Referencia de costes de fine-tuning de LLM 2026: horas de GPU, conjuntos de datos y ROI

YuSMP Group Editorial Team Equipo editorial, YuSMP Group

¿Cuánto cuesta el ajuste fino de un LLM en 2026?

El cómputo ha dejado de ser la parte cara del ajuste fino — los precios han caído con fuerza dos años seguidos. Lo que condiciona hoy un programa es la calidad de su dataset y lo bien que pueda medir el resultado. Ejecute un LoRA de nivel de producción sobre un modelo de pesos abiertos de 7B–13B y la factura total quedará entre USD 30,000 y USD 180,000. Pase a un ajuste fino completo sobre un modelo de 70B+ y, una vez que cuente el dataset, el arnés de evaluación, MLOps y los primeros seis meses de mantenimiento, superará con frecuencia los USD 250,000.

Precio por hora de GPU en H100, H200, B200 y A100

Los precios de GPU en 2026 no se parecen en nada al mercado de compras de pánico de 2023. La oferta de H100 por fin alcanzó a la demanda durante el segundo semestre de 2025. B200 y GB200 llegaron a disponibilidad general en el T1 de 2026. Y una oleada de neoclouds — CoreWeave, Lambda, RunPod, Crusoe, FluidStack, Vast.ai — opera ya con márgenes que los hiperescaladores no pueden igualar. Entre los tres cambios, hundieron el suelo de los precios.

Dos cifras de esa tabla engañan si se leen tal cual. B200 parece cara por hora, pero ofrece aproximadamente 2.0–2.5x el rendimiento de una H100 en entrenamiento FP8 y 3–4x en inferencia FP4; en un ajuste fino de 70B, el coste por token suele quedar por debajo del de la H100 pese a la tarifa horaria más alta. La otra es MI300X. Con ROCm 6.2+ ha alcanzado una paridad real de producción para trabajos con LLaMA, Mistral, Qwen y Gemma, y un equipo dispuesto a convivir con un ecosistema algo más reducido ahorra un 10–25%.

LoRA, QLoRA, DPO, ajuste fino completo — coste por método

Cinco métodos cubren aproximadamente el 95% del trabajo de ajuste fino que vemos en 2026. Elija uno según la forma del problema que tiene delante — no según el paper que llegó al canal del equipo la semana pasada.

• Ajuste fino supervisado (SFT) con LoRA / QLoRA. Se entrenan adaptadores de bajo rango (rango 8–64) sobre pesos base congelados (Hu et al., 2021). Se actualiza el 0.1–3% de los parámetros. QLoRA añade cuantización de 4 bits del modelo base (Dettmers et al., 2023), lo que reduce la VRAM unas ~4x. Coste: 1–5% de un SFT completo. Opción por defecto.
• LoRA con descomposición de pesos (DoRA). Divide cada actualización de pesos en un componente de magnitud y otro de dirección antes de aplicar la adaptación de bajo rango (Liu et al., 2024). El mismo presupuesto de parámetros que LoRA y el mismo coste en horas de GPU, pero de 1–3 puntos más en evaluaciones de seguimiento de instrucciones y razonamiento en la mayoría de las comparativas publicadas. Merece una prueba A/B cuando un LoRA de rango 64 se estanca por debajo de su listón de calidad — es un cambio directo en los stacks de entrenamiento basados en PEFT (Unsloth, Axolotl, TRL), no un pipeline nuevo.
• SFT completo. Se actualizan todos los parámetros. Es necesario cuando se cambia el tokenizador o el vocabulario, o cuando se hace preentrenamiento continuado. Requiere 20–50x más VRAM que LoRA — necesita ZeRO-3 / FSDP en varios nodos para cualquier modelo por encima de 13B.
• Optimización directa de preferencias (DPO) y variantes (IPO, KTO, ORPO). Alinea el modelo con pares de preferencias sin un modelo de recompensa aparte. Coste: 1.5–3x el SFT sobre el mismo dataset. Necesaria cuando importan el estilo, la seguridad o el comportamiento de rechazo.
• Preentrenamiento continuado. Decenas o cientos de miles de millones de tokens nuevos de corpus del dominio. El coste lo dominan la adquisición de datos (USD 50–500k para un corpus especializado limpio) y el cómputo (USD 100–500k para 50B tokens en un modelo de 70B).
• Aprendizaje por refuerzo con recompensas verificables (RLVR), GRPO, RLHF. La dirección de moda en 2026 para los modelos de razonamiento. Coste de 3–8x el SFT para un tiempo de reloj comparable; la infraestructura de evaluación y del modelo de recompensa domina el gasto total.

Curación del dataset: la mayor partida que nadie presupuesta

En cada auditoría que hacemos de un programa de ajuste fino estancado, el dataset es el cuello de botella. La estimación interna inicial es invariablemente 5–10x demasiado baja. Una estructura de costes realista en 2026 para un dataset de instrucciones de alta calidad de 30,000 pares en un dominio regulado:

Total para un dataset serio de 30k pares: USD 14–61k. Para 100k+ pares en un dominio regulado, cuente con USD 40–180k. Por eso decimos a los clientes en los proyectos de ajuste fino que el presupuesto del dataset debe ser 3–6x el del cómputo, y no al revés.

Infraestructura de evaluación: no lance a ciegas

Nada agota antes un presupuesto de ajuste fino que lanzar un modelo cuya calidad no puede medir. Un programa serio necesita una infraestructura de evaluación con estas piezas:

• Conjunto de prueba congelado — 500–2,000 ejemplos, nunca vistos en el entrenamiento, versionados y con hash en CI.
• Conjunto de reproducción de tráfico de producción — 1,000–5,000 prompts reales anonimizados, renovados cada mes.
• Segmentos de sesgo — rendimiento por grupo para cumplir el art. 10, apdo. 2, letra f), del Reglamento de IA de la UE y las explicaciones del art. 22 del RGPD.
• Arnés de LLM como juez — juez de clase Claude o GPT-4 con rúbricas validadas a mano; correlación con jueces humanos medida cada trimestre.
• Benchmarks públicos cuando proceda — MMLU-Pro, MATH, HumanEval+, IFEval, MT-Bench v2, más un benchmark específico del dominio que se construye una vez y se reutiliza.

Coste de puesta en marcha: USD 3–15k. Coste por evaluación en un arnés serio: USD 200–1,000 en llamadas al LLM juez. Presupueste USD 800–3,000/mes para la evaluación continua frente al tráfico de producción.

Plataformas gestionadas de ajuste fino frente a GPU propias

Todas las cifras anteriores suponen que alquila horas de GPU en bruto y ejecuta su propio bucle de entrenamiento. No es la única vía, y para equipos sin MLOps propio a menudo no es la más barata una vez que se valora el tiempo de ingeniería. Las API gestionadas de ajuste fino agrupan el bucle de entrenamiento, los checkpoints y el servicio en una tarifa por token o por hora — cambia un sobreprecio de cómputo por cero personal de infraestructura.

La regla práctica de nuestras auditorías: por debajo de unas 5–10 ejecuciones de ajuste fino al año, el sobreprecio de una plataforma gestionada es más barato que una fracción del salario de un ingeniero de MLOps. Por encima de ese ritmo, el alojamiento propio en horas de GPU de neocloud (vea la tabla de precios anterior) gana en coste, y para entonces la mayoría de los equipos ya tiene la infraestructura de evaluación y de dataset, sea quien sea quien ejecute el entrenamiento. En cualquier caso, la factura de curación del dataset y de evaluación de las dos secciones anteriores es idéntica — las plataformas gestionadas solo eliminan las partidas de cómputo y orquestación, no las más grandes.

Ejemplos prácticos: presupuestos totales para 7B, 13B y 70B

Tres programas reales que ejecutamos en 2025–2026, con las cifras depuradas de datos del cliente:

Ejemplo A — LoRA sobre Qwen2.5-7B para extracción de documentos jurídicos

• Dataset: 14,000 pares de extracción etiquetados a mano a partir de un corpus de contratos. Anotación por asistentes jurídicos a USD 45/hora de media. Coste del dataset: USD 38,000.
• Cómputo: 8xH100 spot durante 6 horas por ejecución de entrenamiento, 14 ejecuciones entre barrido de hiperparámetros + pasada de DPO. USD 1,150.
• Arnés de evaluación: USD 6,200 de puesta en marcha, USD 1,800/mes de forma continua.
• MLOps e ingeniería: 6 semanas de un ingeniero sénior a USD 180/h de media. USD 43,200.
• Total del programa: USD 88,550. Sustituyó un pipeline de GPT-4o de USD 22k/mes; punto de equilibrio en el mes 5.

Ejemplo B — QLoRA sobre Llama-3.3-70B para el tono de atención al cliente

• Dataset: 22,000 tickets de soporte históricos con respuestas de agentes seleccionadas; ampliación sintética 3x. Coste: USD 26,000.
• Cómputo: 4xH200 en neocloud durante 9 horas por ejecución, 8 ejecuciones. USD 1,400.
• Evaluación + operaciones: USD 9,800 de puesta en marcha, USD 2,200/mes de forma continua.
• Ingeniería: 8 semanas. USD 57,600.
• Total: USD 94,800. Redujo el tiempo medio de gestión un 31%; retorno en 4 meses solo con el ahorro de mano de obra.

Ejemplo C — Ajuste fino completo sobre Mistral-Small-22B para un transcriptor clínico

• Dataset: 48,000 pares de dictados clínicos desidentificados; pipeline bajo control HIPAA. Coste: USD 142,000.
• Cómputo: 32xH100 con FSDP, 18 horas por ejecución, 5 ejecuciones. USD 13,500.
• Evaluación (calificada por expertos médicos) y cumplimiento: USD 31,000.
• Ingeniería, MLOps, revisión HIPAA: USD 118,000.
• Total: USD 304,500. La API de frontera no era una opción (bloqueada por el BAA en esta configuración); el ajuste fino es el producto.

Economía de la inferencia y punto de equilibrio frente a las API de frontera

A lo largo de la vida de un modelo, la inferencia empequeñece lo que pagó por entrenarlo. Haga esas cuentas antes de comprometerse, no después.

Un ajuste fino de 13B servido en una instancia vLLM de 2xH100 al 80% de utilización ofrece aproximadamente 12–20 millones de tokens de salida al día con un coste de USD 95–150/día. Eso son USD 0.005–0.012 por cada 1k tokens de salida, frente a USD 0.60–15.00 por 1k en las API de frontera — una ventaja de 50–1500x a escala. Un ajuste fino de 70B en 4xH100 queda en USD 0.02–0.06 por 1k tokens.

Regla práctica del punto de equilibrio: un programa de ajuste fino de USD 80–120k se amortiza en 3–6 meses una vez que supera los USD 25,000/mes en inferencia con API de frontera. Por debajo de USD 5,000/mes, usar prompts con un modelo de frontera gana en TCO; no haga ajuste fino.

Mantenimiento continuo y deriva

Un modelo ajustado no es un producto terminado. Prevea USD 8–25k por trimestre:

• Reevaluación frente a conjuntos de prueba congelados y renovados — USD 1–3k.
• Monitorización de la deriva en el tráfico de producción (distancia entre embeddings, similitud semántica, tasa de rechazos, tasa de alucinaciones) — USD 1–3k.
• Crecimiento incremental del dataset y reetiquetado de los casos difíciles — USD 3–10k.
• Un ciclo de reentrenamiento por trimestre — USD 2–30k según el método.
• Migración del modelo base cuando salen mejores pesos abiertos (2–3x al año en 2025–2026) — USD 8–40k una sola vez.

Carga de cumplimiento: RGPD, artículo 53 del Reglamento de IA de la UE, SOC 2

El ajuste fino interactúa con tres marcos de cumplimiento más de lo que se suele pensar:

• RGPD. Minimización de datos del art. 5, protección de datos desde el diseño del art. 25, contratos de encargo del tratamiento del art. 28 con los proveedores de anotación, seguridad del tratamiento del art. 32 y evaluación de impacto relativa a la protección de datos (EIPD/DPIA) del art. 35 para tratamientos de alto riesgo. Los datos personales (PII) en los datos de entrenamiento están terminantemente prohibidos — enmascárelos o sintetícelos.
• Artículo 53 del Reglamento de IA de la UE. Si ajusta un modelo de pesos abiertos y lo redistribuye, es usted proveedor de un modelo de IA de uso general (GPAI). Debe la documentación técnica del anexo XI, la información para proveedores posteriores del anexo XII, una política de derechos de autor que respete la exclusión del art. 4, apdo. 3, de la Directiva CDSM y un resumen público de los datos de entrenamiento según la plantilla de la Oficina de IA. Lo explicamos en detalle en nuestra checklist del Reglamento de IA de la UE para SaaS.
• SOC 2 / ISO 27001:2022. Los controles del anexo A.5.34 (privacidad y protección de la PII), A.8.10 (eliminación de información), A.8.11 (enmascaramiento de datos) y A.8.28 (codificación segura) se aplican todos a su pipeline de entrenamiento; los auditores se están poniendo al día rápidamente.

En los trabajos sujetos a HIPAA, la cadena de BAA (usted → nube → proveedor de GPU) debe mantenerse hasta el final. AWS, GCP y Azure ofrecen BAA en los SKU de H100/H200; la mayoría de los neoclouds no. Ese sobreprecio es real e inevitable en los ajustes finos con información médica protegida (PHI).

Los 10 errores de coste más habituales en las auditorías de clientes

1. Optar por defecto por un ajuste fino completo cuando bastaría con LoRA — 10–30x de cómputo desperdiciado.
2. Barridos de hiperparámetros sin parada temprana — 3–6x el coste del barrido.
3. Usar un hiperescalador bajo demanda cuando bastaba con spot o neocloud — 2–4x el coste de cómputo.
4. Sin arnés de evaluación — lanzar y rezar, y luego reentrenar desde cero cuando rinde por debajo de lo esperado.
5. El trabajo de anotación se imputa al presupuesto de «ingeniería» y nunca se controla como coste de datos.
6. Sin comprobación de contaminación frente a los benchmarks públicos — puntuaciones de evaluación infladas y fallos en el mundo real.
7. El conjunto de entrenamiento filtra PII / PHI; el asesor jurídico obliga a rehacerlo.
8. Sin conjunto de prueba congelado; las puntuaciones derivan a medida que deriva el conjunto de prueba.
9. Elegir un modelo base que llega al fin de vida (EOL) en 6 semanas — reentrenamiento obligado.
10. Sin modelo de costes de inferencia antes de empezar a entrenar — «hicimos el ajuste fino de un 70B y ahora servirlo cuesta 4x la API que sustituimos».

Si está sopesando un programa de ajuste fino frente a las API de frontera o RAG, nuestro equipo de ajuste fino de LLM y MLOps realiza un estudio de viabilidad de dos semanas a precio cerrado — auditoría del dataset, recomendación de método, estimación de horas de GPU, modelo de ROI y diferencias respecto al Reglamento de IA de la UE. Para decisiones de arquitectura de IA más amplias en contextos de desarrollo SaaS y software a medida, un CTO a tiempo parcial con experiencia real en MLOps suele amortizarse en el primer mes.

Preguntas frecuentes

¿Cuánto cuesta el ajuste fino de un LLM de pesos abiertos en 2026?

LoRA sobre un modelo de 7B-13B: USD 200–1,500 en cómputo; USD 30–80k en total. LoRA sobre 70B: USD 1,500–6,000 de cómputo; USD 60–180k en total. Los ajustes finos completos, 5–15x más.

¿LoRA o ajuste fino completo?

Por defecto, LoRA / QLoRA. Iguala la calidad del ajuste fino completo en el 85–95% de los casos con un 1–5% del cómputo y del almacenamiento. Ajuste fino completo solo al cambiar el tokenizador o el vocabulario o al hacer preentrenamiento continuado.

¿Cuál es el precio de mercado de la hora de GPU en 2026?

H100 80GB en neocloud spot: USD 1.20–1.80; bajo demanda: USD 1.80–2.60. H200: USD 2.40–3.40 bajo demanda. B200: USD 4.00–6.00 en neocloud, pero con 2–2.5x de rendimiento. A100 spot a USD 0.80–1.40 sigue siendo la opción de coste óptimo para LoRA pequeños.

¿Qué tamaño de dataset necesito realmente?

Ajuste a instrucciones con LoRA: 1k–10k pares de alta calidad superan a 100k con ruido. Preguntas y respuestas del dominio: 5k–30k conversaciones reales. Clasificación/extracción: 2k–10k por clase con un acuerdo entre anotadores sólido.

¿Cuándo justifica el ROI un ajuste fino?

Con menos de USD 5k/mes de gasto en API — no haga ajuste fino. Entre USD 5k–25k — solo si la tarea es acotada. Por encima de USD 25k/mes, o cuando la latencia o la residencia de datos lo imponen — casi siempre sí.

¿Cuánto cuesta el mantenimiento continuo?

USD 8–25k por trimestre: reevaluación, monitorización de la deriva, datos incrementales y un reentrenamiento. Los equipos que omiten el mantenimiento pierden 4–9 puntos porcentuales de calidad por trimestre.

Construya el dataset como si fuera el producto. El modelo es el artefacto.

El cambio de mayor impacto que hacemos en una auditoría de ajuste fino es casi siempre el mismo: pasar presupuesto del cómputo a los datos. Destine el 60–70% del dinero del programa a la curación del dataset, la evaluación y el etiquetado, mantenga el cómputo en el 5–15% y deje el resto para MLOps. Si invierte ese reparto, el modelo rinde por debajo de lo esperado; si lo respeta, cada versión se apoya en la anterior.

Última actualización: 3 de julio de 2026. Los precios reflejan las tarifas bajo demanda y spot observables públicamente en los principales hiperescaladores y neoclouds a mediados de 2026 y pueden variar bruscamente. Nada de lo expuesto en este artículo constituye asesoramiento jurídico ni de inversión.