¿Consume la IA demasiada energía y agua?

¿Consume la IA demasiada energía y agua? El debate da vueltas en círculo porque los dos bandos no hablan de lo mismo. Unos miran la consulta: una pregunta a un chatbot consume una cantidad de energía minúscula. Otros miran el agregado: miles de millones de consultas, el entrenamiento de los modelos y la construcción de nuevos centros de datos pesan mucho sobre las redes eléctricas y, localmente, sobre el agua.

Las dos constataciones son ciertas. La pregunta útil para una empresa no es «¿hay que dejar la IA?», sino «¿usamos el tamaño de modelo adecuado para cada tarea?», porque ahí se juegan a la vez la huella y la factura.

En resumen

• Según el escenario de referencia de la AIE, el consumo de electricidad de los centros de datos alcanzaría unos 945 TWh en 2030, y su consumo de agua unos 1,2 billones de litros al año.
• Por consulta, el consumo baja rápido: Google anuncia una división por 33 en un año para Gemini, según sus propias mediciones.
• Las dos tendencias coexisten, porque cada ganancia de eficiencia abre nuevos usos.
• En los ensayos de la AIE, un modelo unas 40 veces más grande consume más de 40 veces más para la misma tarea: elegir el tamaño adecuado es la palanca de una empresa.

Postura 1: los centros de datos disparan el consumo

La fuente más sólida sobre el agregado es el informe especial Energy and AI de la Agencia Internacional de la Energía (AIE), publicado en abril de 2025. Estima el consumo de los centros de datos en el momento del informe, y después en 2030 en su escenario de referencia. En cifras redondeadas:

Sobre la electricidad, el informe añade que:

• el consumo de los centros de datos ha aumentado alrededor de un 12 % al año desde 2017, más de cuatro veces más rápido que el consumo total de electricidad;
• el total de 2030 superaría ligeramente todo el consumo de electricidad de Japón en el momento del informe, y la IA es el principal motor de ese crecimiento, junto con los demás servicios digitales;
• Estados Unidos representaba el 45 % del consumo de los centros de datos en 2024, China el 25 % y Europa el 15 %.

Sobre el agua, alrededor de dos tercios del consumo estaban ligados en 2023 a la producción de energía y electricidad, una cuarta parte a la refrigeración directa y el resto a la fabricación de los chips.

El informe insiste por último en la concentración: un centro de datos dedicado a la IA puede consumir tanta electricidad como una fábrica muy intensiva en energía, como una planta de aluminio, pero esos centros están mucho más concentrados geográficamente, y casi la mitad de la capacidad estadounidense se encuentra en cinco agrupaciones regionales. El sector ya pesa mucho en el consumo de electricidad de algunos mercados locales: es ahí donde se nota la tensión, en la red como en el agua, según el clima y el modo de refrigeración.

Postura 2: una consulta consume muy poco, y la eficiencia progresa rápido

El otro bando destaca la unidad. Google publicó en agosto de 2025 una medición de la huella de su asistente Gemini. Para la consulta de texto mediana, la empresa anuncia:

Es Google quien mide sus propios servicios: no es una evaluación independiente.

El informe AI Index 2025 de la Universidad de Stanford observa por su parte que el coste de inferencia de un sistema tan eficaz como GPT-3.5 se dividió por más de 280 entre noviembre de 2022 y octubre de 2024, gracias a modelos pequeños cada vez más capaces. Un coste no es un consumo de energía, pero el mismo informe señala que la eficiencia energética del hardware progresa un 40 % al año: hacer lo mismo requiere cada vez menos recursos.

Este bando añade que la propia AIE relativiza: los centros de datos solo representan alrededor de una décima parte del crecimiento de la demanda mundial de electricidad de aquí a 2030, menos que los motores industriales, la climatización de viviendas y oficinas o los vehículos eléctricos.

Por qué ambos tienen razón

Las ganancias por consulta son reales, pero no dicen nada del número de consultas. Cuando un recurso se abarata, se usa más: cada ganancia de eficiencia abre nuevos usos, más agentes, más modelos que «reflexionan» largo rato antes de responder. Las dos tendencias coexisten: cada consulta se vuelve más sobria y, sin embargo, la AIE proyecta una duplicación del consumo total.

Dos límites honestos que conviene tener en cuenta. Las cifras por consulta de los servicios comerciales proceden de sus proveedores, que eligen su método: la AIE señala que la falta de datos sobre el consumo de los modelos comerciales impide evaluarlo, y sus propias mediciones se refieren a modelos abiertos, en condiciones de ensayo. Y sus proyecciones son escenarios, con incertidumbres que el propio informe dice crecientes después de 2030.

Lo que pensamos

Culpabilizar al usuario por cada pregunta hecha a un chatbot nos parece no dar en el blanco: a escala de una persona, el efecto es pequeño, y la AIE muestra que otros usos pesan más en el crecimiento de la demanda. En cambio, a escala de una empresa que automatiza miles de operaciones al día, la elección de los modelos se convierte en una verdadera palanca, y es la empresa quien la controla.

Los ensayos de la AIE dan el orden de magnitud:

El mayor de los dos consume más de 40 veces más electricidad. Un modelo que «razona», empleado en una tarea sencilla, consume el doble que un modelo de tamaño comparable. La trampa es, por tanto, enviarlo todo por defecto al modelo más potente, incluidas tareas que un modelo pequeño haría igual de bien, como clasificar un correo o extraer un importe de una factura. El modelo más grande es también el más caro: la sobriedad y el ahorro van aquí en la misma dirección, algo lo bastante raro como para subrayarlo.

Lo que nos haría cambiar de opinión: mediciones independientes, no publicadas por los proveedores, que mostraran que el consumo por consulta de los modelos habituales ya no baja, o que vuelve a subir con los modelos que razonan largo rato.

Lo que cambia en concreto para una empresa

1. Enrutar las tareas hacia el modelo adecuado. Cada tarea automatizada debe pasar por el modelo más pequeño que la resuelve: una tabla asocia cada tipo de tarea a un modelo, probado con ejemplos reales. Nuestra guía sobre el coste de la IA en la empresa, de los tokens al enrutamiento detalla el método.

2. Evitar las llamadas inútiles. Una parte de los procesos no necesita IA en absoluto: una regla sencilla o una consulta a una base de datos hacen el trabajo sin modelo. Y un resultado que no cambia se guarda en caché en lugar de recalcularse.

3. Mirar dónde se ejecuta el modelo. La huella depende de la electricidad del lugar donde se hace el cálculo. Alojar ciertos procesos en Europa, o un modelo abierto en su propio servidor, es también una cuestión de soberanía, que abordamos en nuestro análisis sobre la dependencia de Europa de los gigantes estadounidenses de la nube.

4. Medir antes de comunicar. Una empresa que quiera hablar de la huella de sus usos debe contar sus llamadas y el modelo utilizado en cada una. Sin ese registro, cualquier cifra mostrada sería una estimación de segunda mano.

Por dónde empezar

La huella de la IA se juega menos en una pregunta hecha a un chatbot que en los procesos que se repiten miles de veces. Empiece por la lista de sus usos automatizados, con el modelo al que llama cada uno y su volumen: los que más se ejecutan en un modelo grande son los primeros que hay que probar en uno más pequeño, y la misma criba aligera tanto la factura como la huella. Nuestra guía para integrar la IA en la empresa repasa esas decisiones una a una, del modelo al coste. Si quiere saber lo que cuesta cada uso antes de decidir, nuestra oferta IA a su justo coste, uso por uso empieza con una auditoría de su factura y un banco de pruebas con sus propios contenidos.

Preguntas frecuentes

Fuentes

1. Energy and AI (nueva pestaña)iea.blob.core.windows.net
2. Medición de la huella de su asistente Gemini (nueva pestaña)arxiv.org
3. Informe AI Index 2025 de la Universidad de Stanford (nueva pestaña)hai.stanford.edu