España · EUR
16, 24 o 32 GB de VRAM: qué necesitas para IA
Elegiría 16 GB de VRAM para proyectos que caben con el contexto y margen necesarios. Subiría a 24 GB cuando esa capacidad permite el modelo que realmente quiero utilizar; una RTX 3090 usada es una opción si aceptas sus condiciones. Elegiría 32 GB con una RTX 5090 cuando la carga y el presupuesto justifican la estación. Más VRAM permite plantear otros tamaños de trabajo, pero no garantiza más velocidad por sí sola.
Qué elegir según tu caso
Clase de 16 GB

GIGABYTE GeForce RTX 5070 Ti Eagle OC SFF 16G Tarjeta Gráfica - 16GB GDDR7, 256 bits, PCI-E 5.0, 2542 MHz Core Clock, 3 x DP 2.1a, 1 x HDMI 2.1b, NVIDIA DLSS 4, GV-N507TEAGLE OC-16GD
Para un proyecto que cabe y se beneficia de una tarjeta nueva de uso mixto.
1.496,24 €
Precio del 16/11/2026 09:48 · hora de Madrid
Comprar en Amazon ↗Clase de 24 GB

Gigabyte Technology AORUS GeForce RTX 3090 Master - Tarjeta gráfica (24 GB), GV-N3090AORUS M-24GD
Para un límite de memoria que justifica estudiar una tarjeta usada.
1.499,99 €
Precio del 11/11/2026 18:57 · hora de Madrid
Comprar en Amazon ↗Clase de 32 GB

GIGABYTE AORUS GeForce RTX 5090 Master Ice 32G Tarjeta Gráfica - 32GB GDDR7, 512 bits, PCI-E 5.0, 2655MHz Frecuencia Base, 3 x DP 2.1a, 1 x HDMI 2.1b, NVIDIA DLSS 4, GV-N5090AORUSM ICE-32GD
Para una necesidad mayor de capacidad y un presupuesto acorde con toda la estación.
7.399,55 €
Precio del 16/11/2026 05:51 · hora de Madrid
Comprar en Amazon ↗Precios y configuraciones en Amazon

GIGABYTE GeForce RTX 5070 Ti Eagle OC SFF 16G Tarjeta Gráfica - 16GB GDDR7, 256 bits, PCI-E 5.0, 2542 MHz Core Clock, 3 x DP 2.1a, 1 x HDMI 2.1b, NVIDIA DLSS 4, GV-N507TEAGLE OC-16GD
1.496,24 €
Precio del 16/11/2026 09:48 · hora de Madrid
Nuevo
Comprar en Amazon ↗
ASUS Dual GeForce RTX 5060 Ti 16GB GDDR7 OC Edition - Tarjeta gráfica | PCIe 5.0, 16GB GDDR7, DLSS 4, HDMI 2.1b, DisplayPort 2.1b, diseño de 2.5 ranuras, ventilador Axial-tech, tecnología 0dB
838,99 €
Precio del 16/11/2026 09:48 · hora de Madrid
Nuevo
Comprar en Amazon ↗
GIGABYTE AORUS GeForce RTX 5090 Master Ice 32G Tarjeta Gráfica - 32GB GDDR7, 512 bits, PCI-E 5.0, 2655MHz Frecuencia Base, 3 x DP 2.1a, 1 x HDMI 2.1b, NVIDIA DLSS 4, GV-N5090AORUSM ICE-32GD
7.399,55 €
Precio del 16/11/2026 05:51 · hora de Madrid
Nuevo
Comprar en Amazon ↗
Gigabyte Technology AORUS GeForce RTX 3090 Master - Tarjeta gráfica (24 GB), GV-N3090AORUS M-24GD
1.499,99 €
Precio del 11/11/2026 18:57 · hora de Madrid
Usado
Comprar en Amazon ↗
Zotac Gaming RTX 4090 Trinity OC 24Go
4.789,99 €
Precio del 16/11/2026 08:21 · hora de Madrid
Nuevo
Comprar en Amazon ↗
ASUS Prime GeForce RTX 5070 Ti 16GB GDDR7 OC Edition - Tarjeta gráfica | Compatible con SFF, PCIe 5.0, 16GB GDDR7, HDMI/DP 2.1, 2.5 ranuras, ventiladores Axial-tech, BIOS dual
1.499,00 €
Precio del 16/11/2026 09:48 · hora de Madrid
Nuevo
Comprar en Amazon ↗
MSI GeForce RTX 5060 Ti 16G VENTUS 2X OC PLUS - Tarjeta gráfica | RTX 5060 Ti, 16GB GDDR7 (28Gbps/128-bit), PCIe 5.0 - Diseño térmico de doble ventilador - HDMI 2.1b, DisplayPort 2.1
885,63 €
Precio del 16/11/2026 05:49 · hora de Madrid
Nuevo
Comprar en Amazon ↗
ASUS TUF Gaming GeForce RTX 5090 32GB GDDR7 OC Edition - Tarjeta gráfica | PCIe 5.0, HDMI/DP 2.1, 3.6 ranuras, grado militar, revestimiento PCB, ventiladores axial-tech, cámara de vapor
7.964,20 €
Precio del 16/11/2026 08:21 · hora de Madrid
Nuevo
Comprar en Amazon ↗Los precios pueden cambiar. El importe final y las condiciones de venta son los que muestra Amazon al comprar.
Guía para decidir la compra
Tres situaciones que deciden la capacidad
Si el modelo y el contexto caben cómodamente en 16 GB, comprar más memoria puede aportar poco a ese trabajo concreto. Si el proyecto necesita algo más, 24 GB puede abrir una opción que antes no era viable. Para cargas mayores, 32 GB amplía de nuevo el margen. No son categorías universales de calidad: un modelo pequeño muy útil puede ser preferible a otro mayor que responde demasiado despacio o no cumple la tarea.
Por qué el contexto puede cambiar tu compra
Un documento largo y varias solicitudes simultáneas añaden memoria además de los pesos. La misma tarjeta puede resultar suficiente para una conversación corta y quedarse ajustada con otra configuración. En generación de imágenes también influyen resolución y componentes. Usa una calculadora para descartar límites evidentes, pero valida el programa real. Si cambiar cuantización o contexto mantiene la calidad que necesitas, esa modificación puede ser más razonable que una gran ampliación de hardware.
Por qué elegir cada opción
GeForce RTX 5070 Ti de 16 GB: clase de 16 gb
Para un proyecto que cabe y se beneficia de una tarjeta nueva de uso mixto. La elegiría para combinar CUDA, trabajo creativo y juegos, siempre que el modelo de IA quepa en 16 GB con su contexto. Es una compra nueva más fácil de mantener que una tarjeta antigua usada, pero no reemplaza 24 GB por el hecho de ser más reciente. Entre ensambladores priorizaría que la tarjeta entre en la caja, tenga una alimentación adecuada y no cueste mucho más por una pequeña diferencia de frecuencia.
GeForce RTX 3090 de 24 GB, usada: clase de 24 gb
Para un límite de memoria que justifica estudiar una tarjeta usada. La consideraría para un proyecto que necesita más de 16 GB de VRAM y acepta comprar hardware usado. Su ventaja principal en esta comparación es la capacidad, no una promesa de mayor velocidad en todos los programas. El precio razonable depende del estado, la garantía del vendedor y de si tu caja y fuente ya son adecuadas. Para un primer PC sin experiencia con segunda mano preferiría una opción nueva compatible.
GeForce RTX 5090 de 32 GB: clase de 32 gb
Para una necesidad mayor de capacidad y un presupuesto acorde con toda la estación. Mi opción de estas tarjetas cuando un proyecto justifica 32 GB y una estación de alto presupuesto. Antes de pagar por ella reservaría dinero para la fuente, la caja, la ventilación y el resto del ordenador. No la elegiría para resolver tareas esporádicas que ya caben en una GPU más económica. La capacidad de una 5090 de sobremesa no debe confundirse con una variante de portátil que comparte parte del nombre.
Memoria del modelo, contexto y margen de trabajo
El tamaño del archivo del modelo no es toda la memoria necesaria para ejecutarlo. Además de los pesos, el programa utiliza memoria de trabajo y conserva información de la conversación. Un contexto más largo y varias solicitudes simultáneas pueden cambiar la capacidad que necesitas. La cuantización reduce el tamaño de los pesos, pero también cambia la calidad y el comportamiento del modelo.
Como primera aproximación, los pesos de un modelo de 8.000 millones de parámetros a 4 bits ocupan unos 4.000 millones de bytes antes de añadir estructuras y memoria de ejecución. Esa cuenta ayuda a descartar compras claramente insuficientes, pero no demuestra que un proyecto concreto vaya a caber. Elige el modelo, la cuantización, el contexto y el programa antes de fijar una cifra de VRAM. Después deja margen para el sistema y verifica la carga real; una configuración que funciona justo puede resultar incómoda en sesiones largas.
Qué significa que un modelo funcione bien
Que un modelo se cargue no significa que vaya a responder a una velocidad cómoda. La carga inicial, el procesamiento de un documento largo y la generación de la respuesta son fases distintas. Un resultado útil debe indicar el modelo y su versión, cuantización, contexto, programa y configuración. Sin esos datos, dos cifras de rendimiento pueden describir trabajos muy diferentes.
Para un asistente personal tolerarás una espera distinta que para varias personas consultando un servidor. La memoria determina qué cabe; el ancho de banda y la capacidad de cálculo influyen en lo que tarda. En generación de imágenes importan también la resolución, el número de pasos y los componentes cargados. Comprar por un único resultado promocional puede llevarte a una configuración cara que mejora poco tu tarea. Define primero qué tiempo de respuesta necesitas y compara con esa misma carga.
El programa decide qué acelerador te sirve
CUDA, ROCm, Metal y Vulkan no son nombres intercambiables. Una herramienta que depende de una biblioteca CUDA puede necesitar NVIDIA aunque otra herramienta ejecute el mismo modelo en una GPU AMD o en Apple Silicon. La compatibilidad también cambia con el sistema operativo y la versión del programa. Una ficha que anuncia muchos TOPS de NPU no demuestra que esa NPU acelere el flujo que vas a utilizar.
Para Ollama o LM Studio, identifica primero el backend disponible para tu equipo y consulta la compatibilidad actual. Para nodos de imagen, entrenamiento o extensiones específicas, comprueba además sus dependencias. Elegir una máquina con más memoria pero sin soporte para el programa puede ser una compra peor que una configuración más modesta compatible. En un proyecto de trabajo, la opción prudente es reproducir una tarea pequeña con el mismo entorno antes de comprometer todo el presupuesto.
Presupuesta la estación completa
Una gráfica no es un ordenador completo. Para instalarla debes disponer de una caja con espacio, una fuente adecuada, los conectores correctos y ventilación suficiente. Una tarjeta usada barata puede dejar de serlo si obliga a cambiar la mitad del equipo. Añade también RAM del sistema y almacenamiento para los modelos, archivos temporales y datos de trabajo.
En un mini PC de memoria unificada o un Mac, el coste se concentra en la configuración inicial y la ampliación puede ser limitada. En una torre puedes sustituir piezas, aunque eso no implica que cualquier ampliación sea compatible. Para un proyecto que crecerá, elige qué parte necesitas ampliar: memoria, almacenamiento, GPU o acceso de varios usuarios. No pagaría por todo a la vez sin un motivo; reservar presupuesto para la siguiente necesidad suele ser mejor que comprar la opción más cara por precaución.
Preguntas frecuentes
¿Cuánta VRAM necesita un modelo de cierto tamaño?
Depende de cuantización, arquitectura, contexto y programa. No doy una capacidad exacta solo por el número de parámetros sin esos datos.
¿24 GB siempre son mejores que 16 GB?
Para un trabajo que necesita la capacidad, sí pueden ser decisivos. Para uno que ya cabe, debes comparar velocidad, precio y condición de la tarjeta.
¿Puedo sumar dos tarjetas pequeñas?
Solo si el programa y la configuración permiten repartir el trabajo. No asumiría que dos tarjetas forman automáticamente una única memoria sin penalizaciones.
¿Cuándo compraría 32 GB?
Cuando el proyecto lo exige o el conjunto de usos justifica una estación de ese coste. No sería mi compra por defecto para aprender con un asistente local.
Mi recomendación
Elige la menor clase de memoria que sostenga tu proyecto con margen. Dentro de ella, compara rendimiento y coste; si no cabe, la potencia adicional de otra GPU de igual capacidad no resuelve el límite.
Documentación de los fabricantes y del software
Como afiliado de Amazon, Cloudzat obtiene ingresos por las compras adscritas que cumplen los requisitos aplicables.