No existe una cifra universal para “IA local”. El consumo cambia con el modelo, su cuantización, el contexto, el backend, el sistema operativo y las aplicaciones que dejas abiertas.
Respuesta rápida: la RAM alimenta el sistema y las tareas de CPU; la VRAM es la memoria de la tarjeta gráfica; la memoria unificada la comparten CPU y GPU. Compra solo cuando una prueba de tu tarea habitual demuestre que la memoria —y no otro componente— es el cuello de botella.
RAM, VRAM y memoria unificada
| Tipo | Qué sostiene | Qué observar | Señal de límite |
|---|---|---|---|
| RAM del sistema | Sistema operativo, navegador, editor y modelos que trabajan en CPU | Memoria disponible y actividad de paginación/intercambio | El sistema se queda sin memoria libre o usa el SSD de forma sostenida |
| VRAM dedicada | Datos y operaciones de una GPU, si el backend puede utilizarlas | Uso de memoria de la GPU y capas/modelo realmente cargados | La aplicación reduce el lote, descarga trabajo o no puede cargar la configuración |
| Memoria unificada | CPU y GPU en un espacio de memoria compartido | Presión de memoria total con el sistema y tus aplicaciones abiertos | La memoria ocupada se acerca al total y el sistema empieza a comprimir o intercambiar |
Como orientación, LM Studio recomienda al menos 16 GB de RAM y, en Windows, 4 GB o más de VRAM dedicada. Son recomendaciones generales de su documentación, no una garantía de que cualquier modelo, contexto o tarea vaya a funcionar bien. Contrasta siempre el modelo concreto y la configuración que piensas usar.
Por qué el archivo del modelo no basta
Al cargar un modelo, el runtime reserva memoria para sus pesos y otros parámetros. Después se suman el contexto de conversación, la caché, el proceso de inferencia y el resto de aplicaciones. Por eso, que el archivo descargado “quepa” en una cifra de RAM o VRAM no demuestra que el flujo vaya a ser fluido.
El contexto importa especialmente en asistentes y análisis de documentos: aumentar lo que el modelo puede recordar en una sesión puede elevar el consumo. Ollama documenta que la memoria necesaria también depende del contexto y de las solicitudes paralelas; comprueba su estado con ollama ps en vez de asumir que todo el modelo está en la GPU. La cuantización puede reducir memoria, con posibles compromisos de calidad o comportamiento según el modelo.
Qué comprobar según tu trabajo
Registra modelo, cuantización y longitud de contexto. Si no cabe la configuración, prueba primero un modelo o contexto menor antes de cambiar de ordenador.
Prueba un archivo de la duración que usas normalmente. Compara el consumo con el navegador, la videollamada y el editor abiertos como en una jornada real.
Comprueba VRAM, resolución y backend que admite la aplicación. Si la GPU tiene memoria suficiente pero el proceso va lento, investiga también el modelo, los drivers y la temperatura.
Confirma si la memoria es ampliable. En equipos con memoria unificada, la cifra total también la utilizan el sistema y tus apps; reserva margen para el flujo completo.
Prueba reproducible en tu propio equipo
- Anota la configuración: equipo y sistema operativo, aplicación/backend, nombre y versión del modelo, cuantización y contexto.
- Establece una referencia: guarda el uso de RAM y VRAM con el equipo en reposo y tus aplicaciones habituales abiertas.
- Repite una tarea real: carga el modelo y haz la misma transcripción, consulta o generación que necesitas para trabajar.
- Registra los picos y el resultado: anota memoria ocupada, tiempo, errores y si el sistema empezó a intercambiar datos con el SSD.
- Haz una segunda pasada: repite con el contexto o la resolución que usarías a diario. No compares pruebas si cambiaste varias variables a la vez.
En Windows puedes mirar Memoria y GPU en el Administrador de tareas; con una GPU NVIDIA, nvidia-smi muestra uso de VRAM. En Ollama, ollama ps ayuda a comprobar cómo se distribuye el modelo. En macOS, revisa Presión de memoria en Monitor de Actividad. Los nombres de menús pueden variar según la versión.
Cómo interpretar la prueba
| Lo que ves | Primer paso sensato | No concluyas todavía |
|---|---|---|
| Memoria del sistema casi llena y paginación durante la tarea | Cierra cargas innecesarias y repite; después revisa si el flujo requiere más RAM | Que “más RAM” arreglará una GPU o aplicación incompatible |
| VRAM al límite al cargar un modelo o subir resolución | Prueba un modelo/cuantización o resolución menor; comprueba el backend | Que comprar más RAM del sistema añadirá VRAM dedicada |
| Memoria holgada, pero el trabajo sigue lento | Mide procesador, GPU, almacenamiento, temperatura y configuración | Que necesitas ampliar memoria |
| Todo funciona y solo usas IA en la nube o tareas ligeras | Mantén el equipo y mide de nuevo si cambia el flujo | Que necesitas comprar hardware por llevar la etiqueta “AI” |
Antes de comprar memoria
En un mini-PC o portátil ampliable, busca en el manual el tipo de módulo (por ejemplo, SO-DIMM), generación DDR, capacidad máxima total y por ranura, número de ranuras y combinaciones admitidas. Un módulo DDR5 no sustituye a uno DDR4 y una búsqueda de Amazon no confirma compatibilidad. La memoria unificada de muchos equipos no se amplía después de la compra.
Ver módulos SO-DIMM DDR5 en AmazonAfiliado
Enlace afiliado a una búsqueda, no a un módulo validado para tu equipo. Úsalo solo si el fabricante confirma que tu mini-PC admite DDR5 SO-DIMM y esa capacidad; comprueba el máximo por ranura y el total antes de pagar. Si tu RAM ya va holgada, no necesitas comprarla por esta guía.
Errores que salen caros
- Tomar el tamaño del archivo descargado como consumo total de memoria.
- Confundir memoria compartida con VRAM dedicada o sumar ambas como si estuvieran libres para el modelo.
- Subir RAM para resolver un límite de VRAM, de procesador, de temperatura o de compatibilidad.
- Comprar un módulo sin verificar generación DDR, formato físico, ranuras y capacidad máxima del equipo.
- Comparar resultados de modelos distintos sin apuntar contexto, cuantización, backend y aplicaciones abiertas.
Kits de memoria y equipos compactos recomendados
En calidad de Afiliado de Amazon, obtengo ingresos por las compras adscritas que cumplen los requisitos aplicables. Confirma el formato (SODIMM vs UDIMM) y la frecuencia admitida por tu placa antes de comprar.
Crucial Kit RAM 64 GB (2 × 32 GB) DDR5 4800 MHz SODIMM
Dos módulos idénticos para aprovechar el ancho de banda completo del doble canal en portátiles de trabajo y Mini PCs compatibles con SO-DIMM DDR5.
Comprobar Crucial 64 GB DDR5 en AmazonAfiliadoMINISFORUM UM890 Pro · Mini PC con DDR5 y OCuLink
Permite trabajar con memoria DDR5 en doble canal para modelos ligeros y añade interfaz OCuLink para conectar una gráfica con VRAM dedicada cuando lo necesites.
Comprobar MINISFORUM UM890 Pro en AmazonAfiliadoPreguntas frecuentes
¿Qué es más importante para IA local: RAM o VRAM?
Depende del modelo, el backend y la tarea. Mide ambos mientras utilizas tu flujo: la RAM sostiene el sistema y los procesos de CPU; la VRAM permite a una GPU compatible mantener datos cerca del procesador gráfico.
¿El tamaño del modelo indica cuánta memoria necesito?
No por sí solo. También cuentan el contexto, la caché, el runtime y otras aplicaciones. Consulta los requisitos del modelo y mide durante una tarea real.
¿Puedo ampliar memoria unificada?
Depende del equipo; en muchos portátiles con memoria unificada no es ampliable. Confirma la especificación del fabricante antes de comprar y reserva memoria para el sistema.
¿Necesito una GPU dedicada para usar IA?
No siempre. Algunas tareas y modelos modestos pueden ejecutarse de otras formas, y los servicios en la nube no utilizan la GPU de tu escritorio para la inferencia. Comprueba primero los requisitos de tu aplicación y modelo.
Fuentes y método
Revisado el 23 de septiembre de 2026. Hemos contrastado las recomendaciones generales y el comportamiento de memoria con documentación de requisitos de LM Studio, carga de modelos en LM Studio, FAQ de Ollama, contexto de Ollama y cuantización en Transformers. Los requisitos cambian entre modelo, versión y backend. No presentamos pruebas de laboratorio ni afirmamos compatibilidad de un módulo concreto; el protocolo anterior sirve para medir tu equipo.