La memoria DRAM instalada en una computadora personal permanece inactiva la mayor parte del día. Sam Altman, director ejecutivo de OpenAI, cifró esa subutilización en un 5% del tiempo de uso efectivo y lo presentó como un problema de asignación de recursos en un momento en que ese componente escasea a nivel global.

"La inferencia local es una terrible asignación de recursos escasos", afirmó Altman durante una entrevista en el pódcast Cheeky Pint, conducido por John Collison, cofundador de Stripe. "Mucha gente quiere inferencia local y, de algún modo, asume que el problema está resuelto porque tenemos modelos de código abierto que podemos ejecutar en nuestros ordenadores."

La inferencia local consiste en ejecutar un modelo de inteligencia artificial directamente en el dispositivo del usuario, sin enviar las consultas a servidores remotos. La práctica creció en popularidad junto con la disponibilidad de modelos de código abierto que pueden instalarse en hardware doméstico de gama media o alta.

El argumento de Altman parte de una comparación de eficiencia: un centro de datos puede aprovechar la misma memoria las 24 horas, mientras que una computadora personal la usa una fracción mínima del día. En un contexto de oferta restringida, sostiene, dispersar ese recurso en millones de equipos individuales reduce el rendimiento global del sistema. "En ese entorno en el que ese suministro crítico es tan restringido, querés la máxima concentración en la nube", señaló.

Los datos del mercado respaldan parte del diagnóstico. Según TrendForce, los precios de la DRAM aumentaron entre un 90% y un 95% durante el primer trimestre de 2026. Los principales fabricantes del componente, entre ellos Micron y SK Hynix, no logran escalar la producción al ritmo que exigen los grandes operadores de centros de datos dedicados a IA. Varias compañías del sector comenzaron a redirigir capacidad de fabricación hacia memoria HBM, el tipo de alto rendimiento que requiere esa infraestructura, aunque ampliar plantas especializadas toma más de un trimestre.

Quienes defienden la IA local plantean una lógica diferente. Para ese grupo, los modelos de código abierto resuelven sus necesidades sin depender de infraestructura de terceros. El punto central es la privacidad: procesar información en el propio equipo evita que datos sensibles transiten por servidores externos, algo que los servicios en la nube no pueden garantizar del mismo modo.

Esa tensión entre eficiencia colectiva y control individual no tiene resolución simple. La escasez de DRAM presiona hacia la centralización, pero la demanda de autonomía y privacidad empuja en sentido contrario.

¿Creés que vale la pena sacrificar privacidad a cambio de más potencia de IA en la nube, o preferís mantener el control local aunque el modelo sea menos capaz?