Hardware
DGX Spark: la sala de servidores que cabe en una mesa
Hace tres años, montar un modelo de lenguaje serio en tus propias oficinas empezaba por hablar con un electricista. Sala con climatización, circuito eléctrico dedicado, un rack con GPU de centro de datos y alguien de sistemas que lo cuidara. Para una empresa de 40 o 60 empleados, la conversación se acababa ahí. Entre 2025 y 2026 esa barrera ha desaparecido casi del todo: el DGX Spark de NVIDIA mete 128 GB de memoria unificada en un equipo de sobremesa que se enchufa a la pared. Este artículo hace la cuenta: qué modelos caben de verdad, qué aporta emparejar dos unidades y por qué esto reescribe el punto de entrada para una pyme.
Lo que exigía esto en 2023
Empecemos por la aritmética que mandaba entonces. Un modelo de 70.000 millones de parámetros en FP16 ocupa unos 140 GB solo en pesos: 2 bytes por parámetro. Las GPU de centro de datos de referencia rondaban los 80 GB, así que había que repartir el modelo entre varias tarjetas unidas dentro de un servidor de rack.
Y el rack no venía solo. Arrastraba refrigeración dedicada, alimentación de varios kilovatios, ruido que impedía tenerlo cerca de personas y un mantenimiento que ninguna plantilla pequeña quería asumir. La alternativa era la nube: funcionaba, pero tus documentos salían de tu oficina y la factura crecía con cada consulta. Para la mayoría de pymes españolas, la IA propia, sencillamente, ni se planteaba.
Qué es el DGX Spark
El DGX Spark es un equipo de sobremesa construido sobre el superchip GB10 Grace Blackwell de NVIDIA. El dato que lo cambia todo: 128 GB de memoria unificada, compartida entre CPU y GPU. Los pesos del modelo no hay que trocearlos entre la RAM del sistema y la memoria gráfica; caben, o no caben, en un solo número.
Físicamente es un equipo compacto que cabe en cualquier escritorio. Se alimenta de un enchufe normal y no necesita climatización especial ni instalación eléctrica dedicada. NVIDIA lo anuncia con capacidad para ejecutar modelos de hasta 200.000 millones de parámetros en una sola unidad, usando cuantización FP4. Es decir: la máquina que en 2023 era una sala, hoy comparte mesa con el monitor.
La aritmética: qué modelos caben
La regla es simple: bytes por parámetro. En FP16, cada parámetro ocupa 2 bytes; en FP8, 1 byte; en NVFP4, algo más de medio byte, porque a los 4 bits de cada valor se suma una escala FP8 por cada bloque de 16 (0,5625 bytes). Con eso, la cuenta de un modelo de 70.000 millones de parámetros sale sola: 140 GB en FP16, no cabe; 70 GB en FP8, cabe con espacio de sobra; 39 GB en NVFP4, ocupa algo menos de un tercio de la memoria.
Ese margen importa, porque el modelo no está solo: la caché de contexto, lo que el modelo retiene de cada conversación o documento, también consume memoria y crece con cada usuario simultáneo. Por eso el terreno realista de un Spark no es apurar el techo de 200.000 millones, sino servir con holgura modelos abiertos compactos, como Qwen3.8-27B, o repartir un MoE cuantizado entre dos unidades. Ahí ya se resuelven redacción, búsqueda sobre documentación interna con RAG y asistentes de área.
Si quieres dimensionar tu caso concreto, en la guía de qué GPU necesita tu empresa desarrollamos esta cuenta paso a paso, con contexto y usuarios incluidos.
En tándem: dos unidades trabajando juntas
Dos Spark se conectan entre sí por su red ConnectX integrada y suman 256 GB de memoria. NVIDIA cifra el techo del par en modelos de hasta 405.000 millones de parámetros, de nuevo con FP4. Es el dato de catálogo, y es real, pero para una pyme la lectura útil suele ser otra.
Con dos unidades puedes separar funciones: una sirve el modelo principal en producción y la otra hace fine-tuning con tus datos, genera embeddings o prueba la siguiente versión sin tocar lo que ya funciona. O puedes servir el mismo modelo con más usuarios simultáneos y más contexto. Y si el uso crece de verdad, la escalera continúa con la misma arquitectura: DGX Station GB300 con 748 GB de memoria y, arriba del todo, HGX B300 NVL8 con 8 GPU Blackwell Ultra y 2,3 TB de HBM3e. Del escritorio al centro de datos sin reescribir nada.
Qué significa para una pyme: la puerta de entrada realista
El cambio de fondo no es técnico, es organizativo. En 2023, plantearse IA propia era abrir un proyecto de obra e infraestructura antes de escribir la primera línea de software. En 2026 es recibir una caja, enchufarla y dedicar la energía a lo que de verdad marca la diferencia: qué datos le das al modelo, qué procesos automatizas y quién lo usa cada día.
Para sectores con datos sensibles como banca, sanidad, legal o industria hay un efecto añadido: la inferencia ocurre en tu oficina, así que tus documentos no viajan a un tercero. Eso no te exime del RGPD ni del AI Act europeo, pero simplifica mucho la conversación con tu DPO: el dato nunca sale de casa.
Y una advertencia honesta, porque el recuerdo de que hace tres años esto era imposible no debe empujarte a comprar por comprar: si hoy gastas poco en APIs de IA, un equipo propio probablemente no te compensa todavía. El hardware ha bajado la puerta de entrada; cruzarla solo tiene sentido si tu uso la justifica.