porque solemos confundir tres cosas: lo que puede hacer el hardware, lo que soporta el driver y lo que la aplicación realmente utiliza. Podemos tener un martillo magnífico en la caja, pero de poco sirve si el programa está tratando de meter el clavo con una cuchara.
Qué debería priorizar un estudiante según lo que hace
| Perfil | Qué conviene priorizar |
|---|---|
| Diseño gráfico | Buena pantalla, RAM suficiente, SSD y GPU acorde a las aplicaciones |
| Fotografía | Pantalla, almacenamiento, RAM y aceleración de IA cuando se utilice |
| Edición de video | GPU, motores de video, RAM, SSD rápido y CPU equilibrado |
| Animación / 3D | GPU potente, suficiente VRAM y buen CPU |
| Arquitectura / visualización | GPU, VRAM y rendimiento del viewport |
| IA generativa de imágenes | GPU y especialmente cantidad de VRAM |
| IA generativa de video | Mucha VRAM, almacenamiento y capacidad de cómputo |
| Programación con LLM local | VRAM y RAM dependiendo del tamaño del modelo |
| Streaming / creación de contenido | GPU con encoder dedicado, RAM y CPU equilibrado |
| Ofimática / clases generales | Autonomía, pantalla, peso y RAM suelen ser más importantes que una GPU dedicada |
Entonces, ¿necesita una RTX cualquier estudiante?
No.
Y probablemente esa es la parte menos emocionante de una campaña diseñada para vender computadoras con RTX.
Un estudiante que básicamente trabaja con documentos, navegación web, presentaciones y algunas aplicaciones ligeras puede vivir perfectamente sin una GPU dedicada y quizá le convenga muchísimo más gastar el dinero en una computadora con mejor pantalla, más batería, suficiente RAM o simplemente menor peso. Incluso dentro de diseño gráfico hay flujos donde una GPU monstruosa puede quedarse bostezando buena parte del día.
La cosa cambia cuando comenzamos a editar video pesado, trabajar con 3D, arquitectura, animación, generación de imágenes, modelos de lenguaje o determinadas aplicaciones de ingeniería. Ahí la GPU empieza a dejar de ser un accesorio y puede convertirse en parte fundamental de la experiencia, pero incluso entonces hay que elegirla pensando en el trabajo y no solamente en el número que aparece después de RTX.
Para IA local, por ejemplo, yo miraría con muchísimo cuidado la cantidad de VRAM. Para video revisaría también qué codecs vamos a utilizar y qué motores de codificación soporta el hardware. En 3D importa la potencia, desde luego, pero también cuánta memoria requiere nuestra escena. Si hacemos fotografía probablemente prefiramos invertir primero en una buena pantalla antes de sacrificarla por subir un escalón de GPU. El equipo correcto no es el que gana una tabla comparativa, es el que tiene menos ganas de atravesarse en nuestro camino.
Esto último parece una tontería hasta que uno trabaja todos los días con una computadora. Un benchmark puede decirnos que una máquina terminó una exportación veinte segundos antes, pero hay cosas difíciles de medir: si podemos dejar el preview en resolución completa mientras editamos, si nos atrevemos a meter otro efecto porque sabemos que no se va a arrastrar, o si podemos abrir un modelo local para preguntarle algo sin tener que decidir previamente si vale la pena gastar nuestros créditos de API, al final son pequeñas diferencias que terminan modificando hábitos.
También hay que aprender lo que estamos acelerando
Y aquí llegamos a la parte que probablemente me preocupa más de hablar de inteligencia artificial con estudiantes. Si una herramienta puede escribir, programar, generar una imagen o arreglar video mucho más rápido que nosotros, es extremadamente tentador confundir "obtener el resultado" con "haber aprendido a hacerlo".
No son lo mismo.
Un modelo puede generar una imagen técnicamente impresionante y aun así tener una composición pésima. Un denoiser puede limpiar un render sin tener idea de si nuestra iluminación cuenta la historia que queríamos contar. Un LLM puede entregar código que funciona y haber construido una arquitectura espantosa debajo. Eso no vuelve inútiles a las herramientas, todo lo contrario, pero hace mucho más importante saber juzgar lo que sale de ellas.
Cuando aprendíamos Photoshop también existía la tentación de encontrar el filtro que hacía algo bonito sin entender por qué, y eventualmente uno descubría que saber dónde estaba el botón no era lo mismo que saber diseñar. La IA simplemente lleva ese problema a una escala mucho mayor.
"Porque las mejores herramientas no son las que hacen el trabajo por nosotros, sino las que nos permiten imaginar más y crear mejor." Alexandre Ziebert, Gerente de Technical Marketing para Latinoamérica de NVIDIA.
Me gusta particularmente esa conclusión porque resume bastante bien dónde creo que está la utilidad real de todo este hardware. Una GPU más rápida no necesariamente debería servir para producir exactamente lo mismo en menos tiempo. También puede permitirnos intentar más cosas dentro del mismo tiempo y equivocarnos más (parece contraproducente, pero aprender consiste bastante en eso).
Antes comprábamos una computadora para correr programas, ahora también podemos comprarla para correr servicios
Quizá esta sea la parte que realmente cambió, durante décadas comprábamos una computadora pensando principalmente en qué aplicaciones queríamos ejecutar: Photoshop, Premiere, AutoCAD, Blender, algún videojuego y poco más. Si necesitábamos un servicio complejo, ese servicio normalmente vivía en Internet y nuestra máquina simplemente se conectaba a él.
La IA local comienza a borrar esa separación porque ahora podemos tener dentro de la misma laptop cosas que hace muy poco asociábamos casi exclusivamente con un servidor: un chatbot, generación de imágenes, reconocimiento, agentes, herramientas de programación o procesamiento avanzado de medios. NVIDIA está apostando fuertemente por esto y sus actuales equipos RTX para estudiantes se promocionan precisamente alrededor de aplicaciones aceleradas, modelos locales y generación dentro del dispositivo.
Eso no significa que la nube vaya a desaparecer. Los modelos más grandes seguirán necesitando una cantidad absurda de memoria y cómputo, y habrá servicios que tenga muchísimo más sentido rentar que intentar reproducir en una laptop. Pero ahora existe una franja intermedia donde la computadora personal vuelve a ser realmente personal: los datos pueden quedarse ahí, el modelo puede quedarse ahí y podemos decidir qué tanto queremos depender de terceros.
Para un estudiante creativo eso abre posibilidades bastante interesantes, solo que la recomendación no debería convertirse en "compra la RTX más grande que puedas", primero hay que preguntarse qué queremos hacer, después qué software utilizamos, luego cuánto hardware necesita y ya con eso podemos empezar a gastar dinero, que hacerlo al revés es muchísimo más divertido para los fabricantes, pero generalmente bastante peor para nuestra cartera.
Comentarios
Aún no hay comentarios. ¡Sé el primero en comentar!