Imagina un Airbnb o un Uber, pero en lugar de alquilar habitaciones o pedir viajes, lo que se ofrece es potencia de cálculo. Esa es, en esencia, la propuesta de un puñado de startups que están construyendo plataformas para que cualquier persona con un ordenador potente —o incluso un equipo modesto que apenas uses— pueda alquilar los ciclos sobrantes de su procesador y ganar dinero mientras duerme.

La idea llega en un momento crítico. La fiebre del oro de la inteligencia artificial ha disparado la demanda de compute hasta límites insospechados. Entrenar un modelo de frontera puede costar cientos de millones de dólares en recursos computacionales, y luego está el coste continuo de la inferencia: cada vez que un usuario le hace una pregunta a ChatGPT, a Claude o a Gemini, alguien paga por esa operación. Y ahí es donde empieza a haber cuello de botella.

Ilman Shazhaev, fundador y CEO de Far Labs, con sede en Abu Dabi, lo tiene claro: su próximo lanzamiento, Far AI, pretende conectar a propietarios de equipos domésticos con empresas que necesitan capacidad de inferencia para responder consultas de modelos preentrenados. Mientras tanto, John Federico, CEO de Evolving Edge en Austin (Texas), lleva meses operando una beta abierta con la misma filosofía. Su razonamiento es directo: "Todo el mundo cree que la única forma de hacerlo es con centros de datos. Y los centros de datos son extractivos para las comunidades donde se construyen: no devuelven servicios, ni impuestos, ni casi nada a la gente que vive allí. ¿Por qué no darle la vuelta a todo esto?".

El precedente existe, aunque con fines muy distintos. Entre 1999 y 2020, el proyecto SETI@Home orquestó millones de ordenadores domésticos para buscar señales de vida extraterrestre en datos de radiotelescopios. Aquello era voluntariado puro; ahora, la motivación es estrictamente comercial.

Por qué importa este movimiento

El modelo de negocio toca varios puntos sensibles del debate actual sobre la infraestructura de IA. Primero, la concentración: hoy, una poignée de empresas (NVIDIA, Microsoft, Google, Amazon, Oracle) controlan casi todo el compute de entrenamiento e inferencia a gran escala. Democratizar el acceso —aunque sea al segmento de inferencia con modelos open source más ligeros— introduce un contrapeso interesante.

Segundo, la huella ambiental y social. Los macrocentros de datos elevan el precio de la electricidad en las regiones donde se instalan, tensionan redes hídricas —la refrigeración consume cantidades obscenas de agua— y generan rechazo vecinal por el ruido y el impacto paisajístico. Si parte de esa carga se redistribuye a millones de hogares, el efecto agregado podría ser menos invasivo, aunque también más difícil de medir y regular.

Tercero, una nueva fuente de ingresos para particulares y pequeños negocios. No estamos hablando de hacerse millonario con la GPU del salón, pero sí de monetizar un activo infrautilizado. En mercados donde el coste de oportunidad es bajo —Latinoamérica, España, sudeste asiático— esta clase de economía gig digital puede resultar atractiva.

Las dudas razonables

Conviene no lanzar las campanas al vuelo. Hay interrogantes serios. La inferencia distribuida exige redes rápidas y estables; un portátil con WiFi doméstica no es un data center. También está el reto de la latencia: muchos casos de uso de IA requieren respuestas en milisegundos, y enrutar la consulta a un equipo en el salón de alguien en Lima introduce retardos inevitables. Y queda la cuestión de la confianza: ¿quién garantiza que el operador de la plataforma no redirige tu GPU a tareas de minería de criptomonedas o a entrenar modelos con datos sensibles?

Federico defiende que su arquitectura está pensada para cargas que toleran esa asincronía —procesamiento por lotes, generación de embeddings, tareas en segundo plano— más que para chatbots en tiempo real. Es una distinción clave. No todo el compute vale lo mismo, y los precios reflejarán esa jerarquía.

El contexto competitivo

Far Labs y Evolving Edge no están solos. Otras firmas del ecosistema descentralizado —en la órbita de proyectos como Render Network, io.net o Akash— llevan tiempo explorando variantes del mismo concepto, aunque más enfocadas en renderizado 3D o cómputo general. Que gigantes y startups converjan en esta idea sugiere que el modelo tiene tracción real, más allá del hype.

Para los profesionales tech hispanohablantes, la lectura estratégica es doble. Por un lado, una oportunidad de ingresos pasivos que cualquiera con hardware reciente puede explorar —un Ryzen 7 con 32 GB de RAM ya entra en juego—. Por otro, una señal de cómo el ecosistema de IA está buscando atajos para sortear el monopolio de facto que el compute centralizado ejerce sobre el sector. La pregunta ya no es si la inferencia descentralizada será viable, sino cuánto terreno logrará arañar antes de que los hyperscalers reaccionen.