En pocas palabras: Sí, pero solo para inferencia en homelab. El benchmark de esologic (2026) probó 8 GPUs de datacenter dadas de baja —Tesla K80, M40, P40, P100, V100— durante casi un año con 17 pruebas: sirven para correr LLMs y visión con software compatible, no para entrenar ni comprar de cero.
El benchmarking de GPUs e-waste que publicó esologic en 2026 probó ocho modelos de datacenter dados de baja (Tesla K80, M40, M60, P40, P100 y V100, entre otros) con 17 pruebas modernas. ¿La conclusión? Sirven para inferencia en un homelab si usás software compatible, no para entrenar ni para comprar de cero.
Ponele que ves una Tesla K80 a 40 dólares en un marketplace de usados y pensás “con 24 GB de VRAM me armo un rig de LLM por dos mangos”. Frená. La realidad de esas placas es más rara de lo que parece, y alguien se tomó casi un año en medirla en serio.
Las GPUs e-waste son placas de video de datacenter dadas de baja (arquitecturas Kepler, Maxwell, Pascal y Volta de Nvidia, como la Tesla K80 o la P100) que se revenden entre 30 y 150 dólares según el mercado de segunda mano actual (julio 2026). El benchmarking de GPUs e-waste mide su rendimiento real en cargas actuales: inferencia de LLM, visión por computadora y reconocimiento de voz. Las pruebas de esologic corrieron casi un año con 17 benchmarks distintos.
En 30 segundos
- Precio de entrada bajísimo: una Tesla K80 se consigue entre USD 30 y 50, y una P100 con HBM2 entre USD 50 y 150.
- El cuello de botella es el ancho de banda: la K80 mueve ~240 GB/s por GPU contra los ~2 TB/s de una H100.
- Rinden para inferencia chica: la K80 hace unos 50 tokens/seg en Llama 3 8B. Lenta, pero usable en un homelab.
- No sirven para entrenar: Kepler no tiene FP16 y necesitás versiones viejas de CUDA y llama.cpp.
- La P100 y la P40 son las mejores compras: HBM2 en la P100, 24 GB reales y buen soporte de software en la P40.
¿Por qué reutilizar GPUs descartadas de datacenters en 2026?
Porque el costo de armar algo para IA en casa se disparó y estas placas cuestan lo que sale una pizza con amigos. Una Tesla K80 arranca en USD 30 en el mercado actual (julio 2026). El atractivo es obvio: 12 GB de VRAM por GPU (la K80 trae dos chips), soporte de CUDA y una segunda vida para hardware que si no termina en un contenedor.
Y hay un problema de fondo que le da sentido a todo esto. Según un estudio publicado en Nature Communications Earth & Environment, la infraestructura de IA generará entre 1,2 y 5 millones de toneladas de residuos electrónicos acumulados entre 2020 y 2030. Las GPUs de datacenter tienen una vida útil corta en producción (donde exigen 99,9% de uptime) pero pueden andar años más en un banco de trabajo casero.
La conclusión de esologic después de casi un año de pruebas es directa: si la placa todavía funciona, tirarla es medio irresponsable cuando un homelab la puede aprovechar. Eso sí, con expectativas realistas. Relacionado: cómo se desempeña Claude con estas pruebas.
¿Cómo se hizo el benchmarking de GPUs e-waste en workloads modernos?
El test cubrió ocho modelos de Tesla (K80, M10, M40, M60, P40, P100, V100 y una T40) contra 17 benchmarks agrupados por tipo de carga, con escalado multi-GPU hasta chasis de 4U. La idea era simple: no medir specs de catálogo, sino ver qué pasa cuando le tirás software real de 2026.
Las categorías que probaron:
- Visión por computadora: ResNet50 para clasificación de imágenes, el clásico de referencia.
- Transformers de visión: ViT, para ver cómo aguantan arquitecturas más nuevas.
- Inferencia de LLM: Llama corriendo sobre llama.cpp, midiendo tokens por segundo.
- Reconocimiento de voz: Whisper, donde algunas placas sorprendieron.
- Cargas no-IA: renderizado en Blender y hashing SHA-256, para tener referencia de cómputo puro.
Casi un año de testing, subiendo modelos, probándolos en local, viendo qué se rompía con qué versión de framework y anotando cada resultado. El valor del laburo no está en el número aislado sino en el patrón: qué placa conviene para qué tarea.
¿Cuál es el rendimiento actual del Tesla K80 en LLM e inferencia?
La Tesla K80 rinde unos 50 tokens/seg en Llama 3 8B según las pruebas de esologic. Alcanza para chatear con un modelo local o para tareas batch sin apuro, pero está lejísimos de una GPU moderna. El limitante principal es el ancho de banda: ~240 GB/s por chip, cuando una H100 mueve cerca de 2 TB/s.
Hay un detalle que confunde a medio mundo. La K80 aparece listada con “24 GB”, pero son dos GPUs de 12 GB pegadas en la misma placa. No tenés 24 GB unificados: tenés dos pozos de 12 GB que el modelo tiene que repartirse. Para un LLM que no entra en 12 GB, eso lo complica. En comparativas con ChatGPT en rendimiento profundizamos sobre esto.
Sumale que la arquitectura Kepler no soporta FP16. Toda la optimización moderna que asume media precisión no te sirve, y quedás pagando en velocidad. ¿Vale la pena comprarla nueva en 2026? No. ¿Y si ya la tenés tirada en un cajón? Ahí sí, dale para adelante.
Comparativa: ¿P100, V100, P40 o M60 para qué workload exacto?
Depende de qué querés hacer. La P100 es la mejor relación valor-rendimiento por su memoria HBM2. La P40 gana en LLM y trae 24 GB reales. La M60 es una bomba en voz por lo que sale. La V100 rinde como una T40 pero cuesta bastante más. Acá va el cruce con los datos del roundup:
| GPU | Precio usado aprox. | Memoria | Fuerte en | Flojo en |
|---|---|---|---|---|
| Tesla K80 | USD 30-50 | 12 GB x2 | SHA-256, multi-GPU barato | LLM (50 tok/s), sin FP16 |
| Tesla P100 | USD 50-150 | 16 GB HBM2 | Mejor valor general | Disponibilidad |
| Tesla P40 | USD ~150 | 24 GB reales | LLM (supera a la P100) | Consumo eléctrico |
| Tesla M60 | USD ~50 | 8 GB x2 | Whisper / voz | Modelos grandes |
| Tesla V100 | USD 400+ | 16 GB HBM2 | Rinde como una T40 | Precio |
La sorpresa del roundup fue la M60 en Whisper. Por unos 50 dólares transcribe audio a una velocidad que no se espera de una placa de esa generación. Si tu caso de uso es voz y no LLM, es el mejor gasto de la lista.
¿Cuáles son las limitaciones reales de estas GPUs con software moderno?
Son cuatro, y conviene tenerlas claras antes de gastar un peso. Ninguna es letal, pero juntas definen qué podés y qué no podés hacer. Complementá con modelos GPT en hardware limitado.
- Ancho de banda de memoria: la K80 con ~240 GB/s contra ~2 TB/s de una H100. Para inferencia, que es memory-bound, esto manda más que los TFLOPs.
- Arquitectura sin FP16: Kepler no tiene media precisión. Perdés las optimizaciones que hoy son estándar.
- Software legacy: tenés que correr versiones viejas de CUDA, drivers y a veces de llama.cpp. Los frameworks nuevos ya no dan soporte a esas placas.
- Consumo: la K80 chupa unos 235W contra los 141W de una V100 más nueva y rápida. Pagás más de luz por menos rendimiento.
La forma de trabajar con estas restricciones es aceptar el terreno: software un poco viejo, modelos chicos (por debajo de 8B parámetros) y solo inferencia, nunca entrenamiento. Dentro de esa caja, andan bien.
Costo-beneficio: ¿cuándo conviene una e-waste GPU frente a una nueva?
Conviene cuando tu presupuesto es menor a USD 500 y tu objetivo es aprender, experimentar o correr inferencia liviana sin exigencias de uptime. Si necesitás uptime del 99,9% o entrenar modelos, no. Ahí el hardware viejo te sale más caro en tiempo perdido y luz que lo que ahorrás en la compra.
Un ejemplo de números redondos: cuatro K80 salen unos USD 200 más otros USD 100 mensuales de electricidad (tiran calor, comen watts). Enfrente, una L40 nueva ronda los USD 8.000 pero consume menos, ponele USD 50 al mes. La cuenta cierra distinto según cuánto tiempo la pienses usar y cuánto te importe el consumo.
Y hay costos escondidos: las Tesla no traen ventilador (son placas de servidor con refrigeración pasiva), así que tenés que armarte el cooling. Sumá una PSU sobredimensionada y el ruido. Si en vez de pelear con todo eso preferís no tener hardware físico, un VPS o cloud en donweb.com te saca el problema de encima y pagás solo por lo que usás.
¿Por qué el e-waste de IA es problema ambiental y oportunidad a la vez?
Es problema porque el ciclo de reemplazo de GPUs de datacenter es cortísimo y genera montañas de descarte. Es oportunidad porque muchas de esas placas todavía funcionan y una segunda vida en homelabs evita fabricar hardware nuevo. Los dos lados son ciertos al mismo tiempo. Lo explicamos a fondo en alternativas con Google Gemini disponibles.
El análisis de Knowledge Hub Media sobre el e-waste de la IA apunta a algo incómodo: una H100 corriendo al 25% de utilización desperdicia más que una A100 al 75%. Comprar lo último y usarlo mal es peor, en términos ambientales, que exprimir hardware más viejo. Hay tecnologías como MIG (que particiona una H100 en instancias) o propuestas tipo GreenLLM que buscan reducir ese desperdicio.
Reutilizar no arregla el problema de raíz, ojo. Pero mientras una placa rinda para algo útil, mandarla a la basura es la peor opción de todas.
Errores comunes al comprar GPUs e-waste
- Creer que la K80 tiene 24 GB usables: son dos GPUs de 12 GB separadas. Si tu modelo necesita 16 GB contiguos, no entra. Verificá siempre memoria por chip, no el total de catálogo.
- Tirarle frameworks nuevos a Kepler: PyTorch o llama.cpp recientes te van a fallar. Necesitás versiones viejas y compatibles. Averiguá qué stack soporta la placa antes de comprarla, no después.
- Comprarla para entrenar: estas GPUs sirven para inferencia, no para training. Sin FP16 y con poco ancho de banda, entrenar es un martirio. Usalas para correr modelos, no para hacerlos.
- Ignorar cooling y energía: vienen sin ventilador y consumen mucho. El ahorro de la compra se te va en adaptadores de refrigeración y factura de luz si no lo planeás.
Preguntas Frecuentes
¿Puedo usar GPUs viejas para deep learning moderno?
Sí, pero solo para inferencia de modelos chicos (por debajo de 8B parámetros) y con software compatible. Para entrenar no sirven: las arquitecturas Kepler no tienen FP16 y el ancho de banda es demasiado bajo. Andan bien para experimentar y aprender en un homelab.
¿Cuál es el rendimiento real del Tesla K80 en LLM?
Unos 50 tokens por segundo en Llama 3 8B, según las pruebas de esologic. Es utilizable para chat local o tareas sin apuro, pero muy lento frente a una GPU moderna. El limitante es el ancho de banda de ~240 GB/s por chip.
¿Qué GPU e-waste tiene la mejor relación valor-rendimiento?
La Tesla P100, por su memoria HBM2 y un precio de USD 50 a 150. Para cargas de LLM específicas, la P40 la supera y trae 24 GB reales por cerca de USD 150. Si tu caso es reconocimiento de voz, la M60 a USD 50 rinde sorprendentemente bien en Whisper.
¿Es viable reutilizar GPUs de datacenter sin limitaciones?
No, siempre hay limitaciones. Vas a lidiar con software legacy, falta de FP16, poco ancho de banda y consumo alto. Dentro de esa caja (inferencia, modelos chicos, versiones viejas de frameworks) funcionan bien. Fuera de ella, no.
¿Cuánto consume una Tesla K80 comparada con una GPU más nueva?
La K80 consume alrededor de 235W, mientras que una V100 más rápida y moderna se maneja con unos 141W. Pagás más electricidad por menos rendimiento, un costo que hay que sumar al análisis de si conviene la placa vieja.
Conclusión
El benchmarking de GPUs e-waste dejó una foto clara: estas placas no son una ganga mágica ni chatarra inservible, son herramientas de nicho. Para un homelab con presupuesto ajustado que quiere correr inferencia y aprender, una P100 o una P40 de segunda mano son una entrada barata al mundo de la IA local.
Lo que cambió es que ahora tenemos data medida, no intuiciones. Sabemos que la K80 hace 50 tokens/seg, que la M60 vuela en Whisper y que ninguna sirve para entrenar. Si ya tenés una de estas placas, la respuesta es exprimirla. Si estás por comprar, andá a la P100 o la P40 y olvidate del entrenamiento. Y si lo que necesitás es infraestructura confiable sin pelear con cooling ni drivers viejos, el cloud sigue siendo el camino corto.
Fuentes
- esologic – Benchmarking de GPUs Tesla e-waste con 17 pruebas modernas
- GPU Dojo – Review de la Tesla K80 24GB para IA
- Microway – Deep learning benchmarks: P100, K80 y M40
- Nature Communications Earth & Environment – Residuos electrónicos de la infraestructura de IA
- Knowledge Hub Media – El problema de e-waste de la IA