Cuánto cuesta ejecutar DeepSeek en la nube en 2026

DeepSeek ha cambiado la economía de desplegar inteligencia artificial. Ya no es necesario asumir que operar un modelo avanzado requiere una infraestructura de decenas o cientos de miles de euros.

Pero decir que «DeepSeek es barato» simplifica demasiado el problema. El coste puede ir desde decenas de euros al mes utilizando una API hasta más de 20.000 EUR mensuales para una infraestructura privada multi-GPU.

La pregunta correcta no es «¿cuánto cuesta DeepSeek?», sino: ¿cuánto cuesta ejecutar el modelo adecuado para mi carga, privacidad, concurrencia y nivel de servicio?

Las cuatro formas de usar DeepSeek

No existe una opción universalmente mejor. Para una aplicación pequeña, la API suele ganar económicamente. Para una empresa que procesa información sensible de forma continua, la inferencia privada puede ser mucho más interesante.

Opción 1: usar la API de DeepSeek

La alternativa más sencilla: no desplegar ningún modelo. Tu aplicación consume DeepSeek mediante API y paga únicamente por los tokens procesados.

Esto elimina prácticamente toda la infraestructura asociada: GPUs, CUDA, drivers, servidores, almacenamiento de pesos, motores de inferencia, escalado, balanceo y monitorización de GPU.

Para aplicaciones con tráfico pequeño o irregular, la API puede resultar extraordinariamente difícil de superar económicamente.

VRAM: la variable que determina el coste

La memoria de la GPU es el factor que más influye en qué modelos puedes ejecutar y, por tanto, en cuánto vas a pagar.

Estas cifras son orientativas. La memoria real depende de longitud del contexto, KV caché, concurrencia, batch size, motor de inferencia y tensor parallelism. Una GPU capaz de cargar un modelo no significa necesariamente que pueda servirlo eficientemente a muchos usuarios.

Precios de GPUs cloud

Los precios varían considerablemente entre proveedores. Los marketplaces pueden resultar mucho más económicos que los hyperscalers, mientras que los proveedores europeos ofrecen ventajas en soberanía y contratación.

Hyperstack (referencia global)

El dato especialmente interesante: GPUs de 48 GB a precios muy inferiores a una H100. Para muchos modelos cuantizados, esa categoría puede representar el verdadero sweet spot económico.

Proveedores europeos: OVHcloud y Scaleway

Cuando aparecen requisitos de soberanía, RGPD o localización del procesamiento en la UE, los proveedores europeos son la opción natural.

OVHcloud

Para modelos pequeños y medianos, L4 y L40S son posiblemente más interesantes que H100. Una H100 no debería ser la GPU por defecto solo porque sea más potente.

Scaleway

Las configuraciones multi-GPU empiezan a tener sentido cuando necesitas alta concurrencia, modelos grandes o una plataforma corporativa de inferencia.

Marketplaces GPU: Vast.ai y el mercado low-cost

Los marketplaces GPU cambian considerablemente la ecuación. Vast.ai permite alquilar capacidad ofrecida por diferentes proveedores, por lo que los precios fluctusan continuamente.

La variable olvidada: horas reales de utilización

Una GPU no tiene por qué permanecer encendida todo el mes. Supongamos una GPU de 48 GB a $0,50/h:

Esta tabla explica por qué el autoscaling y scale-to-zero pueden resultar más importantes económicamente que conseguir una GPU ligeramente más barata. Un modelo 32B privado podría costar decenas de dólares mensuales si solo se activa cuando existe trabajo.

Servidores dedicados: una alternativa sorprendentemente competitiva

Cuando una GPU permanece ocupada muchas horas al día, los servidores dedicados empiezan a ser extremadamente interesantes.

Hetzner ofrece servidores GPU dedicados. Una configuración GEX44 puede incluir:

• NVIDIA RTX 4000 SFF Ada (20 GB VRAM)
• 64 GB RAM
• 2×1,92 TB NVMe
• Conectividad dedicada

Coste aproximado: ~230 EUR/mes.

Para modelos 7B/8B y 14B cuantizados, esto cambia radicalmente la economía. Además del LLM puedes ejecutar en la misma infraestructura: embeddings, reranking, PostgreSQL, Redis, Qdrant, APIs, workers y agentes. Los 230 EUR no representan exclusivamente el coste del LLM.

Matriz económica por tamaño de modelo

32B cuantizado representa uno de los puntos más interesantes de toda la curva precio/capacidad. Proporciona un nivel de razonamiento considerable sin entrar en la economía de clusters H100/H200.

El coste real no es solo la GPU

Un error frecuente: calcular Precio GPU × 730 horas = coste de IA. El TCO es mayor.

Y aún faltarían costes humanos: DevOps, MLOps, seguridad, actualizaciones, monitorización, optimización e incident response.

Escenarios de arquitectura

Escenario A: Laboratorio (100-300 EUR/mes)

DeepSeek 8B / 14B
       │
    Ollama
       │
API / Agents
       │
PostgreSQL + Qdrant

Adecuado para aprendizaje, desarrollo, PoC, automatizaciones internas y agentes personales.

Escenario B: Producto o startup (300-800 EUR/mes)

         API Gateway
              │
            vLLM
              │
     DeepSeek 14B / 32B
              │
  ┌──────────┼──────────┐
  │          │          │
PostgreSQL  Qdrant     Redis

GPU de ~48 GB. Puede ser suficiente para construir una plataforma comercial considerable.

Escenario C: Plataforma privada (800-2.500 EUR/mes)

            AI Gateway
                 │
            Model Router
                 │
  ┌────────────┼────────────┐
  │            │            │
 14B           32B          70B
 FAST        GENERAL     REASONING
  │            │            │
  └────────────┴────────────┘
                 │
           RAG / Agents

El modelo 70B puede permanecer apagado hasta que sea necesario. Aquí ya hablamos de infraestructura de IA privada seria.

Escenario D: Enterprise HA (3.000-10.000+ EUR/mes)

Múltiples GPUs, Kubernetes, alta disponibilidad, redundancia, observabilidad, DR, IAM, network segmentation e inference gateway. El problema deja de ser «ejecutar DeepSeek»: estamos construyendo una plataforma corporativa de inferencia.

El error de arquitectura más caro: usar el modelo grande para todo

Supongamos cuatro clases de tareas: clasificación, extracción, análisis y razonamiento complejo. No tiene sentido procesarlas todas con un modelo 70B.

La mayor parte del tráfico pasa por infraestructura barata. Solo las peticiones realmente difíciles consumen GPUs caras.

AI Inference Gateway

Un gateway puede decidir a qué modelo enviar cada petición basado en: sensibilidad del dato, complejidad, SLA, coste máximo, contexto, disponibilidad, latencia y tipo de agente. Esto convierte el coste en una variable controlable por software.

Cómo reducir todavía más el coste

Quantization. FP16 → FP8 → INT8 → INT4. Reduce memoria y puede aumentar throughput.

Continuous batching. Agrupa solicitudes y aumenta la utilización de GPU.

Prefix caching. Especialmente importante para agentes que reutilizan grandes system prompts.

KV caché. Evita recomputaciones innecesarias.

Semantic caché. Respuestas a preguntas similares previamente procesadas. La inferencia más barata es la que no necesitamos ejecutar.

Scale-to-zero. Apagar modelos caros cuando no hay peticiones. Mantener 8/14B y 32B siempre encendidos; 70B y frontier on-demand.

Motor de inferencia. vLLM y SGLang para producción. llama.cpp y Ollama para escenarios sencillos. La elección del runtime puede modificar significativamente los tokens por segundo y el coste efectivo por token.

API frente a GPU privada: cómo decidir

Elegir API cuando:

• El volumen es bajo o el tráfico impredecible
• Quieres comenzar rápidamente
• No existen requisitos estrictos de aislamiento
• No quieres operar infraestructura

Elegir GPU privada cuando:

• Existe carga sostenida (más de 4-8h/día)
• Los datos son sensibles o regulados
• Necesitas control sobre el modelo o personalizar
• Necesitas soberanía (RGPD, ENS)
• Utilizas múltiples agentes continuamente

Elegir arquitectura híbrida cuando:

• Quieres optimizar simultáneamente coste, privacidad y capacidad

Para muchas organizaciones, la arquitectura híbrida es probablemente la solución óptima.

El sweet spot: 500-1.000 EUR/mes

Para una organización que quiera construir seriamente alrededor de modelos privados, existe una zona especialmente interesante:

500-1.000 EUR mensuales.

Con una arquitectura optimizada puedes disponer de:

• GPU de ~48 GB
• DeepSeek 32B cuantizado
• Modelos 8B/14B auxiliares
• vLLM o SGLang
• PostgreSQL + Redis + vector database
• Almacenamiento + observabilidad
• Agentes + API Gateway
• Acceso ocasional a modelos superiores

Eso supone 6.000-12.000 EUR anuales. Una cifra muy diferente de la percepción tradicional de que la IA privada requiere inversiones de cientos de miles de euros.

La siguiente frontera: comprar la GPU

Existe un punto a partir del cual el cloud deja de ser económico. Una GPU cloud a 1.000 EUR/mes son 36.000 EUR en tres años. Si un servidor equivalente puede adquirirse por una fracción (incluyendo electricidad, refrigeración y mantenimiento), la compra puede ser superior.

El cálculo que toda organización con carga estable debería hacer: cloud vs servidor dedicado vs GPU propia.

Conclusión

DeepSeek permite construir infraestructuras de IA con perfiles económicos radicalmente diferentes. Desde 20 EUR/mes con API hasta 25.000+ EUR/mes con clusters frontier.

La verdadera optimización consiste en ejecutar cada petición sobre el modelo más pequeño capaz de resolverla correctamente.

Una arquitectura basada en Model Routing + Quantization + Continuous Batching + Caching + Scale-to-Zero + API Fallback puede reducir radicalmente el coste frente a mantener un modelo enorme permanentemente cargado.

En determinados escenarios, una infraestructura DeepSeek privada completa puede costar menos que muchas licencias SaaS empresariales convencionales.

Preguntas frecuentes