El consumo energético de la inteligencia artificial es uno de esos temas que la industria tecnológica prefiere mantener en voz baja. Mientras los asistentes de IA responden en décimas de segundo y los generadores de imágenes producen obras maestras a petición, en algún lugar del mundo unos enormes edificios sin ventanas están quemando electricidad a un ritmo que empieza a incomodar a los reguladores, a los ecologistas y, poco a poco, también al resto de nosotros.
Los centros de datos: las fábricas invisibles de la IA
Detrás de cada consulta a ChatGPT, cada imagen generada con Midjourney o cada traducción automática hay un centro de datos. Y los centros de datos son, en esencia, máquinas de generar calor que también hacen cálculos.
No son instalaciones modestas. Un centro de datos moderno destinado a cargas de trabajo de inteligencia artificial puede ocupar el equivalente a varios campos de fútbol, funcionar las veinticuatro horas del día los trescientos sesenta y cinco días del año y consumir tanta electricidad como una ciudad mediana. Según estimaciones de la Agencia Internacional de la Energía (AIE), el conjunto de centros de datos del mundo consumió en 2023 en torno a 460 teravatios-hora de electricidad. Para 2026, la agencia prevé que esa cifra podría duplicarse.
Y eso antes de que la IA generativa se convirtiera en el fenómeno de masas que es hoy.
Lo que distingue a la IA del resto de aplicaciones informáticas es la intensidad del cálculo. Entrenar un modelo de lenguaje grande requiere semanas o meses de computación continua en miles de chips especializados. El entrenamiento de GPT-4, según estimaciones publicadas en medios especializados, podría haber consumido más de 50 gigavatios-hora. Para hacerse una idea: un hogar español medio consume alrededor de 3.500 kilovatios-hora al año. Haz las cuentas.
La sed oculta: el agua que nadie menciona
El calor generado por los servidores tiene que ir a algún sitio. La solución más habitual no es el aire acondicionado tradicional, sino sistemas de refrigeración que evaporan agua para mantener las temperaturas bajo control. El resultado es un consumo hídrico masivo que raramente aparece en los titulares.
Microsoft publicó en 2023 su informe de sostenibilidad y reconoció que su consumo de agua había aumentado un 34% respecto al año anterior, coincidiendo con la expansión de su infraestructura de IA. Google reportó un incremento similar. Un estudio de investigadores de la Universidad de California estimó que entrenar GPT-3 consumió aproximadamente 700.000 litros de agua. La cantidad equivale a lo que beben varios cientos de personas durante un año entero.
Y eso fue el entrenamiento. Luego viene la inferencia: cada vez que alguien usa el modelo para hacer una pregunta, el sistema también consume agua, aunque en cantidades menores. Multiplicado por millones de consultas diarias, el volumen vuelve a ser significativo.
Esto plantea una pregunta que pocas empresas responden con claridad: ¿dónde se instalan estos centros de datos y a costa de qué recursos locales? Muchos se ubican en zonas con agua abundante y electricidad barata, pero esas zonas no siempre tienen capacidad infinita, y las comunidades locales no siempre han sido consultadas.
La paradoja verde: IA climática que contamina el clima
Aquí es donde la historia se complica de verdad. Porque la inteligencia artificial también se está usando para combatir el cambio climático: modelos que optimizan redes eléctricas, sistemas que predicen fenómenos meteorológicos extremos, algoritmos que mejoran la eficiencia energética de edificios e industrias. Hemos explorado esto con más detalle al hablar de cómo la IA ayuda a anticipar catástrofes.
Pero existe una tensión real entre los beneficios proyectados y el coste presente. La promesa de una IA verde choca contra la realidad de su huella actual.
La pregunta es legítima: ¿llegaremos a un punto en que la IA ahorre más energía de la que consume? Algunos investigadores creen que sí, que la optimización que permite compensa con creces su gasto. Otros señalan que esos beneficios son hipotéticos y a largo plazo, mientras que el consumo es real e inmediato. Y que, históricamente, cuando una tecnología se vuelve más eficiente, tendemos a usarla más, no menos. Es lo que los economistas llaman el efecto rebote.
No hay respuesta definitiva todavía. Lo que sí hay son datos que apuntan a que el sector tecnológico está alejándose de sus objetivos climáticos, no acercándose. Las emisiones de carbono de Google aumentaron casi un 50% entre 2019 y 2023, según sus propios informes. Microsoft vio crecer las suyas un 30% en el mismo período. Ambas empresas atribuyen buena parte del incremento a la expansión de su infraestructura de IA.
El coste que no está en la factura
Cuando usas un modelo de IA de forma gratuita, o por una suscripción de veinte euros al mes, no estás pagando el coste real. La diferencia la cubren inversores que apuestan por el futuro del sector, subvenciones implícitas en forma de infraestructuras públicas y, en muchos casos, un precio de la energía que no refleja su impacto ambiental completo.
Esto no es una crítica moral, es un análisis estructural. Los costes externalizados no desaparecen: se reparten entre todos. El agua que evapora un centro de datos en Arizona no está disponible para la agricultura local. La electricidad que consume un servidor en Irlanda tiene que generarse en algún sitio, y la red eléctrica tiene una capacidad limitada.
Algo parecido ocurre con las decisiones que tomamos cuando delegamos criterio en los algoritmos. Como señalamos en otro contexto, la IA no solo consume recursos materiales, también empieza a consumir nuestra capacidad de pensar por nosotros mismos. El debate energético y el debate cognitivo están, en el fondo, relacionados: ambos son sobre lo que cedemos sin hacer las cuentas.
Y las cuentas, en el caso energético, son bastante concretas. Según un análisis de Goldman Sachs de 2024, una consulta a ChatGPT consume entre 6 y 10 veces más electricidad que una búsqueda en Google. Con la IA integrada ya en los motores de búsqueda, en los asistentes de voz, en los sistemas de atención al cliente y en las herramientas de productividad, el volumen de esas consultas es difícil de calcular pero fácil de imaginar.
¿Qué dice la industria y qué dicen los datos?
Las grandes tecnológicas no ignoran el problema, o al menos han aprendido a no ignorarlo públicamente. Todas tienen compromisos de neutralidad de carbono, algunas para 2030, otras para 2040. Hablan de energías renovables, de compensación de emisiones y de mejoras en la eficiencia de sus chips y sus centros de datos.
Hay avances reales. Los chips diseñados específicamente para IA, como las GPU de NVIDIA o los TPU de Google, son mucho más eficientes que el hardware de uso general. Las técnicas de compresión de modelos permiten ejecutar versiones más ligeras con menos recursos. Y la industria está invirtiendo fuerte en energía solar y eólica para alimentar sus instalaciones.
Pero hay también una brecha entre el discurso y los números. Los compromisos climáticos corporativos suelen depender de la compra de créditos de carbono, un mecanismo que ha sido criticado por su falta de rigor y verificabilidad. Y la neutralidad de carbono no es lo mismo que reducir emisiones reales.
Además, la velocidad de expansión de la IA está superando la capacidad de las infraestructuras de energía limpia. No es que las empresas no quieran usar renovables: es que no hay suficientes para satisfacer una demanda que crece más rápido de lo que se pueden construir paneles solares o aerogeneradores.
Todo esto conecta con un debate más amplio sobre qué tipo de IA estamos construyendo. Los diferentes modelos de inteligencia artificial tienen huellas energéticas muy distintas, y no siempre elegimos el más adecuado para cada tarea.
¿Puede la eficiencia salvar la situación?
Hay una corriente optimista que argumenta que la historia de la tecnología es la historia de la eficiencia. Los ordenadores de los años cincuenta ocupaban salas enteras y consumían toneladas de energía para hacer lo que hoy hace un reloj inteligente. La ley de Moore y sus derivadas han producido mejoras exponenciales en rendimiento por vatio consumido.
Quizás ocurra lo mismo con la IA. Los modelos más recientes son, efectivamente, más eficientes que sus predecesores para tareas equivalentes. Las técnicas de destilación de conocimiento permiten crear modelos pequeños que se comportan casi como los grandes. Y la investigación en nuevas arquitecturas de chips, incluidas las computadoras neuromórficas que imitan el funcionamiento del cerebro humano, promete saltos de eficiencia importantes.
Pero hay un matiz crucial: la eficiencia no frena el crecimiento si la demanda sigue subiendo. Y la demanda de IA está creciendo a un ritmo que ninguna mejora técnica puede absorber completamente, al menos no a corto plazo.
En el ámbito industrial, ya vemos cómo la IA aumenta la productividad en sectores clave, lo que inevitablemente impulsa más inversión, más infraestructura y más consumo. El círculo se retroalimenta.
También importa para qué usamos esa eficiencia ganada. Un modelo de IA muy eficiente usado para generar miles de millones de imágenes decorativas o para optimizar campañas de publicidad online tiene un perfil de impacto muy distinto al de un modelo usado para acelerar el descubrimiento de nuevos materiales para baterías o para diseñar fármacos contra enfermedades raras.
La eficiencia técnica no sustituye a las decisiones sobre para qué aplicamos la tecnología.
Regulación: ¿alguien al volante?
La Unión Europea ha empezado a mover ficha. La Ley de IA europea incluye algunos requisitos de transparencia para los sistemas de mayor riesgo, pero el consumo energético de la IA no es todavía una obligación de reporte estándar. Algunos países, como los Países Bajos, han comenzado a exigir a los centros de datos información detallada sobre su consumo de agua y electricidad. Son iniciativas aisladas, no un marco coherente.
En Estados Unidos, donde se concentra la mayor parte de la infraestructura de IA del mundo, la regulación en este ámbito es prácticamente inexistente a nivel federal. Algunos estados han adoptado medidas propias, pero el sector opera con una libertad que contrasta con la urgencia de los datos disponibles.
La comparación con otros sectores es reveladora. La aviación, la ganadería intensiva o la industria del cemento están sujetas a regulaciones y presiones de reporte mucho más estrictas en materia ambiental que la industria tecnológica, pese a que el consumo energético de inteligencia artificial está creciendo a una velocidad que ninguno de esos sectores alcanza.
Esto no es casual. Las empresas tecnológicas tienen una capacidad de lobby considerable y han logrado posicionarse durante décadas como parte de la solución al problema climático, no como parte del problema. Los sesgos que transmitimos a los sistemas de IA también incluyen los narrativos: quién es el héroe de la historia y quién paga los platos rotos.
Lo que parece claro es que la autorregulación no está funcionando al ritmo que los datos exigen. Los compromisos voluntarios son bienvenidos, pero los informes de sostenibilidad de las propias empresas muestran que las emisiones suben mientras los compromisos se mantienen.
¿Estamos ante un problema de diseño o de escala?
Al final, hay dos maneras de interpretar este panorama. La primera es que el consumo energético de la IA es un problema de diseño: estamos construyendo sistemas demasiado grandes, demasiado hambrientos, para tareas que no lo requieren. La segunda es que es un problema de escala: la tecnología no es mala en sí misma, simplemente la estamos desplegando más rápido de lo que nuestra infraestructura energética puede asumir.
Probablemente ambas cosas sean verdad a la vez. Hay un componente de exceso: modelos masivos entrenados para impresionar en benchmarks, aplicaciones de IA añadidas a productos que no las necesitan, una carrera armamentística computacional que no siempre produce beneficios proporcionales. Y hay un componente de transición: la energía limpia llega, pero más despacio de lo que se necesita.
Lo que resulta difícil de sostener es la narrativa de que todo esto no tiene coste, o de que el coste es tan pequeño que no merece atención. Los límites de los recursos que alimentan la IA son un tema que la industria tiende a minimizar, ya sean los datos de entrenamiento o la energía necesaria para procesarlos.
Usar la IA con criterio también pasa por entender su impacto real. Hay formas más y menos eficientes de sacarle partido que tienen implicaciones no solo en productividad, sino en huella ambiental.
¿Y si el verdadero lujo del siglo XXI fuera saber cuándo no usar la IA?
El consumo energético de la inteligencia artificial no es un problema técnico que los ingenieros resolverán solos en un laboratorio. Es un problema que implica decisiones colectivas: qué aplicaciones merecen el coste, quién paga ese coste, cómo lo distribuimos y quién tiene voz en ese reparto.
La eficiencia mejorará, las renovables avanzarán, los chips serán más inteligentes. Pero mientras tanto, cada vez que le pedimos a un modelo de lenguaje que nos escriba un email de felicitación de cumpleaños o que genere cincuenta variantes de un logo que nadie va a usar, estamos tomando una decisión energética sin ser conscientes de ello.
La pregunta que queda en el aire no es si la IA consume demasiado. La pregunta es si sabemos, colectivamente, qué queremos a cambio de ese consumo. Y si alguien nos ha preguntado.
Preguntas frecuentes
¿Cuánta energía consume realmente una consulta a ChatGPT?
Según análisis publicados por Goldman Sachs en 2024, una consulta a un modelo como ChatGPT consume entre 6 y 10 veces más electricidad que una búsqueda convencional en Google. La cifra exacta varía según la longitud de la respuesta y el modelo utilizado, pero el orden de magnitud es consistente con los datos disponibles de consumo de centros de datos.
¿Por qué la inteligencia artificial consume tanta agua?
Los servidores generan grandes cantidades de calor que deben disiparse continuamente. El método más extendido es la refrigeración por evaporación de agua, más eficiente que el aire acondicionado convencional. El problema es que el volumen de agua evaporada es enorme: el entrenamiento de modelos grandes puede consumir cientos de miles de litros, y la operación diaria suma millones más a escala global.
¿Las empresas de IA cumplen sus compromisos medioambientales?
Los datos publicados por las propias empresas sugieren que, por ahora, no. Google y Microsoft reportaron incrementos significativos en sus emisiones de carbono entre 2019 y 2023, precisamente el período de mayor expansión de la IA. Ambas mantienen compromisos de neutralidad climática, pero los números actuales van en dirección contraria a esos objetivos.
¿La mejora en eficiencia de los chips puede solucionar el problema?
Parcialmente. Los chips modernos son más eficientes que los de hace cinco años para tareas equivalentes, y esa tendencia continuará. El problema es que la demanda de IA crece más rápido que las ganancias de eficiencia, un fenómeno conocido como efecto rebote: cuando algo es más barato de operar, se opera más. La eficiencia ayuda, pero no neutraliza el crecimiento del consumo total.
¿Existe alguna regulación sobre el consumo energético de la IA?
Todavía es muy limitada. La Unión Europea ha avanzado con la Ley de IA, pero el reporte de consumo energético no es una obligación generalizada. Algunos países europeos, como los Países Bajos, han impuesto requisitos de transparencia a los centros de datos. En Estados Unidos no hay marco federal relevante. Se trata de un vacío regulatorio que empieza a generar debate político, pero sin resultados concretos de momento.
¿Debería preocuparme por mi uso personal de herramientas de IA?
El impacto individual es pequeño comparado con el de las empresas que entrenan y operan los modelos. Pero los patrones de uso colectivo sí importan, porque condicionan las decisiones de inversión de la industria. Usar la IA para tareas que realmente la justifican, en lugar de aplicarla por defecto a cualquier cosa, es una forma razonable de pensar en ello sin caer en el catastrofismo.
