Mi Homelab: el laboratorio de un CIO

Antes de tener un homelab ya necesitaba un sitio donde aprender

Llevo toda la vida trasteando con tecnología. Mucho antes de que la palabra homelab se pusiera de moda ya necesitaba un lugar donde probar ideas, desmontar configuraciones, romper cosas, volver a montarlas y entender cómo funcionaban realmente.

Siempre he sentido una curiosidad enorme por la tecnología. No me basta con leer cómo funciona algo o ver una demostración. Necesito instalarlo, tocarlo, equivocarme, reconstruirlo y entender por qué funciona… y también por qué deja de hacerlo.

Con los años me he dado cuenta de que esa curiosidad nunca ha desaparecido. Al contrario, sigue siendo una parte importante de mi forma de trabajar. Cuando aparece una tecnología nueva no pienso primero en cómo utilizarla. Pienso en cómo puedo entenderla de verdad.

Durante muchos años he necesitado un lugar donde hacerlo sin depender de proyectos, presupuestos, prioridades empresariales o calendarios. Un espacio donde pudiera investigar una tecnología simplemente porque quería aprenderla, sin tener que justificar previamente su utilidad.

No buscaba montar un CPD en casa.

Buscaba un lugar donde poder equivocarme sin consecuencias, experimentar con total libertad y saciar esa necesidad constante de comprender cómo están hechas las cosas por dentro.

Con el tiempo descubrí que el verdadero valor de mi homelab nunca estuvo en los servidores, en los contenedores o en el hardware. Estaba en las decisiones que aprendía a tomar gracias a él.

Hoy sigo utilizándolo exactamente con la misma filosofía. Es mi espacio de independencia tecnológica. Mi propio laboratorio de I+D+i personal. Un entorno donde puedo investigar, experimentar y aprender sin depender de nadie. Si quiero entender una tecnología, no tengo que esperar a que llegue un proyecto o a que alguien decida probarla. Simplemente la instalo, la pongo a prueba, intento romperla y descubro por mí mismo hasta dónde merece la pena.

Con el tiempo también entendí que un homelab no sirve únicamente para aprender tecnología. Sirve para desarrollar criterio. Muchas de las ideas que hoy forman parte de mi forma de analizar y tomar decisiones tecnológicas empezaron años antes como pruebas personales: instalando herramientas, comparando alternativas, equivocándome y tratando de entender por qué algo funcionaba o dejaba de hacerlo.

Este artículo no pretende ser una guía de compras ni una lista de hardware. Pretende enseñarte cómo ha evolucionado mi laboratorio, por qué sigue siendo una pieza fundamental de mi forma de trabajar y qué decisiones me han llevado a construir el entorno que utilizo hoy.

¿Por qué montar un homelab?

Las razones pueden ser muchas, pero estas son las que más sentido tienen para mí:

• Aprender haciendo: no hay mejor forma de entender Docker, redes, firewalls, backups o virtualización que montarlos tú mismo.
• Probar antes de implementar: antes de desplegar una herramienta en un entorno serio, puedes validarla en tu homelab con mucha más tranquilidad.
• Automatizar el hogar: desde un servidor de domótica con Home Assistant hasta un sistema de monitorización energética, cámaras, sensores o climatización.
• Tener control sobre tus datos: fotos, documentos, contraseñas, backups y servicios propios en tu hardware, sin depender siempre de terceros.
• Mantenerte al día: la tecnología avanza muy rápido. Un homelab te obliga a tocar cosas reales y no quedarte solo en la teoría.
• Equivocarte sin dramas: romper una VM o un contenedor en casa es una lección; romper producción es otra historia.

Para mí, esa es la clave: un homelab te da libertad para experimentar. Y esa libertad, si trabajas en tecnología, vale muchísimo.

El hardware: no hace falta gastarse un dineral

Uno de los mayores mitos es pensar que necesitas un rack lleno de servidores enterprise para empezar. La realidad es bastante más sencilla: puedes montar un homelab útil con hardware que ya tengas por casa.

Una de las preguntas que más me hacen es qué hardware recomiendo para empezar un homelab.

Mi respuesta casi siempre sorprende.

Empieza con lo que ya tienes.

Casi todos mis laboratorios han empezado aprovechando hardware que ya estaba en casa: un portátil viejo, un PC que había quedado en desuso, un mini PC olvidado o un equipo al que simplemente podía darle una segunda vida.

Siempre me ha gustado esa idea. No se trata de comprar servidores para aprender. Se trata de demostrar hasta dónde puedes llevar un hardware que muchos darían por amortizado.

Con el tiempo, cuando descubres qué tecnologías quieres investigar y qué limitaciones empiezan a frenarte, ya decides si merece la pena invertir en algo más potente.

Porque el objetivo nunca ha sido tener el laboratorio más grande. Siempre ha sido tener el laboratorio adecuado para seguir aprendiendo.

Y aquí hay una diferencia importante respecto al entorno empresarial.

Un laboratorio personal no sustituye los entornos, procedimientos y mecanismos de validación que pueda necesitar una organización. Su finalidad es diferente: disponer de un espacio independiente para aprender, experimentar y comprender mejor una tecnología antes de formarse una opinión sobre ella.

Mi homelab existe precisamente porque quiero mantener un espacio completamente independiente donde investigar las tecnologías que me interesan, aprender sin condicionantes y experimentar con total libertad. Es mi propio laboratorio de I+D+i personal.

Para empezar: un PC o portátil viejo

Con un ordenador que ya no uses puedes instalar Ubuntu Server, Debian, Proxmox VE, Docker o Home Assistant y empezar a probar servicios reales. No necesitas nada espectacular para aprender redes, contenedores, copias de seguridad, monitorización o despliegues básicos.

Un portátil viejo, por ejemplo, tiene una ventaja muy práctica: trae pantalla, teclado y batería integrada. No es lo más elegante para un homelab permanente, pero como primer laboratorio es más que suficiente.

Siguiente nivel: un mini PC

Para mí, el punto dulce de un homelab doméstico suele estar en los mini PCs. Equipos como HP EliteDesk, Dell OptiPlex Micro, Lenovo ThinkCentre Tiny, Intel NUC o mini PCs modernos con Ryzen consumen poco, hacen poco ruido y ocupan muy poco espacio.

Con 16 GB de RAM y un SSD de 500 GB ya puedes montar bastantes contenedores y alguna máquina virtual ligera. Si puedes ir a 32 GB o 64 GB de RAM, mucho mejor, sobre todo si quieres virtualizar más, jugar con IA local o levantar varios servicios a la vez.

La gran ventaja del mini PC es que no te obliga a convertir tu casa en una sala de servidores. Un equipo pequeño, silencioso y eficiente puede estar encendido 24/7 sin que te acuerdes de él cada vez que llega la factura de la luz.

Mi propio laboratorio ha ido evolucionando exactamente así.

Lo que empezó siendo un entorno pensado principalmente para virtualización, Docker y administración de sistemas terminó cambiando por completo con la llegada de la inteligencia artificial local.

Nunca imaginé que la misma GPU que utilizaba para jugar acabaría convirtiéndose también en una herramienta para ejecutar modelos de lenguaje, probar asistentes locales y construir agentes de IA.

Hoy esa GPU tiene una doble vida. Unas veces sirve para disfrutar de un rato de videojuegos con amigos o con la familia. Otras veces está ejecutando modelos de IA durante horas mientras pruebo nuevas ideas.

Y precisamente eso es lo que más me gusta de la tecnología: descubrir usos que ni siquiera imaginabas cuando compraste el hardware.

Mini PC + eGPU: potente, pero con matices

Una combinación cada vez más interesante es usar un mini PC junto a una GPU externa, especialmente para inteligencia artificial local. Pero aquí conviene ser realista.

No todos los mini PCs sirven para conectar una eGPU. Lo ideal es que el equipo tenga Thunderbolt 3, Thunderbolt 4, USB4 compatible con PCIe o un puerto OCuLink real. Algunos usuarios también hacen montajes más artesanales usando ranuras M.2 internas con adaptadores PCIe, pero eso ya no es algo que recomendaría como solución universal: depende muchísimo del modelo, de la BIOS, del espacio físico, de la alimentación y de la estabilidad del conjunto.

Es importante decirlo claro: no basta con que un mini PC tenga una ranura M.2 WiFi para asumir que puedes convertirlo fácilmente en una eGPU estable. En algunos casos se puede hacer, pero no es algo limpio ni garantizado para todo el mundo.

Si el equipo tiene USB4 o Thunderbolt, una eGPU con una NVIDIA RTX 3060, 4060, 4070, 3090 o 4090 puede convertir un mini PC silencioso en una máquina muy capaz para IA local, edición, pruebas de inferencia o incluso gaming. Eso sí: una eGPU siempre tiene más limitaciones que una GPU interna en PCIe x16. Para inferencia de modelos de lenguaje puede funcionar muy bien, porque muchas cargas dependen más de VRAM y ancho de banda interno de la GPU que de transferencias constantes por PCIe, pero no hay que venderlo como magia.

Mi resumen sería este: mini PC + eGPU es una combinación muy potente, pero solo si sabes qué conexión tiene tu equipo y aceptas sus límites.

Cuando quieres más: servidor o workstation de segunda mano

Los servidores Dell PowerEdge, HP ProLiant o workstations de segunda mano pueden parecer muy tentadores: mucha RAM, muchos discos, CPUs Xeon y precio bajo en Wallapop o eBay.

Pero tienen letra pequeña: ruido, calor, consumo eléctrico, tamaño, fuentes propietarias, ventiladores pequeños girando a muchas revoluciones y, a veces, hardware antiguo que no compensa tanto como parecía.

No digo que no tengan sentido. Para aprender virtualización, almacenamiento, redes o clustering pueden ser una maravilla. Pero mi recomendación sigue siendo la misma: empieza pequeño y escala cuando sepas exactamente qué necesitas.

El software que ha terminado quedándose en mi laboratorio

Con los años he probado muchísimo software. Algunas herramientas estuvieron unas semanas. Otras desaparecieron al cabo de unos meses. Y unas pocas han terminado formando parte del laboratorio porque siguen resolviendo problemas reales.

La lista que viene a continuación no es una colección de aplicaciones que recomendaría instalar el primer día. Es el conjunto de herramientas que, después de muchas pruebas, siguen teniendo sentido en mi forma de trabajar.

Software	Para qué sirve
Proxmox VE	Virtualización con máquinas virtuales y contenedores LXC
Docker + Portainer	Contenedores con una interfaz web cómoda para gestionarlos
TrueNAS / OpenMediaVault	NAS para almacenamiento, backups y compartición de archivos
Pi-hole / AdGuard Home	Bloqueo DNS de publicidad, rastreadores y dominios no deseados a nivel de red
Uptime Kuma	Monitorización sencilla del estado de servicios, webs y contenedores
Vaultwarden	Gestor de contraseñas autogestionado compatible con clientes Bitwarden
Home Assistant	Automatización del hogar: luces, sensores, clima, energía, presencia y escenas
Ollama / LM Studio	Ejecución local de modelos de lenguaje como Llama, Mistral, Phi, Gemma o Qwen
Open WebUI	Interfaz web tipo ChatGPT para usar modelos locales servidos por Ollama u otros backends
Caddy / Nginx Proxy Manager / Traefik	Proxy inverso, HTTPS y publicación controlada de servicios

Algunos de estos servicios los he cubierto en la serie «Jugando con Docker». Si te interesa montar alguno, échales un ojo porque son proyectos perfectos para aprender sin complicarte demasiado al principio.

¿Y VMware ESXi?

Durante muchos años, VMware ESXi fue una opción muy habitual para laboratorios domésticos. Pero hoy ya no lo recomendaría como punto de partida para alguien que empieza. Tras los cambios de Broadcom, la versión gratuita de ESXi dejó de estar disponible como antes, y el ecosistema VMware se ha vuelto bastante menos atractivo para homelabs domésticos.

Si estás empezando desde cero, miraría antes Proxmox VE, Ubuntu Server con Docker, Debian o incluso Hyper-V si quieres quedarte dentro del mundo Windows. VMware sigue existiendo y sigue siendo muy importante en empresas, pero para un homelab nuevo ya no me parece la recomendación más limpia.

IA local en el homelab: Ollama y LM Studio

Durante los últimos años la inteligencia artificial local ha vuelto a transformar mi laboratorio.

Lo que hasta entonces había sido un entorno centrado en virtualización, redes, automatización y contenedores se convirtió también en un espacio donde probar modelos de lenguaje, asistentes locales y nuevas formas de trabajar con IA.

No había planificado montar un laboratorio de inteligencia artificial. La evolución llegó sola: cambió la tecnología y mi curiosidad fue detrás de ella.

Uno de los usos que más fuerza ha cogido en los últimos años es ejecutar modelos de lenguaje de forma local. Herramientas como Ollama y LM Studio permiten descargar y ejecutar modelos en tu propio hardware, sin depender siempre de APIs externas y sin enviar cada prompt a un proveedor cloud.

Aquí conviene usar bien las palabras. Muchos modelos populares no son exactamente “open source” en sentido estricto. Algunos son open-weight: puedes descargar los pesos y ejecutarlos localmente, pero la licencia puede tener condiciones. Por eso prefiero decir que puedes ejecutar modelos locales o modelos de pesos abiertos, como Llama, Mistral, Qwen, Phi, Gemma o DeepSeek, según disponibilidad y licencia de cada uno.

Ollama

Ollama es probablemente una de las formas más sencillas de empezar con modelos locales si te gusta trabajar con terminal o si quieres montar un backend local para otras herramientas.

Con un comando puedes descargar y ejecutar un modelo:

ollama pull llama3.2
ollama run llama3.2 "Explica qué es Docker en una frase"

Ollama también se puede usar como servidor local. Por defecto suele escuchar en el puerto 11434, y eso permite conectarlo con herramientas como Open WebUI, Continue, scripts propios, agentes o flujos de automatización.

Ejemplo de llamada local:

curl http://localhost:11434/api/generate -d '{
  "model": "llama3.2",
  "prompt": "Resume qué es un homelab en tres puntos."
}'

También se puede desplegar con Docker, algo muy interesante si ya tienes un stack de contenedores en tu homelab:

docker run -d \
  --name ollama \
  -p 11434:11434 \
  -v ollama:/root/.ollama \
  ollama/ollama

Si quieres usar GPU dentro de Docker, especialmente con NVIDIA, hay que configurar correctamente los drivers y el runtime de contenedores. No basta con copiar un comando de Internet: conviene revisar la documentación oficial y adaptar el despliegue a tu hardware.

LM Studio

LM Studio es una opción más visual. Tiene interfaz gráfica, buscador de modelos, chat integrado y controles para ajustar parámetros como temperatura, contexto o carga en GPU. Para probar modelos nuevos es comodísimo.

Su gran ventaja es que puedes buscar modelos desde la propia aplicación, elegir una cuantización GGUF, descargarla y probarla sin salir de la interfaz. Si estás comparando modelos, es mucho más cómodo que hacerlo todo a mano.

LM Studio también puede levantar un servidor local compatible con APIs tipo OpenAI. Eso significa que algunas herramientas que normalmente apuntarían a una API externa pueden apuntar a tu servidor local, normalmente en el puerto 1234.

Para mí, la diferencia práctica es esta:

• LM Studio es ideal para descubrir, descargar, comparar y probar modelos.
• Ollama es ideal para dejar modelos disponibles por API y conectarlos con el resto del homelab.

Si vas en serio con IA local, no tienes por qué elegir solo uno. Puedes usar LM Studio como laboratorio y Ollama como motor estable para tus automatizaciones.

¿Qué modelos usar según tu hardware?

Esta parte hay que tomarla como orientación, no como una ley matemática. El rendimiento de un modelo local depende de muchas cosas: RAM, VRAM, CPU, GPU, cuantización, tamaño de contexto, sistema operativo, drivers y backend usado.

Además, no es lo mismo “cargar un modelo” que usarlo de forma cómoda. Un modelo puede arrancar, pero ir tan lento que no sea práctico.

Hardware aproximado	Modelos razonables	Comentario realista
8 GB RAM, sin GPU dedicada	Modelos pequeños de 1B a 3B cuantizados: Phi, Qwen pequeño, Llama 3.2 1B/3B	Sirve para aprender y probar, pero no esperes milagros
16 GB RAM, sin GPU dedicada o con iGPU	Modelos de 3B a 8B cuantizados en Q4	Útil para pruebas, asistentes ligeros y aprendizaje
32 GB RAM + GPU NVIDIA de 8-12 GB VRAM	Modelos 7B/8B muy cómodos, 14B razonables, 30B/32B con limitaciones	Buen punto de entrada para IA local seria
64 GB RAM + GPU NVIDIA de 16 GB VRAM	Modelos 14B cómodos, 30B/32B viables con cuantización	Muy buen equilibrio para homelab avanzado
64-128 GB RAM + RTX 3090/4090 de 24 GB VRAM	Modelos 30B/32B muy interesantes; 70B cuantizados pueden ser posibles con offload	70B puede funcionar, pero no siempre será rápido ni cómodo

Antes habría sido tentador decir “con 32 GB de RAM y una eGPU puedes mover un 70B cuantizado”. Técnicamente, en algunos casos se puede llegar a cargar algo así con cuantización agresiva y offload parcial a CPU/RAM, pero no lo vendería como experiencia recomendable. Para un uso fluido, los modelos de 7B, 8B, 14B y 30B/32B suelen tener mucho más sentido en hardware doméstico.

La combinación de un mini PC moderno con una GPU NVIDIA de 12 GB o más puede ser un punto dulce muy interesante. Y si tienes una RTX 3090 o 4090 con 24 GB de VRAM, ya puedes jugar en una liga bastante seria para IA local.

Si quieres profundizar en este tema, el artículo sobre Inteligencia Artificial cubre los fundamentos.

Lecciones aprendidas montando un homelab

Cuando empecé pensaba que un homelab servía para aprender tecnología.

Hoy creo que sirve para algo bastante más importante.

Sirve para desarrollar criterio.

Cada error, cada servicio que acabas eliminando, cada copia de seguridad que restauras y cada automatización que termina fallando cambia un poco la forma en la que vuelves a tomar decisiones.

Y eso es mucho más valioso que cualquier hardware.

Montar un homelab enseña cosas que no vienen en los manuales. Algunas son técnicas, pero otras son muy prácticas: ruido, consumo, calor, orden, documentación y paciencia.

Empieza pequeño, escala cuando toque

Al principio es fácil dejarse seducir por un servidor enorme pensando en todo lo que podrías montar en el futuro. Con el tiempo aprendí que, si todavía no sabes qué necesitas, muchas veces terminas comprando ruido, calor y consumo antes que capacidad útil.

Mi consejo es sencillo: empieza con un mini PC, un portátil viejo o una Raspberry Pi. Cuando sepas exactamente qué servicios usas de verdad y qué límites te encuentras, entonces inviertes.

La electricidad y el ruido importan

Un servidor enterprise en casa no es como un PC normal. Puede consumir 100, 150, 200 W o más funcionando 24/7. Y no solo es el consumo: también está el ruido y el calor.

Un mini PC moderno puede consumir muy poco en reposo y hacer prácticamente cero ruido. Para un homelab doméstico, eso vale oro.

Documenta todo

Al principio recuerdas cómo configuraste cada servicio. A los seis meses, no.

Lleva un registro, aunque sea sencillo, de:

• Qué servicios tienes instalados.
• En qué IP o dominio están.
• Qué puertos usan.
• Dónde están los volúmenes de Docker.
• Cómo se restauran los backups.
• Qué decisiones importantes tomaste y por qué.

La documentación no es burocracia. Es un regalo que te haces a ti mismo para cuando algo falle.

Hardening y backups no son opcionales

Tu homelab puede acabar almacenando datos personales, fotos, documentos, contraseñas, configuraciones de domótica, historiales, certificados y claves API. Si no lo proteges, el problema no es si pasará algo, sino cuándo.

Como mínimo, aplicaría estas ideas:

• Actualizaciones periódicas.
• Contraseñas fuertes y únicas.
• Autenticación multifactor cuando sea posible.
• Evaluar si el acceso remoto debe realizarse mediante VPN o mediante una publicación controlada, según el servicio y el riesgo.
• Firewall bien configurado.
• Separar servicios críticos de pruebas temporales.
• Backups automáticos y probados.

Y sobre backups, la regla 3-2-1 sigue siendo una buena referencia: tres copias, en dos soportes distintos, y una fuera del equipo principal. No hace falta empezar perfecto, pero sí empezar con algo.

No expongas todo a Internet

Este punto merece repetirlo: que puedas publicar un servicio no significa que debas hacerlo.

Para acceder desde fuera, una VPN como WireGuard o Tailscale puede ser la mejor opción para muchos servicios. En otros casos puede tener sentido publicarlos mediante un proxy inverso y controles adicionales. Lo importante es evaluar qué estás exponiendo, por qué necesitas hacerlo y qué riesgo estás dispuesto a asumir.

Un homelab es para aprender, sí. Pero si lo conectas a Internet, deja de ser un juguete aislado.

¿Y ahora qué?

Si estás pensando en montar tu propio homelab, empieza por algo pequeño. Una Raspberry Pi, un PC viejo o un mini PC con Docker te dará más satisfacción que un rack lleno de servidores apagados porque no tienes tiempo de mantenerlos.

En este blog hay varios artículos que te pueden servir de base:

• Lo que mi homelab me enseña como CIO técnico
• Introducción a Docker
• Vaultwarden (gestor de contraseñas)
• Monitorización con Uptime Kuma
• Proxy inverso con Caddy
• Instala OpenClaw en tu homelab
• IA para TI
• Ciberseguridad hoy

Con el tiempo he descubierto que el verdadero valor de un homelab nunca ha estado en los servidores, los contenedores o las máquinas virtuales.

Está en la forma de pensar que desarrollas mientras construyes todo eso.

Porque las herramientas cambiarán. Llegarán otras arquitecturas, otras plataformas y otras tecnologías que hoy ni siquiera imaginamos.

Lo que intento mantener desde hace años no es un conjunto de servidores. Es la curiosidad por entender cómo funcionan las cosas y el criterio para decidir cuándo merece la pena utilizarlas.

Al final, mi homelab no es el sitio donde aprendo una tecnología nueva. Es el lugar donde sigo aprendiendo a tomar mejores decisiones.

¿Qué hardware y software usas tú en tu homelab? Cuéntalo en los comentarios — siempre se aprende de las experiencias reales de los demás.