# Construir un laboratorio casero para IA generativa sin gastar una fortuna Durante bastante tiempo mi Home lab base fue una **Maximus V Gene**, con **32 GB de RAM** y un **Intel i7** 3770k que, para su época, me dio muchísimas alegrías. Fue una plataforma noble, estable y de esas que uno termina conociendo de memoria: sabes hasta donde la podes exigir, que cargas tolera bien y en que momento conviene no pedirle mas. No es un equipo pensado para "IA generativa", pero si fue una maquina con la que aprendí algo importante: cuando tenes curiosidad técnica, muchas veces el limite no es el hardware perfecto sino empezar con lo que ya tenes. Con esa base fui probando entornos, virtualizacion, servicios locales y varias ideas que en su momento no tenían nombre de moda, pero que en esencia ya apuntaban a lo mismo: montar laboratorio propio, controlar el entorno y aprender haciendo. ![](https://cdn.hashnode.com/uploads/covers/671bda27f4744055fbd58e22/6484387c-b0f9-420f-ba8d-7615e447226e.png align="center") ## Cuando el upgrade no llega por compra, sino por oportunidad En un momento apareció una oportunidad inesperada: me regalaron una **H310M H 2.0**. No era el tipico upgrade que uno planifica durante meses comparando benchmarks, VRM, lanes PCIe o capacidad de expansión. De hecho, desde afuera podría parecer un movimiento raro: pasar de una placa que en su momento estaba bastante bien posicionada a otra mucho mas simple. Pero en laboratorios personales no siempre gana "la mejor placa". Muchas veces gana la que te permite seguir construyendo. Y eso fue exactamente lo que paso. La H310M H 2.0 junto con un i7 8700 y 32 gb de ram ddr4 me dieron una excusa perfecta para reorganizar lo que tenia, rearmar el stack, separar mejor usos y convertir ese cambio en algo mas interesante que un simple recambio de motherboard: **termino siendo la base de mi home lab para Gen AI**. Con el tiempo, esa base también se fue fortaleciendo del lado que mas impacto tenia para este tipo de laboratorio: la GPU. En un momento pude comprar una **NVIDIA A2000 de 12 GB**, y mas adelante sume una **NVIDIA A5000 de 24 GB**. Ese salto fue clave. Porque una cosa es tener ganas de experimentar con Gen AI en local, y otra muy distinta es empezar a contar con hardware que realmente te deja probar modelos, probar inferencia con mas margen y construir flujos mas ambiciosos sin quedar tan limitado desde el arranque. ## Del PC de uso general al home lab Ese cambio me ayudo a pensar el equipo de otra manera. Ya no como un simple servidor "para todo", sino como un entorno donde podía levantar herramientas, romper cosas, reconstruir servicios y probar flujos sin depender de cloud desde el minuto cero. Cuando armas un home lab, incluso con hardware modesto, empezás a mirar distinto: * que servicios querés dejar persistentes * que cosas pueden correr en contenedores * que procesos querés automatizar * que parte del lab sirve para aprender y que parte sirve para producir valor real En mi caso, el foco se fue yendo cada vez mas hacia **Gen AI en local**. No necesariamente para competir con infra grande, sino para entender mejor el ecosistema, iterar rápido y tener control real sobre el entorno donde corro modelos, herramientas y experimentos. ## Jugar con Gen AI en casa, pero con intención Una de las cosas que mas me interesaba era evitar el típico laboratorio caótico donde todo vive suelto, sin orden y sin una forma clara de conectar piezas. Por eso empece a jugar con tres componentes que, juntos, me resultaron especialmente interesantes: * [**Backstage**](https://backstage.io/) * [**Ollama**](https://ollama.com/) * [**MCPs**](https://modelcontextprotocol.io/docs/getting-started/intro) * [**N8N**](https://n8n.io) Cada uno me resolvía una parte distinta del problema. ## Backstage como capa de orden [Backstage](https://backstage.io/) me resulto útil porque aporta algo que muchos laboratorios caseros no tienen al principio: **estructura**. Cuando empezás a sumar servicios, scripts, APIs locales, repositorios, pipelines y experimentos de IA, todo se puede volver desprolijo muy rápido. Backstage ayuda a poner catalogo, documentación, relaciones entre componentes y una vista mas ordenada del ecosistema. En otras palabras: deja de ser "tengo varias cosas corriendo" para convertirse en "tengo una plataforma personal que entiendo y puedo evolucionar". Y eso, incluso en un home lab chico, vale mucho. ## Ollama para correr modelos en local [Ollama](https://ollama.com/) fue otra pieza clave porque me permitió hacer algo muy concreto: **correr modelos localmente de forma simple**. Esa parte me interesaba especialmente por varios motivos: * reducir dependencia de servicios externos para pruebas * entender mejor limites reales del hardware * experimentar con prompts, herramientas y automatizaciones de forma mas privada * tener un entorno repetible para hacer pruebas técnicas No hace falta tener un datacenter en casa para aprender mucho con esto. A veces alcanza con aceptar las limitaciones del equipo y usarlas a tu favor: modelos mas chicos, pruebas mas enfocadas y expectativas alineadas con el hardware que realmente tenes. En mi caso, la llegada de la **A2000 12 GB** primero y de la **A5000 24 GB** después cambio bastante el panorama. Ya no era solo "ver si algo corría", sino empezar a evaluar que combinaciones de modelos, contexto y herramientas podían ser realmente útiles dentro del lab ## n8n para automatizar y orquestar flujos [n8n](https://n8n.io/) apareció como una pieza muy natural dentro de ese ecosistema porque me permitió bajar muchas ideas a flujos concretos. Cuando empezás a combinar modelos locales, APIs, scripts, bases de datos y servicios del laboratorio, enseguida aparece una necesidad bastante práctica: **orquestar**. No alcanza solo con tener las piezas disponibles; también hace falta conectarlas de una manera que sea mantenible, visible y fácil de iterar. Ahí n8n me resultó especialmente útil para: * automatizar tareas repetitivas * conectar servicios locales con lógica de negocio simple * probar flujos con LLMs sin tener que codear todo desde cero * dejar procesos mas ordenados y observables. ![](https://cdn.hashnode.com/uploads/covers/671bda27f4744055fbd58e22/631caec1-3c9c-40ae-860b-d7e5bb7dad6a.png align="center") ![](https://cdn.hashnode.com/uploads/covers/671bda27f4744055fbd58e22/91de3584-aaf3-464a-9670-b64682dda89c.png align="center") ![](https://cdn.hashnode.com/uploads/covers/671bda27f4744055fbd58e22/8e92e3fa-cf4d-4195-b901-e0e42a8d589b.png align="center") ## MCPs para conectar herramientas con contexto Otra pata importante fueron los **MCPs**. Lo interesante acá no era solo "usar IA", sino empezar a conectar modelos con herramientas, contexto y acciones reales dentro del laboratorio. Esa capa abre una puerta mucho mas potente que el simple chat. Con MCPs, la conversación deja de ser solo texto y empieza a rozar algo mas útil: * acceso controlado a información * integración con servicios locales * interacción con herramientas del entorno * flujos mas cercanos a asistentes técnicos reales Para un home lab, esto es ideal, porque te permite experimentar con arquitectura, integración y seguridad al mismo tiempo. ## Lo mas valioso no fue el hardware Si miro el recorrido completo, la conclusión mas honesta es esta: **lo mas valioso no fue pasar de una plataforma a otra, sino la forma en que ese cambio me obligo a repensar el uso del equipo**. La Maximus V Gene con 32 GB de RAM y un i7 fue una etapa importantísima. La H310M H 2.0, aun siendo una placa mas modesta, termino habilitando otra cosa: una transición mental desde "mi vieja PC" hacia "mi laboratorio". Y a eso se sumo algo todavía mas determinante para el enfoque de IA: pasar por una **NVIDIA A2000 de 12 GB** y después incorporar una **NVIDIA A5000 de 24 GB**. Ahí el home lab dejo de ser solo una idea interesante y empezó a convertirse en una plataforma mucho mas capaz para experimentar en serio. Y cuando esa idea se acomoda, aparecen posibilidades nuevas: * documentar mejor * experimentar mas rápido * iterar arquitectura local * probar Gen AI sin esperar una infraestructura ideal ![](https://cdn.hashnode.com/uploads/covers/671bda27f4744055fbd58e22/b2604a8b-70fe-4f42-a276-6dd02d1e2bfd.png align="center") ## Home lab también es criterio Hay algo que me gusta mucho de estos recorridos técnicos: te obligan a construir criterio. No todo pasa por comprar la ultima plataforma ni por perseguir una lista infinita de specs. A veces el avance real viene de reutilizar, adaptar, aceptar restricciones y aun así construir algo útil encima. Eso fue, en buena parte, este proceso. Arranqué con una Maximus V Gene como base, después apareció una H310M H 2.0 casi de casualidad, y termino en un home lab montado sobre [**k3s**](https://k3s.io/) **(Kubernetes ultra liviano)**, donde pude explorar **Backstage, Ollama, n8n y MCPs**. En el medio, la incorporación de una **A2000 de 12 GB** y luego una **A5000 de 24 GB** le dio al laboratorio una dimensión mucho más concreta para trabajar con modelos locales. En Ollama, por ejemplo, pude correr modelos generales como llama3.1:8b, llama3.2:3b, qwen2.5:7b, mistral:7b-instruct y gemma2:9b; modelos orientados a código como qwen2.5-coder:7b y codellama:7b-instruct; modelos de seguridad como [Foundation-Sec](https://blogs.cisco.com/security/foundation-sec-cisco-foundation-ai-first-open-source-security-model) ( **Cisco Foundation AI )** en varias especializaciones, [sec-reasoning-es](https://blogs.cisco.com/security/foundation-sec-8b-reasoning-worlds-first-security-reasoning-model) y [**DeepHat**,](https://www.deephat.ai/) antes conocido como [**WhiteRabbitNeo**](https://huggingface.co/WhiteRabbitNeo); y también modelos de embeddings como nomic-embed-text, mxbai-embed-large y bge-m3. ![](https://cdn.hashnode.com/uploads/covers/671bda27f4744055fbd58e22/b4b65e8c-d73b-4b8f-a589-899de99b3a14.png align="center") No fue una evolución lineal ni un upgrade de catalogo. Fue algo mejor: un camino realista hacia un laboratorio personal para aprender, probar y jugar en serio con Gen AI. El Case utilizado para mi Home Lab [https://www.printables.com/model/650130-little-boy-m-matx-pc-case](https://www.printables.com/model/650130-little-boy-m-matx-pc-case) ![](https://cdn.hashnode.com/uploads/covers/671bda27f4744055fbd58e22/546f1e08-52aa-495e-967e-26818c4de496.png align="center")