Análisis del Precio de una RTX 5090 Usada y el Costo Real de un Centro de Datos para IA en Chile

El mercado de hardware en Chile está experimentando un cambio interesante este junio de 2026. Con la popularidad de los modelos de inteligencia artificial local, muchos entusiastas y desarrolladores están buscando tarjetas gráficas con mucha memoria VRAM para ejecutar LLMs o entrenar redes neuronales sin depender de la nube. Uno de los componentes más demandados es, por supuesto, la NVIDIA RTX 5090.

El precio real de una RTX 5090 usada en Chile

Si bien el MSRP oficial de la tarjeta es de US$1.999, el mercado secundario actual muestra que comprarla nueva o usada implica pagar un premium significativo. Las ventas registradas indican que puedes encontrar modelos como la ASUS TUF o la MSI Gaming Trio OC por cerca de US$2.575. Al convertirlo a la tasa del 3 de junio, esto equivale aproximadamente a los 2,4 millones de pesos chilenos.

Es importante notar que las ofertas más baratas rondan los US$2.800 en el mercado habitual. Cualquier precio por debajo de los US$2.300 debería generar sospechas sobre la condición de la tarjeta o posibles reparaciones no declaradas.

Alternativas con VRAM igual o mayor

A veces, buscar una alternativa a la RTX 5090 es la mejor estrategia. Si tu criterio es tener igual o más memoria que la versión Blackwell de 32 GB, el panorama se vuelve peculiar porque las alternativas son tarjetas profesionales.

La gran anomalía del mercado es la NVIDIA RTX A6000. Esta tarjeta de trabajo ofrece una impresionante 48 GB de VRAM, y gracias a que muchas empresas están renovando su parque tecnológico, se puede encontrar usada por precios que compiten directamente con la 5090. Para tareas de IA local o renderizado, esos 48 GB extra pueden ser más valiosos que la potencia bruta adicional.

Por otro lado, la NVIDIA RTX PRO 6000 Blackwell llega con hasta 96 GB de memoria GDDR7 ECC. Aunque es la GPU profesional más potente, sus precios usados rondan los US$8.500 a 10.000.

Armar un centro de datos para IA: una inversión considerable

Dado estos precios, armar un centro de datos habilitado para inteligencia artificial es sin duda una inversión considerable. No basta con comprar las GPUs; la infraestructura completa dispara el presupuesto rápidamente.

Además del hardware, debes considerar los requisitos físicos: una sola RTX 5090 puede consumir cerca de 575 W por sí sola, lo que significa que un equipo con múltiples aceleradores requerirá fuentes de poder masivas y sistemas de refrigeración avanzados. El costo de la electricidad para mantener un rack pequeño funcionando 24 horas al día se convierte en un gasto mensual relevante.

El desafío de escalar a tareas multiusuario

Aunque el hardware es costoso, hay un problema técnico fundamental: no existe una forma elegante de escalar esta infraestructura para tareas multiusuario con hardware de consumo. Los modelos son enormes y la VRAM no se comparte fácilmente entre las GPUs.

Para atender a muchos usuarios sin que la latencia sea insoportable, el cuello de botella actual ya no es tanto la potencia de cálculo como el tiempo ocioso de los aceleradores. Si tienes una GPU esperando usuarios el 90% del día, la rentabilidad se derrumba.

Por eso, en lugar de intentar escalar con más hardware de consumo, las soluciones modernas dependen de técnicas avanzadas como Tensor Parallelism para dividir modelos entre GPUs, y sistemas de colas para agrupar peticiones. El verdadero desafío es administrar el hardware como una aerolínea o un hotel: tener la capacidad lista, pero aprovecharla al máximo sin que los usuarios noten que están compartiendo recursos.